训练用于放射疗法的人工智能模型制造技术

本文公开了使用强化学习技术来迭代地训练人工智能模型的系统和方法。随着每次迭代，当指示人工智能模型的探索和开发训练的可能性的ε值满足阈值时，训练代理应用对应于与先前执行的放射疗法治疗相关联的放射疗法治疗属性的随机放射疗法治疗属性。当ε值不满足阈值时，代理使用现有策略生成(242)第一预测放射疗法治疗属性，并且使用预定义模型生成(244)第二预测放射疗法治疗属性。代理应用(246)第一预测放射疗法治疗属性或第二预测放射疗法治疗属性中与更高奖励相关联的一个预测放射疗法治疗属性。代理迭代地重复(248)训练人工智能模型，直到现有策略满足准确度阈值。值。值。

【技术实现步骤摘要】
【国外来华专利技术】训练用于放射疗法的人工智能模型


[0001]本申请总体上涉及生成、训练和运行人工智能(AI)计算机模型，以预测放射疗法治疗程序。

技术介绍

[0002]放射疗法治疗规划(RTTP)是一个复杂的过程，其包含如临床医生、医疗设备制造商、治疗医生等不同医疗专业人员所采用的特定指南、协议和说明。由于放射治疗机所发出的辐射的极端性质，必须精确地计算和遵循治疗属性。如在RTTP的范畴中所使用的治疗属性是指当患者接受处方规定的放射疗法剂量时如何实施患者治疗以及如何将剂量输送到患者的器官的各种属性(包括放射治疗机的属性)。例如，开处方的医生可以识别来源位置(例如待治疗的患者器官或待根除的肿瘤)和相应的剂量。因此，其他方(例如临床医生或机器制造商)可以确定机架和卧榻上的患者的定位属性(例如角度)以及应该如何将剂量输送给患者以接受最佳治疗。
[0003]按照惯例，识别和应用用于实施放射疗法的指南由临床医生/技术人员执行。例如，为患者选择治疗属性(例如优化剂量体积直方图(DVH)目标和剂量分布规划)已经委托给使用其主观理解和技能的临床医生。例如，人类规划者可本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种使用强化学习来训练人工智能模型的方法，所述方法包括：由服务器使用包括与先前执行的放射疗法治疗相关联的一组放射疗法治疗属性的训练数据集来迭代地训练所述人工智能模型，以预测对应的一组放射疗法治疗属性，其中随着每次迭代，所述服务器：当指示所述人工智能模型的探索和开发训练的可能性的ε值满足阈值时，应用对应于与先前执行的放射疗法治疗相关联的所述放射疗法治疗属性的随机放射疗法治疗属性；并且当所述ε值不满足所述阈值时，所述服务器：使用现有策略生成第一预测放射疗法治疗属性，并且使用预定义的计算机模型生成第二预测放射疗法治疗属性，其中所述服务器应用所述第一预测放射疗法治疗属性或所述第二预测放射疗法治疗属性中与更高奖励相关联的一个预测放射疗法治疗属性，其中所述服务器迭代地重复训练所述人工智能模型，直到所述现有策略满足准确度阈值。2.根据权利要求1所述的方法，进一步包括：由所述服务器执行经过训练的所述人工智能模型。3.根据权利要求1或2所述的方法，其中所述ε值是从系统管理员接收的。4.根据权利要求1、2或3所述的方法，其中所述服务器将所述第一预测放射疗法治疗属性与所述第二预测放射疗法治疗属性进行比较。5.根据权利要求1至4中任一项所述的方法，包括：使用监督训练方法基于所述预定义的计算机模型来训练所述现有策略。6.根据权利要求1至5中任一项所述的方法，其中所述服务器修正所述ε值，使得生成所述第一预测放射疗法治疗属性或所述第二预测放射疗法治疗属性的可能性高于生成所述随机放射疗法治疗属性的可能性。7.根据权利要求1至6中任一项所述的方法，其中所述服务器修正所述ε值，使得生成所述第一预测放射疗法治疗属性或所述第二预测放射疗法治疗属性的可能性低于生成所述随机放射疗法治疗属性的可能性。8.根据权利要求1至7中任一项所述的方法，其中所述预定义的计算机模型是从系统管理员接收的。9.根据权利要求1至8中任一项所述的方法，其中所述预定义的计算机模型是特定于诊所的。10.根据权利要求1至9中任一项所述的方法，其中所述预定义的计算机模型是特定于优化剂量直方图体积计算的。11.一种用于使用强化学习来训练人工智能模型的系统，包括：一个或多个处理器；以及一个非暂时性存储器，用于存储计算机代码指令，所述计算机代码指令在被执行时...

【专利技术属性】
技术研发人员：S，
申请(专利权)人：西门子医疗国际股份有限公司，
类型：发明
国别省市：