用于放射疗法的神经网络校准的制作方法

1.本技术总体上涉及将外部训练的神经网络模型校准为在一组放射治疗机处接受治疗的患者的数据分布。


背景技术：

2.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，必须严格遵守所有说明。如在rttp的范畴中所使用的场几何形状是指当患者接受处方规定的放射疗法剂量时放射治疗机的各种属性或设置。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。此外，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)，以提供最佳治疗。
3.按照惯例，识别和应用实施放射疗法的指南由临床医生/技术人员执行。例如，为患者选择最合适的场几何形状是rttp的一个方面，该方面已委托给临床医生，其利用自己的主观理解和技能结合各种外部和内部指南来识别每个患者的最佳场几何形状。然而，这种传统的方法可能是低效的。
4.例如，作为场几何形状选择的第一步，治疗医生可以识别治疗模式(例如在容积调强放射治疗(vmat)或调强放射疗法(imrt)之间进行选择)。然后，治疗医生可以决定优选的是共面治疗还是非共面治疗。然后，治疗医生可以确定用于治疗的射束限制装置角度。在imrt的情况下，射束传输方向和射束数量是必须确定的特定相关变量，而对于vmat，技术人员可能需要选择弧的数量及其相应的起始角和结束角。对于这些决定，每个提供者诊所和/或技术人员可能有其自己的偏好和实践。例如，技术人员可能更倾向于将放射等中心点直接置于受试物区域(例如肿瘤)上并且在受试物区域周围有全弧形的机架运动。另一技术人员可通过具有一些固定的场方向来接近相同的rttp，并试图避开其他器官。因此，相同的rttp可能以不同的方式被解读，这产生了不希望的结果。


技术实现要素：

5.由于上述原因，期望有一种系统能够调整计算机模型(例如机器学习模型)，以预测在个体的一组放射治疗机中接受治疗的患者(例如在个体的放射治疗诊所接受治疗的病人或在特定地理区域接受治疗的病人)的治疗。这样的一组放射治疗机可用于治疗不同的人群分布和/或被具有不同治疗观点的临床医生使用。考虑到通常可以从在个体的一组放射治疗机(例如在个体的放射治疗诊所)处接受治疗的患者获得的训练数据的缺乏，可能很难生成解释这些差异的模型。
6.为了解决这些问题，希望使用来自在不同组的放射治疗机处接受治疗的患者的患者数据来训练机器学习模型(例如使用来自多个放射治疗诊所的训练数据，在这些诊所可获得更多的训练数据)。一旦机器学习模型被充分训练，实现本文所述系统和方法的一组特
定放射治疗机的提供者(例如一个诊所或一组诊所)可以使用处理器来访问和校准机器学习模型，以对在该组放射治疗机处接受治疗的患者做出治疗预测。因此，提供者可以使用部分训练的机器学习模型来准确地预测rttp预测，使得计算场几何形状(或其他放射疗法治疗属性)可以被调整到由提供者管理的放射治疗机正在治疗的患者。提供者可以在不使用从在提供者的放射治疗机处治疗的患者生成的训练数据来训练模型的情况下这样做，其通常不可用或创建成本太高。
7.在一个方面，本发明提供了一种如权利要求1所述的方法。在另一方面，本发明提供了一种如权利要求13所述的系统。在从属权利要求中指定了可选特征。
8.在一个实施例中，方法包括：通过一个或多个处理器访问基于第一组数据训练的神经网络，该第一组数据从在一组一个或多个放射治疗机处接受治疗的第一组患者的特征值中生成；由一个或多个处理器使用第二组数据执行神经网络以输出一组治疗属性预测，该第二组数据包括在一组一个或多个第二放射治疗机处接受治疗的第二组患者的特征值，第二组数据具有指示预期治疗属性预测的对应的标签；由一个或多个处理器使用该组治疗属性预测和指示预期治疗属性预测的标签来执行校准模型，以输出校准值；由一个或多个处理器使用在该组一个或多个第二放射治疗机处接受治疗的第二组患者中的第一患者的一组特征来执行神经网络，以输出与第一治疗属性相关联的第一置信度分数；并且由一个或多个处理器根据校准值调整第一置信度分数，以预测第一治疗属性。
9.在另一实施例中，系统包括与放射治疗机通信的处理器，该处理器被配置为执行指令以用于：访问基于第一组数据训练的神经网络，该第一组数据从在一组一个或多个第一放射治疗机处接受治疗的第一组患者的特征值中生成；使用第二组数据执行神经网络以输出一组治疗属性预测，该第二组数据包括在一组一个或多个第二放射治疗机处接受治疗的第二组患者的特征值，第二组数据具有指示预期治疗属性预测的对应的标签；使用该组治疗属性预测和指示预期治疗属性预测的标签来执行校准模型，以输出校准值；使用在一组一个或多个第二放射治疗机处接受治疗的第二组患者中的第一患者的一组特征来执行神经网络，以输出与第一治疗属性相关联的第一置信度分数；并且根据校准值调整第一置信度分数，以预测第一治疗属性。
附图说明
10.参考附图以示例的方式说明了本公开的非限制性实施例，附图是示意性的，并非按比例绘制。除非指明为代表背景技术，否则附图代表本公开的各方面。
11.图1根据一个实施例示出了治疗属性识别系统的组件。
12.图2根据一个实施例示出了在治疗属性识别系统中执行的过程的流程图。
13.图3根据一个实施例示出了示例性的校准数据组。
14.图4根据一个实施例示出了在治疗属性识别系统中执行的过程的示例性流程图。
具体实施方式
15.现在将参考附图中所示的说明性实施例，在此将使用特定语言来说明这些实施例。然而，应当理解的是，权利要求或本公开的范围在此不受限制。本文所示发明特征的更改和进一步修改，以及本文所示主题的原理的附加应用，对于相关领域的技术人员和拥有
本公开的技术人员而言将被视为在本文所公开的主题的范围内。在不脱离本公开的精神或范围的情况下，可使用其他实施例和/或可进行其他改变。在详细说明中所述的说明性实施例并不旨在限制所呈现的主题。
16.放射疗法治疗规划(rttp)可以利用神经网络模型(或其他机器学习模型)。例如，神经网络可以用于器官和肿瘤的自动分割。神经网络还可以通过例如建议治疗模式或选择治疗的更详细方面来提供决策支持，例如确定外部射束放射疗法中的场几何设置。通常，神经网络分类器的主要结果是用于给定的看不见的情况的预测标签。然而，在临床设置中，除了预测准确性(例如正确预测标签的总体期望)之外，对于用户可能重要的是访问单个预测的置信度水平，从而用户可确定是使用预测还是探索其他选项。此外，重要的是避免使用过度自信或不准确的预测来调整放射治疗机提供治疗的方式。因此，置信度水平的准确性很重要。
17.此外，在一个非限制性示例中，当神经网络模型从一个临床或非临床环境转用到另一个时，预测的准确性和预测的置信度都可能受到影响。例如，各个诊所的数据分布(人群、治疗类型、方案和实践等)可能彼此不同，导致与诊所相关联的处理器为患者确定不同的治疗方法。因此，可能需要训练神经网络来预测在单个诊所或特定放射治疗机处接受治疗的患者的治疗规划。这种训练的一种方法可以是使用特定于地点的患者数据来重新训练神经网络模型。然而，考虑到训练神经网络通常需要大量的训练数据，并非所有诊所都有能力或资源通过开发周期来为使用诊所放射治疗机的患者定制其模型。
18.通过实现本文所述的系统和方法，系统可以通过使外部训练的神经网络(例如由另一处理器训练的神经网模型)能够用于预测在特定情况下的一组放射治疗机(例如在本地诊所)处接受治疗的患者的rttp属性(例如治疗属性)来解决这些训练不足。系统可以通过校准由外部训练的神经网络模型做出的预测来这样做，以避免为神经网络模型生成特定于地点的训练数据的需要。该系统和方法为后处理提供了校准流程以校准由神经网络输出的置信度分数，该神经网络最初使用来自由其他放射治疗诊所处的放射治疗机治疗的患者的数据进行训练。这种校准技术可使神经网络能够使用可用的训练数据进行训练，同时仍然提供准确的临床特定预测。
19.有利的是，通过实现本文所述的系统和方法，系统可避免使用从具有少量训练数据的数据源(如个体诊所)生成的数据来生成大型策划训练数据组通常所需的成本和处理资源。此外，该解决方案可以允许对模型在可靠性方面的性能进行跨临床比较，可允许比较不同模型的置信度水平，并且可防止过度自信的预测。
20.如下所述，中央服务器(本文称为分析服务器)可以使用来自利用多组放射治疗机的一个或多个放射治疗诊所的患者数据来训练神经网络或其他机器学习模型。在一个非限制性示例中，中央服务器可以将经过训练的神经网络传输到与本地诊所相关联的处理器，或者本地诊所的处理器可通过其他方式访问该神经网络，以便根据诊所的人群进行校准。在被校准后，神经网络可预测本地诊所的临床医生和/或放射治疗机可用于患者治疗的治疗属性。图1是在其中运行分析服务器的系统的组件的非限制性示例。
21.图1示出了治疗属性识别系统100的组件。系统100可以包括分析服务器110a、系统数据库110b、电子数据源120a-d(统称为电子数据源120)、最终用户设备140a-e(统称为最终用户设备140)、管理员计算设备150和放射治疗诊所160a-n(统称为放射治疗诊所160)。
放射治疗诊所160可以是患者可在其中接受放射疗法治疗的诊所，在某些情况下通过位于诊所内的一个或多个放射治疗机。上述组件可以通过网络130彼此连接。网络130的示例可以包括但不限于专用或公共lan、wlan、man、wan和互联网。网络130可以包括根据一个或多个标准和/或经由一个或多个传输介质的有线和/或无线通信。
22.网络130上的通信可以根据各种通信协议执行，例如传输控制协议和互联网协议(tcp/ip)、用户数据报协议(udp)和ieee通信协议。在一个示例中，网络130可以包括根据蓝牙规范集或另一标准或专有无线通信协议的无线通信。在另一示例中，网络130还可以包括通过蜂窝网络的通信，其包括例如gsm(全球移动通信系统)、cdma(码分多址)、edge(增强型全球演进数据)网络。
23.系统100不限于本文所述的组件，并且可以包括为简洁起见未示出的附加或其他组件，其将被视为在本文所述实施例的范围内。
24.分析服务器110a可以生成并显示电子平台，其被配置为使用各种计算机模型(包括人工智能和/或机器学习模型)来识别和显示治疗属性(例如rttp治疗属性)。电子平台可以包括显示在每个电子数据源120、终端用户设备140和/或管理员计算设备150上的图形用户界面(gui)。由分析服务器110a生成和托管的电子平台的一个示例可为基于网络的应用程序或网站，其被配置为显示在不同的电子设备上，例如移动设备、平板电脑、个人计算机等。在一个非限制性示例中，操作医生设备120b的医生可访问平台，输入患者属性或特征和其他数据，并进一步指示分析服务器110a生成优化的rttp。分析服务器110a可以利用本文所述的方法和系统来生成治疗属性并在终端用户设备(例如放射治疗机140d)上显示结果，或者调整终端用户设备140的其中一个的配置。分析服务器110a也可在医生设备120b本身上显示治疗属性。
25.如本文所述，治疗属性可以是或可以包括与在放射治疗诊所处和/或使用放射治疗机治疗患者有关的任何属性。治疗属性可包括但不限于不同的治疗模式、外部射束放射疗法的场几何设置、副作用预测、器官和/或肿瘤分割、机器治疗属性、给药属性(例如剂量)、治疗频率、治疗时间等。实现本文所述系统和方法的系统可以为临床医生和/或放射治疗机提供任何这样的治疗属性中的一个或多个的校准预测，以实现对患者的治疗。
26.分析服务器110a可以托管操作本文所述任何电子设备的用户(例如终端用户)可访问的网站，其中可基于每个特定用户的角色或查看权限来控制通过各种网页呈现的内容。分析服务器110a可以是任何计算设备，其包括能够执行本文所述各种任务和过程的处理器和非暂时性机器可读存储器。这种计算设备的非限制性示例可包括工作站计算机、手提电脑、服务器计算机等。系统100包括单个分析服务器110a，而分析服务器110a可以包括在分布式计算环境(例如云环境)中运行的任意数量的计算设备。
27.分析服务器110a可以执行被配置为显示电子平台(例如托管网站)的软件应用程序，该电子平台可生成各种网页并将其提供给每个电子数据源120和/或终端用户设备140。不同的用户可使用网站来查看预测结果和/或与预测结果交互。
28.分析服务器110a可以被配置为要求基于一组用户授权凭证(例如用户名、密码、生物特征、加密证书等)进行用户认证。分析服务器110a可以访问被配置为存储用户凭证的系统数据库110b，分析服务器110b可以被配置为参考该用户凭证，以确定一组输入的凭证(声称对用户进行认证)是否与一组适当的识别和认证用户的凭证相匹配。
29.分析服务器110a还可以存储与操作一个或多个电子数据源120和/或终端用户设备140的每个用户相关联的数据。分析服务器110a可以使用数据来权衡交互，同时相应地训练各种ai模型。例如，分析服务器110a可以指明用户为医疗专业人员，其输入可以被监控并用于训练本文所述的机器学习或其他计算机模型。
30.分析服务器110a可以基于系统100内的特定用户角色生成并托管网页。在这样的实现中，用户角色可由存储在系统数据库110b中的用户记录中的数据字段和输入字段来定义。分析服务器110a可以认证用户，并且可以通过执行访问目录协议(例如ldap)来识别用户角色。分析服务器110a可以生成根据由系统数据库110b中的用户记录所定义的用户角色来定制的网页内容。
31.分析服务器110a可以接收来自用户的rttp数据(例如患者和治疗数据)，或者从数据存储库检索此类数据，分析数据，并且在电子平台上显示结果。例如，在一个非限制性示例中，分析服务器110a可以从数据库120d查询和检索医疗图像，并且将医疗图像与从操作医生设备120b的医生接收的rttp数据相组合。然后，分析服务器110a可以使用各种模型(存储在系统数据库110b内)来分析所检索的数据。然后，分析服务器110a通过在管理员计算设备、电子医生设备120b和/或终端用户设备140上的电子平台显示结果(例如包括卧榻和机架角度的rttp)。
32.电子数据源120可以表示包含、检索和/或输入与rttp相关联的数据(例如患者数据和治疗数据)的各种电子数据源。例如，分析服务器110a可以使用临床计算机120a、医生设备120b、服务器120c(与医生和/或诊所相关联)和数据库120d(与医生和/或诊所相关联)来检索/接收与特定患者的治疗规划相关联的rttp数据。
33.终端用户设备140可以是任何计算设备，其包括能够执行本文所述各种任务和过程的处理器和非暂时性机器可读存储介质。终端用户设备140的非限制性示例可以是工作站计算机、手提电脑、平板计算机和服务器计算机。在操作中，各种用户可以使用终端用户设备140来访问由分析服务器110a操作管理的gui。具体而言，终端用户设备140可包括临床计算机140a、临床数据库140b、临床服务器140c、诸如ct扫描机、放射治疗机(例如线性加速器或钴机)等的医疗设备等(140d)以及临床设备140e。
34.管理员计算设备150可以表示由系统管理员操作的计算设备。管理员计算设备150可以被配置为显示所检索的数据、由分析服务器110a生成的治疗属性(例如各种分析度量指标和/或场几何形状)，其中系统管理员可监控由分析服务器110、电子数据源120和/或终端用户设备140使用的各种模型；评审反馈；和/或促进由分析服务器110a维护的神经网络的训练或校准。
35.在操作中，医生可以访问在医生设备120b上运行的应用程序，并且输入rttp数据(例如患者信息、患者诊断、放射疗法治疗属性等)。然后，分析服务器110a可以使用患者标识符从电子数据源120查询患者数据(例如患者解剖结构和/或医疗图像)。然后，分析服务器可识别与患者相关联的诊所(例如执行治疗的诊所)，并基于诊所标识符检索与诊所相关联的神经网络(例如已经基于诊所的代表性患者数据组进行校准的神经网络)(例如与诊所相关联的字母数字或数字标识符)。然后，分析服务器110a可利用本文所述的系统和方法来生成优化/统一的rttp，并将结果显示在医生设备120b、临床计算机140a和/或医疗设备140d(例如放射治疗机的显示屏)上。
36.分析服务器110a可以与医疗设备140d进行通信(实时或接近实时)，使得托管医疗设备140b的服务器/计算机可以基于由分析服务器110a生成的治疗属性来调整医疗设备140d。例如，放射治疗机可以基于由分析服务器110a确定的角度和其他属性来调整机架和卧榻。分析服务器110a可以向放射治疗机发送指示任何数量或类型的治疗属性(例如场几何设置)的指令，以便于进行这样的调整。
37.分析服务器110a可以存储机器学习模型(例如神经网络、随机森林、支持向量机等)，这些模型被训练来预测治疗属性，以在放射治疗诊所处治疗患者。分析服务器110a可以使用在放射治疗诊所160的放射治疗机170a-n处接受治疗的患者的患者数据来训练机器学习模型。例如，分析服务器110a可以从放射治疗诊所160的处理器接收患者数据，并且生成一组或多组有标签的训练数据，其指示用于在各个放射治疗诊所160处治疗患者的治疗属性。分析服务器110a可以将该组有标签的训练数据输入到所存储的机器学习模型中用于监督训练，以教导机器学习模型预测用于患者治疗的治疗属性的置信度分数。
38.存储在分析服务器110a中的机器学习模型可以对应于个体的放射治疗诊所或在其他情况下对应于不同组的放射治疗机(例如位于个体放射治疗诊所、位于不同地理区域、治疗特定类型疾病(例如不同类型的癌症)、治疗特定性别的放射治疗机)。例如，每个机器学习模型可以与标识符相关联，该标识符指示出其被配置用于为哪个放射治疗诊所或哪组放射治疗机预测治疗属性的置信度分数。放射治疗诊所的操作员可以访问位于诊所的终端用户设备140，或者访问与诊所相关联的账户。操作员可以在用户界面处提供输入，该输入使得终端用户设备140发送访问与诊所和/或位于诊所内的放射治疗机相关联的机器学习模型的请求。该请求可以包括与机器学习模型、诊所和/或放射治疗机组相关联的标识符，分析服务器110a可以使用该标识符作为查找表中的关键字来识别机器学习模型。分析服务器110a可以接收该请求，并且在某些情况下，在认证用户之后从标识符中识别机器学习模型。分析服务器110a可以将所识别的机器学习模型发送到终端用户设备140，或者发送指示出终端用户设备被授权访问该模型的提示信号。
39.在接收或访问机器学习模型后，终端用户设备140可以执行本文所述的系统和方法来校准机器学习模型，以预测通常在放射治疗诊所和/或各组放射治疗机器处接受治疗的患者群体的置信度分数和/或治疗属性。例如，终端用户设备140可以生成校准数据组，其包括表示通常在诊所处或由该组放射治疗机治疗的患者的特征的数据。终端用户设备140可以将校准数据组输入到机器学习模型中，以获得一组治疗属性的置信度分数输出。对于每个患者，终端用户设备140可以识别与最高置信度分数相关联的治疗属性，并从所识别的治疗属性生成预测的治疗属性数据组。终端用户设备140可以将所预测的治疗属性数据组连同指示基准真值(例如每个所预测的治疗属性的正确预测)的标签一起输入到校准模块(例如一组可执行的指令)中，其包括可以由终端用户设备140执行的校准模型(例如机器学习模型或优化模型)。基于该输入，校准模型可输出一个或多个校准参数，终端用户设备140可使用其来校准机器学习模型在预测治疗属性时做出的任何置信度分数预测。
40.在确定校准参数后，终端用户设备140可以将新患者的患者数据馈送到机器学习模型中，并使用校准参数来校准不同治疗属性的输出置信度分数。例如，终端用户设备140可以将置信度分数和校准参数中的每一个输入到如下的函数中：
41.或
[0042][0043]
其中x是所预测的类别(例如场几何设置或其他治疗属性)，q
hat
(x)是校准后的置信度分数，z(x)是分对数，其中其中p
hat
(x)是未校准的第一置信度分数，t是由校准模型确定的校准参数。终端用户设备140可以获得每个输入的校准后的置信度分数，并在终端用户设备140的用户界面上将置信度分数和/或相应的治疗属性输出给用户。用户(例如患者、医生、临床医生等)可以查看置信度分数，并确定用于治疗的治疗属性。
[0044]
因为置信度分数已经基于校准参数进行了校准(例如减少或增加)，所以终端用户设备140可以避免显示过度自信或不准确的置信度分数，这些置信度分数经常出现在训练不良的机器学习模型或使用非代表性数据集训练的模型中。例如，没有校准的模型可正确地预测类别，但当置信度本应低得多时，可能预测的置信度过高(例如98％)。通过校准神经网络，可以将置信度分数调整为使得置信度分数预测更加准确。
[0045]
附加地或替代地，可以选择不接收机器学习模型，而是终端用户设备140可以通过向分析服务器110a发送指令来访问机器学习模型以校准和/或使用本文所述的机器学习模型。终端用户设备140可以将在各个放射治疗诊所和/或放射治疗机组处治疗的患者的患者数据连同一个或多个标志或设置一起发送到分析服务器110a，以使分析服务器110a生成校准参数。分析服务器110a可以使用本文所述的系统和方法从患者数据中生成代表性校准数据组，并基于从终端用户设备140接收的标志或设置生成一个或多个校准参数。在校准之后，分析服务器110a可以将患者特征输入到机器学习模型中，并生成一组校准后的置信度分数。分析服务器110a可以将校准后的置信度分数和相应的治疗属性发回给终端用户设备140以供显示。
[0046]
图2根据一个实施例示出了在治疗属性识别系统中执行的过程的流程图。方法200包括步骤210-250。然而，其他实施例可以包括附加的或替代的步骤，或者可以完全省略一个或多个步骤。方法200被描述为由数据处理系统(例如类似于图1中所述的数据源120、终端用户设备140或分析服务器110a的计算机)执行。然而，方法200的一个或多个步骤可以由在图1中所述的分布式计算系统中运行的任意数量的计算设备执行。例如，一个或多个计算设备可在本地执行图2中所述的部分或全部步骤，或者云设备可以执行这样的步骤。
[0047]
在步骤210中，数据处理系统(例如分析服务器110a或终端用户设备140)可以访问基于从在一组一个或多个第一放射治疗机处接受治疗的第一组患者的特征值中生成的第一组数据而训练的神经网络(或任何其他机器学习模型，如随机森林或支持向量机)。神经网络可以由数据处理系统或由诸如外部计算机或服务器(例如分析服务器110a)的外部数据处理系统来训练。该组一个或多个第一放射治疗机可以是位于放射治疗诊所、位于不同地理区域(例如不同的市、县、省等)、治疗具有不同特征(例如具有不同性别、体重、身高、体型等)的患者和/或治疗患有不同疾病的患者(例如患有不同类型癌症的患者)的放射治疗机。因此，该组患者可以包括具有不同组特征的患者，这些特征组可以用于训练神经网络来
预测广泛人群的治疗属性。本文所述的系统和方法可用于预测患者的任何治疗属性。
[0048]
可使用有监督、半监督和/或无监督训练或强化学习方法来训练神经网络。例如，神经网络可被训练以预测用于治疗患者的放射治疗机的场几何设置。为此，可以将第一组患者的个体患者的特征值输入到神经网络中，其具有指示对患者的正确预测的标签。神经网络可以基于个体患者各自的特征为其输出场几何设置，并且可以将输出与标签进行比较。通过使用反向传播技术，神经网络可以基于预期输出(例如基准真值)和实际输出之间的差异来更新其权重和/或参数，以更好地预测未来看不见的病例(例如未来患者的场几何设置)。类似的技术可以用于训练神经网络来预测任何治疗属性。计算机(例如分析服务器110a)可以继续进行这个过程，直到神经网络被充分训练(例如精确到预定阈值以上)。在某些情况下当确定神经网络已经被充分训练时，计算机可将神经网络存储在存储器中。
[0049]
数据处理系统可以通过云或者通过检索或接收神经网络来访问神经网络。例如，数据处理系统可以向云中存储神经网络的设备发送密码或令牌，以访问神经网络。在另一示例中，数据处理系统可以自动地响应于被充分训练的神经网络或者响应于来自数据处理系统的get请求来接收或检索神经网络。数据处理系统可响应于用户在数据处理系统的用户接口处的请求来发送对神经网络的请求。在接收到神经网络后，数据处理系统可将神经网络存储在存储器中，以便当数据处理系统对在与神经网络相关联的放射治疗机组处接受治疗的个体患者的治疗属性进行预测时进行检索。
[0050]
在步骤220中，数据处理系统可以使用第二组数据执行神经网络以输出一组治疗属性预测，该第二组数据包括在一组一个或多个第二放射治疗机处接受治疗的第二组患者的特征值，第二组数据可以具有指示预期治疗属性预测的对应的标签。第二组放射治疗机可以位于特定的放射治疗诊所，位于特定的地理区域内，治疗特定的患者群体(例如特定的性别、体重、身高等)，治疗特定类型的疾病(例如位于特定区域的肿瘤)，或以任何其他方式相关。数据处理系统可以被配置为接收在第二组放射治疗机的一个放射治疗机处接受治疗的患者的患者属性，并且将患者属性输入到神经网络中以获得治疗属性，例如用于治疗的场几何设置。基于在第二组放射治疗机处接受治疗的患者的患者数据，神经网络可以不进行训练，或者可以仅进行部分训练(例如，在神经网络的训练阶段期间这种数据不可用或者太贵而无法生成的情况下)。因此，可能需要校准神经网络，以便为在第二组放射治疗机处接受治疗的患者提供准确的预测。
[0051]
第二组数据可以是或包括代表在该组一个或多个第二放射治疗机中接受治疗的人群的校准数据组。例如，如果该组一个或多个第二放射治疗机通常治疗的女性相对于男性的比率较高，则校准数据组可以包括具有相同或相似比率(例如在阈值内)的患者特征。在另一示例中，如果该组一个或多个第二放射治疗机通常只治疗患有乳腺癌和肺癌的患者，则校准数据组可仅包括患有乳腺癌和肺癌的患者的特征。校准数据组还可包括乳腺癌患者与肺癌患者的相似比率。校准数据组可类似地包括代表在第二放射治疗机组处接受治疗的患者群体的多个特征的患者数据。校准数据组可代表具有任意数量特征的患者群体。
[0052]
数据处理系统可以通过将第二组数据循序馈送到个体患者的神经网络中来执行神经网络。对于每个患者，数据处理系统可以生成包括患者特征值(例如身高、体重、性别、肿瘤大小、肿瘤位置、年龄、处方剂量、体重指数、目标和器官的图像数据等)的矢量，并将该矢量输入神经网络。神经网络可接收该矢量，并基于神经网络在训练期间获取的权重和参
数输出不同治疗属性预测的置信度分数。
[0053]
例如，神经网络可被训练用于预测是使用标准的场几何设置还是用户化的场几何设置来治疗患者。在接收到将要在一个或多个第二放射治疗机的其中一个放射治疗机处接受治疗的特定患者的特征输入时，神经网络可以预测标准的场几何设置和用户化的场几何设置的两个潜在输出的置信度分数。置信度分数可以指示出每个潜在输出为正确输出的确定性。以下矢量示出了这样的神经网络对四个不同患者的示例性预测输出(例如与最高预测置信度分数相关联的标签)：
[0054]
(y
hat
,p
hat
)＝《1,.96；0,.98；1,.86；0,.9》
[0055]
其中y
hat
是所预测的场几何设置标签，其中1是标准的场几何设置，0是用户化的场几何设置，并且p
hat
是与标签相关联的置信度分数。
[0056]
在另一示例中，神经网络(或不同的神经网络)可以被训练用于预测特定的治疗是否具有有害的副作用。神经网络可以具有“无有害副作用(标签＝0)”、“轻度副作用(标签＝1)”和“严重副作用(标签＝2)”的潜在输出。在接收到患者特征的输入(可以包括递送的剂量分布)时，神经网络可以输出每个潜在输出的置信度分数，其指示出患者将经历相关类别的副作用的可能性。以下矢量示出了这样的神经网络对四个不同患者的示例性预测输出(例如与最高预测置信度分数相关联的标签)：
[0057]
(y
hat
,p
hat
)＝《1,.86；2,.75；1,.8；1,.68》
[0058]
其中y
hat
是根据上述标签的所预测的副作用标签，p
hat
是与标签相关联的置信度分数(例如患者将受到相应副作用的可能性)。
[0059]
除了患者特征之外，校准数据组还可以包括指示个体患者的正确治疗属性预测的标签(例如校准数据组的基准真值)。例如，校准数据组可以包括指示出输入到机器学习模型中的特征的已知正确治疗或已知结果的标签。这样的标签可以用于校准神经网络，如下文所述。以下矢量示出了四个不同患者的用于输入到两个机器学习模型(例如，被配置为预测场几何设置标签的机器学习模型和被配置为预测副作用标签的机器学习模型)的示例性基准真值标签：
[0060]
(场几何设置标签,副作用标签)＝《0,0；0,2；1,1；0,1》
[0061]
在步骤230中，数据处理系统可以使用该组治疗属性预测和指示出预期治疗属性预测的标签来执行校准模型，以输出校准值。校准模型可以是另一机器学习模型(例如神经网络、支持向量机、随机森林等)，其被训练为基于神经网络的预测输出和指示这些输出的基准真值的对应标签来预测诸如神经网络的机器学习模型的校准参数。校准模型可以是优化模型(例如共轭梯度求解器)，其可以基于相同的输入以数值或分析的方式确定校准参数。
[0062]
例如，数据处理系统可以将包括多个患者特征的校准数据组输入到神经网络中。对于每个患者，神经网络可以预测多个治疗属性的置信度分数。数据处理系统可以比较与治疗属性相关联的置信度分数，并将与最高置信度分数相关联的治疗属性识别为所预测的治疗属性。数据处理系统可以将所识别的治疗属性连同对应于相应患者的标签或基准真值治疗属性一起馈送到校准模型中，以获得特定于正被校准的神经网络的校准值。
[0063]
校准模型可以被配置为使用诸如神经网络模型之类的模型或使用以下等式来确定使交叉熵损失最小化的校准参数：
[0064]
h(p,q)＝-∑
x
y(x)logq(x)
[0065]
其中x是不同类别的指数，y(x)对于类别x是y
true
，，其中并且t是校准参数。以下是具有三个类别(例如治疗属性)的组中两个样本的示例性输入：
[0066]
z(x)＝[[4.0,2.0,1.0],[5.0,6.0,1.0]]
[0067]
标签＝y
true
＝[[1.0,0.0,0.0],[0.0,1.0,0.0]]
[0068]
通过实现该等式或神经网络，数据处理系统可以找到用于校准神经网络的最佳校准参数。
[0069]
在将与最高置信度分数相关联的治疗属性识别为所预测的治疗属性之前，数据处理系统可以将置信度分数与阈值进行比较。数据处理系统可以响应于超过阈值的置信度分数来确定治疗属性与正确的预测相关联。如果置信度分数没有超过阈值，则数据处理系统可以生成零值以输入到具有相应零标签的校准模型中，以避免基于神经网络具有低置信度的预测来校准神经网络。因此，数据处理系统可以仅使用神经网络有高置信度的预测来校准神经网络，从而提高校准的准确性，并避免基于“猜测”来校准模型。
[0070]
校准参数可以包括一个矢量或一组参数。这样的参数可以包括任意数量的参数，这取决于用于校准神经网络的校准算法。例如，在温度缩放的情况下，参数可能仅包括一个“温度”值，其可以用于校准神经网络的输出置信度分数。温度值可以用于抑制来自神经网络模型的预测，从而使神经网络做出的过度自信预测的数量最小化。其他校准方法可包括直方图合并和等渗回归。可使用任意数量的校准参数来调整由神经网络输出的置信度分数。
[0071]
在校准模型是神经网络或另一机器学习模型的情况下，可以使用有监督、半监督或无监督的训练方法中的任何一种来训练神经网络。例如，可以使用包括预测标签和基准真值标签的训练数据来训练神经网络。可以使用这样的训练数据来训练神经网络，直到神经网络精确到阈值以上。在超过精度阈值时，数据处理系统可以使用校准神经网络来预测神经网络的温度(或取决于所选择的校准模型的其他参数组)，该神经网络被配置为预测在第二组放射治疗机处接受治疗的患者的治疗属性。
[0072]
在步骤240中，数据处理系统可以使用在该组一个或多个第二放射治疗机处接受治疗的第二组患者中的第一患者的一组特征来执行神经网络，以输出与第一治疗属性相关联的第一置信度分数。数据处理系统可以通过用户接口从用户(例如临床医生、医生或患者自身)接收患者的特征值，并生成包括这些值的特征矢量。附加地或替代地，数据处理系统可以响应于接收到患者的标识符而从存储器中检索患者的特征值以包括在特征矢量中。数据处理系统可以将特征矢量输入到神经网络中，并从神经网络获得包括不同治疗属性(例如不同的场几何设置)的置信度分数的输出。
[0073]
数据处理系统可以基于在用户界面处提供的患者标识符来接收患者的特征。例如，临床医生可以在终端用户设备处将第一患者的姓名输入到用户界面中，并且终端用户设备可以将姓名发送到数据处理系统。数据处理系统可以使用患者的姓名来查询包括患者信息的数据库，并检索关于患者的信息，例如患者的电子健康数据记录。例如，数据处理系
统可向数据库查询与患者的解剖结构相关联的数据，例如身体数据(例如身高、体重和/或体重指数)和/或其他与健康相关的数据(例如血压或与接受放射疗法治疗的患者相关的其他数据)和/或者几何数据。数据处理系统还可以检索与患者所接受的当前和/或先前的医疗治疗相关联的数据(例如与患者先前的手术相关联的数据)。
[0074]
如有必要，数据处理系统还可以分析患者的医疗数据记录，以识别所需的患者特征。例如，数据处理系统可查询数据库以识别患者的体重指数(bmi)。然而，由于许多医疗记录没有数字化，数据处理系统可能无法使用简单的查询技术接收患者的bmi值。结果，数据处理系统可检索患者的电子健康数据，并且可以执行一个或多个分析协议(例如自然语言处理)来识别患者的体重指数。在另一示例中，如果数据处理系统没有接收到肿瘤数据(例如终点)，则数据处理系统可执行各种图像识别协议并识别肿瘤数据。
[0075]
数据处理系统可以从一个或多个医疗专业人员处接收附加的数据。例如，治疗肿瘤学家可以访问由数据处理系统生成/托管的平台，并且可以添加、删除或修改与特定患者相关的数据，例如患者属性、治疗属性、肿瘤属性、治疗的原发部位、肿瘤阶段、终点、原发肿瘤是否已经扩展等等。由于肿瘤分期和最终级别属性是影响患者治疗的敏感信息，因此这些信息通常由治疗肿瘤学家输入。
[0076]
数据处理系统接收的数据(例如患者/治疗数据)可以属于三类：数字、分类和视觉。数字值的非限制性示例可以包括患者年龄、身体属性和描述患者的其他属性。分类值的非限制性示例可以包括与患者相关的治疗或疾病的不同阶段。视觉数据可以包括代表患者和他/她的治疗区域的医疗图像，例如示出患者肿瘤的ct扫描或其他扫描。
[0077]
患者特征的另一示例可以包括特定的肿瘤位置。更具体而言，该数据可以指示相对于患者中心线的原发肿瘤位置。该数据可以由治疗肿瘤学家输入，或者可以使用对患者的医疗图像执行的各种图像识别或分割方法来分析。如果该信息不是由治疗肿瘤学家输入的(或者在其他情况下由数据处理系统接收)，则也可以使用机器学习模型来预测该信息。另一患者属性可以指示肿瘤是否接近于其他未患病器官以及有多近。例如，待根除的肿瘤可能与另一器官相距几毫米。该信息可能会改变场几何形状，因为必须避开其他器官。
[0078]
患者特征的另一示例可包括患者是否使用假体(例如髋关节假体或股骨头假体)。这种特征可能会导致患者治疗的变化(例如特定治疗的置信度分数的变化，因为具有这些条件的患者可能需要特殊治疗)。
[0079]
神经网络可以接收关于第一患者的这些特征，并输出一个或多个治疗属性的置信度分数。第一置信度分数可以是由神经网络输出的置信度分数中的最高置信度分数，并且可以对应于数据处理系统对第一患者的治疗预测(例如第一治疗属性)。数据处理系统可以响应于比较所预测的置信度分数并将最高置信度分数识别为第一置信度分数来识别第一置信度分数。数据处理系统可以响应于确定第一置信度分数为最高预测置信度分数而确定与第一置信度分数相关联的第一治疗属性是正确的预测。在一些情况下，第一治疗属性可以是剂量或场几何设置，例如与放射治疗机的卧榻或机架相关联的角度、一组标准场几何设置、一个或多个用户化的场几何设置、机架的弧长、弧的数量、卧榻或机架的定位、施加处方剂量的时间长度等。第一治疗属性可以是本文所述的任何治疗属性。
[0080]
例如，神经网络可以被配置为输出放射治疗机的不同弧长场几何设置的置信度分数。每个置信度分数可以与不同的弧长相关联。数据处理系统可以将第一患者的特征输入
到神经网络中，并且神经网络可以输出每个弧长设置的置信度分数。数据处理系统可以将与最高置信度分数相关联的弧长场几何设置识别为正确设置。
[0081]
在另一示例中，神经网络可预测场几何设置的置信度分数，其指示出放置放射治疗机的等中心点的位置和/或放射治疗机机架的弧长或路径。如本文所用，等中心点(或辐射等中心点)是指在“射束开启”模式期间当机架旋转(例如半弧或全弧)时辐射光束在空间中相交的点。例如，神经网络对于将等中心点置于肿瘤中间并在射束开启时进行全弧机架运动的场几何设置可预测较高的置信度分数。当患者有较高的bmi或者需要避开其他正在治疗患者的机器(例如呼吸机)时，可能会出现这种情况。在另一示例中，神经网络对于具有均匀分布的几个固定管方向并且试图避开患者身体的某些结构/器官的场几何设置可预测较高的置信度分数。
[0082]
在另一示例中，神经网络可以预测患者在一个或多个弧中接受容积调强放射治疗(vmat)的场几何设置。不同的设置可以与不同数量的弧相关联。当患者超过一定的身高和/或体重时，神经网络可以做出这样的预测。在另一示例中，如果患者连接到呼吸机，神经网络可以对于两个部分弧的场几何设置预测较高的置信度分数。在治疗不同类型患者的不同放射治疗诊所处操作放射治疗机的技术人员可以使用不同数量的弧和/或基于医生经验的治疗和/或在该地区有效的治疗来治疗相似的患者，强调需要将神经网络校准到由放射治疗机和/或放射治疗诊所治疗的患者。
[0083]
数据处理系统可以基于输出置信度分数来确定事件发生的概率。例如，神经网络可以被配置为输出给定治疗将产生严重副作用的置信度分数。神经网络可以包括与严重副作用预测相关联的输出节点。数据处理系统可以将第一患者的特征输入到神经网络中，并且神经网络可以输出严重副作用预测的置信度分数。置信度分数可以指示出第一患者受到治疗的严重副作用的风险百分比。
[0084]
在步骤250中，数据处理系统可以根据校准值调整第一置信度分数，以预测第一治疗属性。除了或代替神经网络为第一患者预测的任何其他置信度分数，数据处理系统可以调整第一置信度分数。为了调整第一置信度分数，数据处理系统可以将第一置信度分数输入到包括指令的校准模块中，该指令用于接收置信度分数和所确定的校准参数并根据所确定的用于校准的校准参数来调整置信度分数。
[0085]
例如，通过使用校准模块，数据处理系统可以使用以下等式之一来调整第一置信度分数：
[0086]
或
[0087][0088]
其中x是所预测的类别(例如治疗属性)，q
hat
(x)是校准后的置信度分数，z(x)是分对数，其中其中p
hat
(x)是未校准的第一置信度分数，t是由校准模型确定的校准参数。数据处理可以将第一置信度分数(以及由神经网络输出的任何其他置信度分数)输入到校准模块中，并获得校准后的置信度分数作为回报。应注意的是，校准模块可为或包括使用校准参数来校准治疗属性的预测分数的任何一个或多个等式。
[0089]
响应于获得校准后的置信度分数，数据处理系统可在用户界面上呈现分数连同对应的治疗属性。用户、临床医生或医生可查看结果并相应地决定最佳治疗方案(例如，实施与最高置信度分数相关联的治疗，或者从与最高置信度分数相关联的一组治疗中选择治疗)。由于数据处理系统可确定并呈现被校准的置信度分数，以向在治疗普通人群子集的一组放射治疗机的放射治疗机处接受治疗的患者群体提供治疗建议，患者和医生可有利地查看所预测的置信度分数，并且对分数的准确性有信心。因此，患者和医生可使用准确的数据来确定最佳行动方案。不使用这种校准技术的系统可能会提供医生和患者可能不信任的过度自信的预测，导致患者或医生忽略这些预测，转而确定新的行动方案。
[0090]
数据处理系统可能仅显示满足预定标准的置信度分数。例如，数据处理系统可仅向用户显示最高校准置信度分数或预定数量的最高置信度分数。数据处理系统可识别最高校准置信度分数(例如校准后的第一置信度分数)并且仅在显示器的用户界面上显示最高校准置信度分数。在另一示例中，数据处理系统可以响应于确定置信度分数超过阈值(例如由用户设置的预定阈值)而仅显示最高校准置信度分数。通过使用这样的标准，数据处理系统可控制显示给用户的置信度分数和对应的治疗属性，从而确保用户仅查看神经网络做出置信预测的治疗属性的置信度分数，而不会被其他预测分散注意力。
[0091]
然而，响应于确定神经网络的输出置信度分数不满足标准(例如一组预测输出的最高置信度分数低于阈值)，数据处理系统可以生成指示无法预测治疗属性的警报。数据处理系统可发送警报以显示在放射治疗机、临床计算机和/或终端用户计算机的用户界面上。警报可以包括指示不满足标准的文本、所预测的置信度分数(例如所有或预定数量的最高置信度分数)和/或对应的治疗属性。警报可以显示在相应的设备上，并且用户可查看治疗属性和对应的置信度分数以做出治疗决定。
[0092]
数据处理系统可以使用相同的校准值来校准任何数量患者的神经网络预测，而无需对校准值进行任何进一步的训练或调整。例如，数据处理系统可以使用在一个或多个第二放射治疗机组处接受治疗的第二患者的一组特征来执行神经网络。神经网络可输出与治疗属性相关联的置信度分数(例如第一治疗属性或与最高置信度分数相关联的不同治疗属性)。神经网络可以根据用于校准第一患者的置信度分数的相同校准参数来调整新治疗属性的置信度分数。数据处理系统可以将校准后的置信度分数与其他校准后的预测置信度分数和/或与一组标准(例如阈值)进行比较。响应于确定满足标准和/或置信度分数为所预测的置信度分数中的最高者，数据处理系统可以将校准后的置信度分数和/或第二治疗属性输出到用户界面，从而将第二治疗属性指示为预测治疗特性。
[0093]
作为显示用于治疗患者的潜在治疗属性的校准后置信度分数的附加和替代，数据处理系统可向第二组放射治疗机中的放射治疗机发送指令，以调整机器的配置。例如，数据处理系统可自动发送指令，以使得放射治疗机治疗神经网络为其预测了场几何设置(例如，与最高置信度分数和/或超过阈值的置信度分数相关联的场几何设置)的患者。指令可以包括使放射治疗机使用所预测的场几何设置来治疗患者的标志或设置。在接收到指令并且在某些情况下接收到指示出患者被定位为待治疗的指示(例如用户界面上的输入)时，放射治疗机可以使用所预测的场几何设置来自动治疗患者。有利的是，因为在将治疗属性的置信度分数与阈值进行比较之前对其进行校准，所以系统可以确保对放射治疗机的场几何设置或任何其他放射治疗机属性的任何自动调整都可以是准确的，而不是基于不准确或过度自
信的预测。
[0094]
附加地或替代地，放射治疗机可以响应于在用户界面(例如显示在临床计算机或终端用户计算机上的用户界面)处接收到输入而以所预测的治疗属性来治疗患者，而不是自动地以所预测的治疗属性来治疗患者。例如，数据处理系统可以将所预测的治疗属性的指示(例如所预测的场几何设置)和治疗属性的相关置信度分数发送到放射治疗机或临床计算机或终端用户计算机。置信度分数和治疗属性可以显示在放射治疗机或临床计算机或终端用户计算机的显示器上。用户(例如患者、临床医生、医生等)可以查看并选择置信度分数和/或治疗属性。响应于接收到该选择，放射治疗机可以调整其配置以根据所选择的治疗属性来治疗患者。
[0095]
例如，数据处理系统可以确定不同vmat弧的场几何设置的置信度分数。例如，对于特定患者的治疗，数据处理系统可以使用本文所述的系统和方法来确定四个唯一vmat弧(例如可用于治疗的加速器弧)的校准后置信度分数。对于每个弧，数据处理系统可以进一步(例如利用一个或多个其他校准后或未校准的机器学习模型或确定相应弧的置信度分数的同一机器学习模型)确定并显示弧的特性的置信度分数，例如准直器角度、卧榻角度、机架终点、机架起点、等中心点位置属性(在每个轴上)、vmat类型、x1和x2夹具值等。终端用户(例如技术人员和/或治疗肿瘤学家或查看图形用户界面的任何其他医疗专业人员)可添加、修改和/或覆写所述值中的任何值，并且提供使得相应放射治疗机使用所选vmat弧和弧特性来治疗患者的输入。
[0096]
附加地或替代地，数据处理可以将多个校准后的置信度分数和治疗属性(例如所预测的分数和/或超过阈值的分数中预定数量的最高置信度分数)传输到放射治疗机、临床计算机或终端用户计算机。在这种情况下，置信度分数和相关联的治疗属性均可以分别被显示，从而用户可以选择属性以用于配置放射治疗机或以其他方式治疗患者。
[0097]
当用户在电子平台上执行活动时，数据处理系统可以跟踪和记录用户活动的细节。例如，当预测结果显示在用户的电子设备上时，数据处理系统可以监控用户的电子设备，以通过编辑、删除、接受或修订结果来识别用户是否与预测结果进行了交互。数据处理系统还可以识别每个交互的时间戳，使得数据处理系统记录修改的频率、修订/校正的持续时间。
[0098]
数据处理系统可以使用应用程序编程接口(api)来监控用户的活动。数据处理系统可以使用可执行文件来监控用户的电子设备。数据处理系统还可通过在电子设备上执行的浏览器扩展来监控在电子设备上显示的电子平台。数据处理系统可以监控多个电子设备和在这些电子设备上执行的各种应用程序。数据处理系统可以与各种电子设备通信，并且监控电子设备与在电子设备上执行应用程序的各种服务器之间的通信。
[0099]
神经网络可以使用监督方法进行训练，该方法使用在第二组放射治疗机中的一个或多个放射治疗机处接受治疗的患者的患者数据。例如，在运行期间，神经网络可预测场几何设置的置信度分数。数据处理系统可校准置信度分数，识别最高置信度分数或在其他情况下满足阈值的置信度分数，并且在用户界面上显示校准后的置信度分数和/或对应的场几何设置。用户可通过用户界面选择所预测的场几何设置以根据所预测的场几何设置来配置相应的放射治疗机，或者提供输入以指示出所预测的场几何设置未用于治疗相应的患者。接收到用户输入的设备可将指示用户输入的信号连同所预测的场几何设置和/或所治
疗的患者的患者标识符一起发送回数据处理系统。数据处理系统可以接收信号，识别用于进行预测的数据(例如通过患者标识符)，并根据用户输入来标记数据(例如1表示已使用预测来调整放射治疗机的配置，0表示未使用预测)。数据处理系统可将被标记的数据馈送到神经网络中用于训练。类似的监督方法可用于基于指示所预测的治疗属性是否被实现的输入来训练预测任何类型的治疗属性的模型。
[0100]
响应于以一个或多个患者的数据组训练神经网络，数据处理系统可以通过为新训练的神经网络确定一个或多个新的校准参数来重新校准神经网络。数据处理系统可以确定新的校准参数，因为先前的校准参数是基于神经网络先前的加权方式而确定的，并且对于由进一步训练产生的新的权重或参数可能不准确。数据处理系统可以通过与上述相同的方式确定神经网络的校准参数。当校准神经网络时，数据处理系统可以使用相同的校准数据组或不同的校准数据组，其相似地代表在一个或多个第二放射治疗机组处接受治疗的患者群体。数据处理系统可以确定新的校准参数，并使用新的校正参数对未来的患者治疗进行治疗属性预测，直到神经网络被进一步训练和/或重新校准。
[0101]
附加地或替代地，数据处理系统可以利用多个神经网络或机器学习模型来获得对患者治疗属性的预测。每个神经网络可以由在第二组放射治疗机之外接受治疗的患者的患者数据来训练，并且可以被如上所述的数据处理系统访问。数据处理系统可以为每个神经网络使用相同或不同的校准数据集来确定每个神经网络的校准值。例如，数据处理系统可以使用相同的校准数据组来校准与在放射治疗诊所处治疗患者相关联的多个神经网络。然而，由于神经网络最初可能是基于不同组的训练数据进行训练的，因此每个神经网络的校准参数可能不同。在被校准后，数据处理系统可将患者的相同患者特征输入到每个神经网络，以获得用于治疗患者的一个或多个治疗属性的置信度分数。
[0102]
在一个示例中，数据处理系统可以将每个神经网络的输出置信度分数相互比较。数据处理系统可以识别最高置信度分数并选择与最高置信度分数相关联的治疗属性以供显示和/或自动用于以放射治疗机治疗患者。有利的是，通过使用多个神经网络，数据处理系统可以将神经网络最确信的治疗属性识别为正确的治疗属性预测，并提出使用该治疗属性进行治疗的建议。使用多个神经网络可为数据处理系统提供更多的数据来选择治疗属性，从而实现更明智的决策。此外，由于每个神经网络都是单独校准的，因此与基于多个未校准模型或一个校准后的模型进行的预测相比，最高校准置信度分数更可能是准确的和/或与正确的治疗属性相关联。
[0103]
在另一示例中，数据处理系统可以聚合每个神经网络的相应的输出置信度分数(例如相同治疗属性的置信度分数)，以确定待预测的治疗属性。数据处理系统可以聚合神经网络上的置信度分数输出，并将每个治疗属性的聚合置信度分数相互比较。数据处理系统可以选择与最高置信度分数相关联的治疗属性作为所预测的治疗属性以供显示或用于调整放射治疗机以进行治疗。因此，数据处理系统可以从多个校准后的神经网络中众包置信度分数预测，以识别治疗属性预测，从而进一步提高这种预测的准确性，并且避免使用单一不准确的和/或过度自信的置信度分数预测。
[0104]
使用本文所述的系统和方法，数据处理系统可以具有形式化的方法，以基于取决于患者、患者的治疗和/或诊所的各种变量、参数和设置在单个自动化框架中生成治疗属性。本文所述的系统和方法使得与本地诊所相关联(例如位于本地诊所中)的中央服务器或
处理器能够基于诊所的标准治疗来生成针对个体患者优化的治疗属性，从而取代依赖技术人员或医生的主观技能和理解的需要。该系统和方法可使得中央服务器或处理器能够在不使用来自在诊所接受治疗的患者的训练数据的情况下这样做，所述训练数据可能并不总是可用的。
[0105]
现在参考图3，其示出了校准数据组300的非限制性示例。校准数据组300可以包括多个校准患者数据组302a-n(在下文中被描述为校准患者数据组302)。校准患者数据组302可以被馈送到机器学习模型(例如外部训练的机器学习模型)，例如如上所述的神经网络，以生成场几何预测或与rttp治疗有关的其他预测。校准数据组300可以包括任意数量的校准患者数据组302。校准数据组300可以被考虑为一个或多个数据组。
[0106]
每个校准患者数据组302可以包括一个或多个患者特征或指示特定患者的特征的属性。该特征或属性可以包括识别患者的特征、患者当前如何被治疗(例如辐射剂量分布和/或rttp的其他方面)、tnm分期信息和/或患者正遭受可以通过放射疗法来治疗的问题的位置(例如肿瘤的位置、大小和/或形状)的值。特征或属性可以附加地或替代地包括患者的目标或器官的图像数据。在一个非限制性示例中，患者数据组可包括与患者的性别、体重、身高、剂量分布、目标器官、体重指数、几何形状等有关的数据。校准患者数据组302可包括患者的任何属性或特征。
[0107]
校准数据组300可以代表在特定放射治疗诊所或由位于某个地理区域内的放射治疗机治疗的患者群体。例如，不同的放射治疗机和/或放射治疗诊所可治疗有不同类型问题的人和/或使用不同的方法来治疗这些问题。示例可以包括不同的机器或诊所，其可以治疗不同的性别比率、有不同类型问题的人、不同的体重分布、易受不同类型和极端副作用影响的人等等。这种代表性数据组可以手动选择或者由计算机通过识别患者的不同特征的平均基线并通过识别在聚集在一起时具有匹配或在平均基线阈值内的特征的患者来选择。有利的是，因为校准数据组300可代表在某个诊所或特定机器组处接受治疗的人群，所以该数据组可用于精确地校准机器学习模型，以预测在该诊所或放射治疗机组处用于治疗患者的治疗属性。不使用这种代表性校准数据组的系统可能导致机器学习模型被不准确地校准，从而降低机器学习模型的置信度分数预测的准确性。
[0108]
现在参考图4，其示出了用于校准机器学习模型并使用机器学习模型来预测场几何预测以治疗患者的序列400的非限制性示例。序列400可以包括用于生成机器学习模型的校准参数的序列402和用于使用校准参数对患者进行场几何设置(或其他治疗属性)预测的序列404。
[0109]
在序列402中，可以将校准特征406输入到机器学习模型408中。校准特征406可代表在一个或多个放射治疗诊所处由一组放射治疗机治疗的患者群体。例如，在一个非限制性示例中，校准特征406可以代表在美国西北地区的放射治疗机处或在同一地区内的当地诊所处接受治疗的人。个体患者的校准特征406可由计算机(例如诊所的计算机)或在云端循序地输入或插入到机器学习模型408中。机器学习模型408可以输出rttp预测，例如指示出每个患者的预测治疗的治疗属性预测410。
[0110]
机器学习模型408可以是任何机器学习模型，例如神经网络、随机森林、支持向量机等。机器学习模型406可能已经被训练来预测不同的治疗属性，例如治疗模式、场几何设置、症状可能性等。机器学习模型408可能已经通过使用来自在上述放射治疗机组之外的放
射治疗机处接受治疗的患者的数据进行了训练。放射治疗诊所处的计算机(例如与放射治疗机组相关联)可以通过检索或接收机器学习模型408(例如通过http get请求)或通过访问存储有机器学习模型的云数据库或服务器来访问机械学习模型408。在访问机器学习模型408时，计算机可以将校准特征406输入到机器学习模型中，以获得治疗属性预测410。
[0111]
在为校准特征406的每个患者生成治疗属性预测410时，计算机可以将治疗属性预测410连同表示与治疗属性预测410相关联的基准真值的治疗属性标签414(例如对应于校准特征的正确标签)一起输入到校准模型412中。例如，治疗属性预测410可以是包括二进制值的矢量，其指示出是否应当用标准场几何设置来治疗患者。治疗属性标签414可以是指示每个患者的正确预测(例如正确的二进制值)的相同大小的矢量。校准模型412可以是机器学习模型，例如神经网络，或优化算法，其被配置为接收治疗属性预测410和治疗属性标签414，并基于治疗属性预测和治疗属性标签414输出一个或多个校准参数416。
[0112]
校准参数416可以是一个或多个可用于校准由机器学习模型408输出的不同标签或分类的置信度分数的校准参数。例如，校准参数416可为温度值，其可以用于温度缩放以调整由机器学习模型408输出的置信度分数。校准参数416可以是由校准模型412输出的任何校准值。校准参数416可用于输出由机器学习模型408输出的任何预测，从而校准由机器学习模块408做出的预测。
[0113]
在获得校准参数416之后，在序列404处，由对其校准了机器学习模型408的同一组放射治疗机中的一个放射治疗机治疗的患者的患者特征418可以被输入到机器学习模型408中。患者特征418可以包括与校准特征406的患者特征相同的属性或特征的值。机器学习模型408可以接收患者特征418并输出治疗属性预测420，其包括不同治疗属性(例如场几何设置)的一个或多个置信度分数。计算机可以将治疗属性预测420与先前确定的校准参数416一起输入到预测调整器422中。预测调整器422可以包括可由一个或多个处理器执行的指令，该指令使得处理器使用校准参数416对治疗属性预测420执行一个或多个操作以输出校准后的治疗属性预测424，其包括由机器学习模型408输出的治疗属性预测420的校准置信度分数。
[0114]
计算机可以获得校准后的治疗属性预测424，并使用该预测执行若干动作。例如，计算机可以连接到放射治疗机组中的放射治疗机，并且治疗属性预测424可包括不同场几何设置的置信度分数。计算机可将校准后的治疗属性预测424的置信度分数与阈值(例如预定阈值)进行比较。响应于识别出超过阈值的置信度分数，计算机可识别与超过阈值的置信度分数相关联的场几何设置，并且使用场几何设置来调整或操作放射治疗机以治疗患者。在另一示例中，计算机可以向诸如患者、医生或临床医生之类的用户显示一个或多个置信度分数和相关联的场几何设置。用户可同意该预测，并且提供使放射治疗机根据所显示的设置调整其配置的输入，或者提供拒绝所显示设置的输入。这在如下情况下可为有利的，即机器学习模型408对特定治疗的置信度不高于阈值(例如，系统可响应于确定校准后的置信度分数不超过阈值而显示设置)，或者患者更愿意自己做出决定而不是依赖于计算机。
[0115]
结合本文公开的实施例所述的各种说明性逻辑块、模块、电路和算法步骤可实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种互换性，上文已经就其功能性大体上描述了各种说明性组件、块、模块、电路和步骤。这种功能是实现为硬件还是软件取决于特定的应用和施加在整个系统上的设计约束。所属领域的技术人员可针
对每个特定应用以不同方式实现所述功能，但此类实现决策不应被解读为使得偏离本公开或权利要求的范围。
[0116]
以计算机软件实现的实施例可通过软件、固件、中间件、微码、硬件描述语言或其任何组合实现。代码段或机器可执行的指令可以代表过程、函数、子程序、程序、例程、子例程、模块、软件包、类或者指令、数据结构或程序语句的任何组合。代码段可通过传递和/或接收信息、数据、自变量、参数或存储器内容而耦合到另一代码段或硬件电路。信息、自变量、参数、数据等可通过任何合适的方式被传递、转发或传输，包括存储器共享、消息传递、令牌传递、网络传输等。
[0117]
用于实现这些系统和方法的实际软件代码或专用控制硬件不限制所要求保护的特征或本公开。因此，在没有参考特定软件代码的情况下说明了系统和方法的运行和行为，应理解的是，软件和控制硬件可被设计为基于本文的说明来实现系统和方法。
[0118]
当以软件实现时，功能可以作为一个或多个指令或代码存储在非暂时性计算机可读或处理器可读存储介质上。本文所公开的方法或算法的步骤可以体现在处理器可执行的软件模块中，其可以存在于计算机可读或处理器可读存储介质上。一种非暂时性计算机可读或处理器可读介质包括计算机存储介质和有助于将计算机程序从一个地方转移到另一个地方的有形存储介质。非暂时性处理器可读存储介质可以是计算机可访问的任何可用介质。作为示例而非限制，这种非暂时性处理器可读介质可包括ram、rom、eeprom、cd-rom或其他光盘存储器、磁盘存储器或其他磁性存储设备，或者可用于以指令或数据结构的形式存储所需程序代码且可由计算机或处理器访问的任何其他有形存储介质。如本文所使用的磁盘或光盘包括压缩盘(cd)、激光盘、光盘、数字多功能盘(dvd)、软盘和蓝光盘，其中磁盘通常以磁性方式复现数据，而光盘利用激光以光学方式复现数据。以上所述的组合也应包括在计算机可读介质的范围内。此外，方法或算法的运行可作为一个代码和/或指令或其任何组合或集合存在于非暂时性处理器可读介质和/或计算机可读介质上，其可被包含到计算机程序产品中。
[0119]
前述对公开实施例的说明被提供用于使得本领域的任何技术人员能够创建或使用本文所述的实施例及其变体。对这些实施例的各种修改对于本领域的技术人员来说将是显而易见的，并且在不脱离本文所公开主题的精神或范围的情况下，本文所定义的原理可应用于其他实施例。因此，本公开不旨在局限于本文所示的实施例，而是应符合与权利要求以及本文所公开的原理和新颖特征一致的最宽范围。
[0120]
虽然已公开了各个方面和实施例，但也可考虑其他方面和实施方案。所公开的各个方面和实施例是为了说明的目的，而不旨在限制，真正的范围和精神由权利要求指明。

技术特征：
1.一种方法，包括：通过一个或多个处理器访问基于第一组数据训练的神经网络，所述第一组数据从在一组一个或多个第一放射治疗机处接受治疗的第一组患者的多个特征值中生成；由所述一个或多个处理器使用第二组数据执行所述神经网络以输出一组治疗属性预测，所述第二组数据包括在一组一个或多个第二放射治疗机处接受治疗的第二组患者的多个特征值，所述第二组数据具有指示预期治疗属性预测的对应的多个标签；由所述一个或多个处理器使用所述一组治疗属性预测和指示预期治疗属性预测的所述多个标签来执行校准模型，以输出校准值；由所述一个或多个处理器使用在所述一组一个或多个第二放射治疗机处接受治疗的所述第二组患者中的第一患者的一组特征来执行所述神经网络，以输出与第一治疗属性相关联的第一置信度分数；并且由所述一个或多个处理器根据所述校准值调整所述第一置信度分数，以预测所述第一治疗属性。2.根据权利要求1所述的方法，进一步包括：由所述一个或多个处理器使用在所述一组一个或多个第二放射治疗机处接受治疗的所述第二组患者中的第二患者的一组特征来执行所述神经网络，以输出与第二治疗属性相关联的第二置信度分数，并且根据所述校准值调整所述第二置信度分数，以预测所述第二治疗属性。3.根据权利要求1或2所述的方法，其中预测所述第一治疗属性包括：将调整后的所述第一置信度分数与阈值进行比较，并且响应于确定调整后的所述第一置信度分数超过所述阈值，预测所述第一治疗属性。4.根据权利要求1、2或3所述的方法，进一步包括：由所述一个或多个处理器根据所述第一治疗属性来调整所述一组一个或多个第二放射治疗机中的第二放射治疗机的配置。5.根据权利要求1至4中任一项所述的方法，进一步包括：由所述一个或多个处理器在显示器上呈现调整后的所述第一置信度分数和所述第一治疗属性；由所述一个或多个处理器接收选择所述第一治疗属性的用户输入；并且响应于接收到所述用户输入，由所述一个或多个处理器基于所述第一治疗属性来调整所述一组一个或多个第二放射治疗机中的第二放射治疗机的配置。6.根据权利要求1至5中任一项所述的方法，其中所述神经网络是第一神经网络，并且所述校准值是第一校准值，所述方法进一步包括：由所述一个或多个处理器使用所述第一患者的所述一组特征来执行第二神经网络，以输出第二治疗属性的第二置信度分数；并且由所述一个或多个处理器根据对应于所述第二神经网络的第二校准值来调整与所述第二治疗属性相关联的所述第二置信度分数，所述第二校准值是基于所述第二组数据生成的；其中响应于所述第一置信度分数超过所述第二置信度分数，执行对所述第一治疗属性的预测。
7.根据权利要求1至6中任一项所述的方法，其中所述第一治疗属性是与放射治疗机的卧榻或机架相关联的角度。8.根据权利要求1至7中任一项所述的方法，其中预测所述第一治疗属性包括：由所述一个或多个处理器使用所述第一患者的所述一组特征来执行多个神经网络，以输出多个治疗属性的置信度分数，每个神经网络与不同的校准值相关联；由所述一个或多个处理器根据与相应神经网络相关联的校准值来调整所述多个神经网络中的每个神经网络的所输出的置信度分数；并且由所述一个或多个处理器通过聚合对应于个体治疗属性的调整后的所述置信度分数来预测所述第一治疗属性。9.根据权利要求1至8中任一项所述的方法，进一步包括：由所述一个或多个处理器响应于根据监督学习算法从根据放射治疗机是否基于所预测的治疗属性调整了该放射治疗机的配置而标记的值的训练集中训练所述神经网络，调整所述校准值。10.根据权利要求1至9中任一项所述的方法，其中所述校准模型是机器学习模型或数学优化算法。11.根据权利要求1至10中任一项所述的方法，进一步包括：由所述一个或多个处理器通过使用在所述第二放射治疗诊所处接受治疗的第三患者的一组特征执行所述神经网络来预测与第三治疗属性相关联的第三置信度分数；由所述一个或多个处理器根据所述校准值来调整所述第三置信度分数；响应于确定调整后的所述第三置信度分数不超过阈值，由所述一个或多个处理器在显示器上呈现所述第三置信度分数和所述第三置信度分数不超过所述阈值的指示。12.根据权利要求1至11中任一项所述的方法，其中所述神经网络仅基于与所述第一组患者相关联的数据进行训练。13.一种系统，包括：与一个放射治疗机通信的一个或多个处理器，所述处理器被配置为执行指令以用于：访问基于第一组数据训练的神经网络，所述第一组数据从在一组一个或多个第一放射治疗机处接受治疗的第一组患者的多个特征值中生成；使用第二组数据执行所述神经网络以输出一组治疗属性预测，所述第二组数据包括在一组一个或多个第二放射治疗机处接受治疗的第二组患者的多个特征值，所述第二组数据具有指示预期治疗属性预测的对应的多个标签；使用所述一组治疗属性预测和指示预期治疗属性预测的所述多个标签来执行校准模型，以输出校准值；使用在所述一组一个或多个第二放射治疗机处接受治疗的所述第二组患者中的第一患者的一组特征来执行所述神经网络，以输出与第一治疗属性相关联的第一置信度分数；并且根据所述校准值调整所述第一置信度分数，以预测所述第一治疗属性。14.根据权利要求13所述的系统，其中所述处理器进一步被配置为：使用在所述一组一个或多个第二放射治疗机处接受治疗的所述第二组患者中的第二患者的一组特征来执行所述神经网络，以输出与第二治疗属性相关联的第二置信度分数，
并且根据所述校准值调整所述第二置信度分数，以预测所述第二治疗属性。15.根据权利要求13或14所述的系统，其中所述处理器被配置为通过以下方式预测所述第一治疗属性：比较调整后的所述第一置信度分数与阈值，并且响应于确定调整后的所述第一置信度分数超过所述阈值，预测所述第一治疗属性。16.根据权利要求13至15中任一项所述的系统，其中所述处理器进一步被配置为：根据所述第一治疗属性来调整所述一组一个或多个第二放射治疗机中的第二放射治疗机的配置。17.根据权利要求13至16中任一项所述的系统，其中所述处理器进一步被配置为：在显示器上呈现调整后的所述第一置信度分数和所述第一治疗属性；接收选择所述第一治疗属性的用户输入；并且响应于接收到所述用户输入，基于所述第一治疗属性来调整所述一组一个或多个第二放射治疗机中的第二放射治疗机的配置。18.根据权利要求13至17中任一项所述的系统，其中所述神经网络是第一神经网络，并且所述校准值是第一校准值，并且其中所述处理器进一步被配置为：使用所述第一患者的所述一组特征来执行第二神经网络，以输出第二治疗属性的第二置信度分数；并且根据对应于所述第二神经网络的第二校准值来调整与所述第二治疗属性相关联的所述第二置信度分数，其中所述处理器被配置为响应于所述第一置信度分数超过所述第二置信度分数，预测所述第一治疗属性。19.根据权利要求13至18中任一项所述的系统，其中所述第一治疗属性是与放射治疗机的卧榻或机架相关联的角度。20.根据权利要求13至19中任一项所述的方法，其中所述处理器被配置为通过以下方式预测所述第一治疗属性：使用所述第一患者的所述一组特征来执行多个神经网络，以输出多个治疗属性的置信度分数，每个神经网络与不同的校准值相关联；根据与相应神经网络相关联的校准值来调整所述多个神经网络中的每个神经网络的所输出的置信度分数；并且通过聚合对应于个体治疗属性的调整后的所述置信度分数来预测所述第一治疗属性。21.根据权利要求13至20中任一项所述的系统，其中所述处理器被配置为执行权利要求9至12中任一所述的方法。

技术总结
本文公开了用于识别患者的放射疗法治疗数据的系统和方法。处理器访问(210)基于第一组数据训练的神经网络，该第一组数据从在一个或多个第一放射治疗机处接受治疗的第一组患者的特征值中生成。处理器使用第二组数据执行(220)神经网络，该第二组数据包括在一个或多个第二放射治疗机处接受治疗的第二组患者的特征值。处理器基于第二组数据使用神经网络的输出来执行(230)校准模型，以输出校准值。处理器使用第一患者的一组特征来执行(240)神经网络，以输出与第一治疗属性相关联的第一置信度分数。然后，处理器根据校准值调整(250)第一置信度分数，以预测第一治疗属性。以预测第一治疗属性。以预测第一治疗属性。


技术研发人员：M
受保护的技术使用者：西门子医疗国际股份有限公司
技术研发日：2021.12.15
技术公布日：2023/8/13