具体实施方式

以下描述中阐述的技术细节使得本领域技术人员能够实现本公开的一个或多个实施例。

图1是示出用于放射治疗的示例过程流程100的示意图。示例过程100可以包括由一个或多个框示出的一个或多个操作、功能或动作。基于期望实现，各种框可以组合成更少的框、分成更多的框、和/或被消除。在图1的示例中，放射治疗通常包括各个阶段，诸如成像系统针对患者执行图像数据采集(参见110)；放射治疗规划系统(参见130)针对患者生成合适的治疗计划(参见156)；以及治疗递送系统根据治疗计划递送治疗(参见160)。

更详细地，在图1中的110处，可以使用成像系统执行图像数据采集以捕获与患者(特别是患者的解剖结构)相关联的图像数据120。可以使用任何合适的一个或多个医学图像模态，诸如计算机断层扫描(CT)、锥形束计算机断层扫描(CBCT)、正电子发射断层扫描(PET)、磁共振成像(MRI)和/或单光子发射计算机断层扫描(SPECT)、或其任何组合等。例如，当使用CT或MRI时，图像数据120可以包括一系列二维(2D)图像或切片，每个图像或切片表示患者解剖结构的横截面视图，或者可以包括患者的体积或三维(3D)图像，或者可以包括患者的2D或3D图像的时间序列(例如，四维(4D)CT或4DCBCT)。

在图1中的130处，可以在规划阶段执行放射治疗规划以基于图像数据120生成治疗计划156。可以执行任何合适数目的治疗规划任务或步骤，诸如分割、剂量预测、投影数据预测、和/或治疗计划生成等。例如，可以执行分割以生成标识来自图像数据120的各种分段或结构的结构数据140。实际上，可以从图像数据120重构患者的解剖结构的三维(3D)体积。将会受到放射的3D体积被称为治疗或放射体积，治疗或放射体积可以被划分为多个更小体积像素(体素)142。每个体素142表示与治疗体积内的位置(i,j,k)相关联的3D元素。结构数据140可以包括与患者的解剖结构144、目标146和/或风险器官(OAR)148等的轮廓、形状、大小和位置有关的任何合适的数据。实际上，OAR 148可以表示任何适当描绘的器官和/或非目标结构(例如，骨骼、组织等)等。

例如，使用图像分割，可以在图像的一部分周围画一条线并且将其标记为目标146(例如，标记有标签＝“前列腺”)。线内的所有内容都将被视为目标146，而线外的所有内容都不会被视为目标146。在另一示例中，可以执行剂量预测以生成剂量数据150，该剂量数据150指定要递送到目标146的放射剂量(在152处表示为“D_TAR”)和用于OAR 148的放射剂量(在154处表示为“D_OAR”)。实际上，目标146可以表示需要放射治疗的恶性肿瘤(例如，前列腺肿瘤等)，而OAR 148表示可能受到治疗的不利影响的近端健康结构或非目标结构(例如，直肠、膀胱等)。目标146也称为规划目标体积(PTV)。尽管在图1中示出了一个示例，但是治疗体积可以包括具有复杂形状和尺寸的多个目标146和OAR 148。此外，虽然示出为具有规则形状(例如，立方体)，但体素142可以具有任何合适的形状(例如，非规则的)。根据期望实现，框130处的放射治疗规划可以基于任何附加和/或替代数据来执行，诸如处方、疾病分期、生物学或放射学数据、遗传数据、化验数据、活检数据、和/或过去的治疗或病史、或其任何组合等。

基于结构数据140和剂量数据150，可以生成治疗计划156以包括用于一组射束取向或角度的2D注量图数据。每个注量图指定在特定射束取向和特定时间从放射源发射的放射束的强度和形状(例如，由多叶准直仪(MLC)确定)。例如，在实践中，调强放射治疗(IMRT)或任何其他治疗技术可以涉及改变放射束的形状和强度，同时机架和病床角度保持恒定。替代地或另外地，治疗计划156可以包括机器控制点数据(例如，下颌(jaw)和叶片位置)、用于控制治疗递送系统的体积调制弧光疗法(VMAT)轨迹数据等。实际上，框130可以基于由临床医生(例如，肿瘤学家、剂量师、规划师等)规定的目标剂量来执行，诸如基于临床医生的经验、肿瘤的类型和范围、和/或患者的几何形状和状况等。

在图1中的160处，在治疗阶段执行治疗递送以根据治疗计划156向患者递送放射。例如，放射治疗递送系统160可以包括可旋转机架164，放射源166附接到该机架164。在治疗递送期间，机架164围绕被支撑在结构172(例如，桌台)上的患者170进行旋转以根据治疗计划156以各种射束取向发射放射束168。控制器162可以用于检索治疗计划156并且控制机架164，放射源166和放射束168以根据治疗计划156递送放射治疗。放射可以被设计为治疗性的、姑息性的、辅助性的等。

应当理解，可以使用任何合适的放射治疗递送系统，诸如基于机械臂的系统、断层放疗类型系统、近距离放射治疗、SIR球、和/或放射性药物、或其任何组合等。此外，本公开的示例可以适用于粒子递送系统(例如，质子和/或碳离子等)。这样的系统可以使用散射粒子束，散射粒子束然后由类似于MLC的设备进行整形，或者这样的系统可以使用可调节能量、光斑大小和停留时间的扫描束。

通常，图1中的框130处的放射治疗规划是时间和劳动密集型的。例如，它通常需要由高技能和训练有素的肿瘤学家和剂量学家组成的团队通过在图像数据120上绘制轮廓或分割来手动描绘感兴趣的结构。这些结构由医生手动审查，可能需要调节或重新绘制。在很多情况下，关键器官的分割可能是放射治疗规划中最耗时的部分。在对结构达成一致之后，还有附加的劳动密集型步骤来处理结构以生成临床最佳治疗计划，以指定诸如射束取向和轨迹等治疗递送数据、以及对应的2D能量密度图。

此外，由于不同医生和/或临床区域之间对于什么构成“良好”轮廓或分割缺乏共识，治疗计划经常变得复杂。在实践中，不同临床专家绘制结构或分段的方式可能存在巨大变化。这种变化可能导致目标体积大小和形状、以及应当接受最小放射剂量的OAR的精确接近度、大小和形状的不确定性。即使对于特定专家，在不同日期绘制细分的方式也可能有所不同。由于缺乏一致性，治疗计划可能会导致患者的临床结果不同，并且很难评估最终治疗计划是否“良好”。

根据本公开的示例，可以应用人工智能(A1)技术来改善与放射治疗规划相关联的各种挑战。贯穿本公开，术语“AI引擎”通常可以指代能够根据任何合适的AI模型(例如，深度学习模型等)执行算法的计算机系统的任何合适的硬件和/或软件组件。术语“深度学习”通常可以是指利用非线性数据处理的很多层或阶段进行特征学习以及模式分析和/或分类的一类方法。“深度学习模型”可以是指非线性数据处理的“层”的层次结构，包括输入层、输出层、以及在输入层与输出层之间的多个(即，两个或更多个)“隐藏”层。这些层可以从端到端(例如，从输入层到输出层)被训练以从输入中提取特征并且对特征进行分类以产生输出(例如，分类标签或类)。术语“深度学习引擎”可以指代能够根据任何合适的深度学习模型执行算法的计算机系统的任何合适的硬件和/或软件组件。

根据期望的实现方式，可以使用任何合适的深度学习模型，诸如卷积神经网络、循环神经网络和/或深度信念网络、或其任何组合等。在实践中，神经网络通常是使用经由连接(称为“突触”、“权重”等)被互连的处理元素(称为“神经元”、“节点”等)的网络而形成的。例如，卷积神经网络可以使用任何合适的架构来实现，诸如U-net、LeNet、AlexNet、ResNet和/或V-net、DenseNet等。在这种情况下，卷积神经网络的“层”可以是卷积层、池化层、整流线性单元(ReLU)层、全连接层和/或损失层等。在实践中，U-net架构包括收缩路径(左侧)和扩展路径(右侧)。收缩路径包括卷积的重复应用，然后是ReLU层和最大池化层。扩展路径中的每一步都可以包括特征图的上采样，然后是卷积等。

深度学习方法应当与已经被应用于例如自动分割的机器学习方法进行对比。通常，这些方法涉及从图像中提取(手工设计的)特征向量，诸如针对每个体素等的特征向量。然后，特征向量可以用作机器学习模型的输入，该机器学习模型对每个体素属于哪个类进行分类。然而，这种机器学习方法通常依赖于高维度的手工设计特征以便准确预测每个体素的类标签。解决高维分类问题的计算成本很高，并且需要大量内存。一些方法使用低维特征(例如，使用降维技术)，但它们可能会降低预测精度。

传统上，存在与训练用于放射治疗规划的AI引擎(例如，深度学习引擎)相关联的很多挑战。例如，不同规划者通常在放射治疗规划中具有不同的临床实践。为了根据特定的临床实践训练AI引擎，一种选择是开发特定的内部模型。但是，如果不收集大量精选的训练数据，可能很难获取理想的训练结果。此外，虽然概念上很简单，但训练AI引擎通常需要与模型架构、优化、收敛分析和/或正则化等相关的重要技术专长。这些挑战可能会导致欠优化结果，或者更糟糕的是，导致无法创建任何有效的AI引擎。这种复杂性可能会阻止用户训练和使用AI引擎执行放射治疗规划，这是不期望的。

质量感知持续学习

根据本公开的示例，可以实现质量感知持续学习以改进用于放射治疗规划的AI引擎的性能。如本文中使用的，术语“持续学习”(也称为“终生学习”、“增量学习”和“顺序学习”)通常可以指代引擎在其整个操作过程中基于附加训练数据被修改或改进的技术。术语“质量感知”通常可以指代用于决定是否应当执行持续学习的质量评估过程。

使用质量感知方法，可以基于已经评估的训练数据随时间修改或改进已训练AI引擎。通过提高AI引擎的质量和适应性，还可以改善患者的治疗规划结果，诸如提高肿瘤控制概率和/或降低健康结构中因放射过量导致健康并发症或死亡的可能性等。本公开的示例可以以任何合适的方式部署，例如独立的计算机系统和/或基于网络的规划即服务(PaaS)系统或其任何组合等。

更详细地，图2是示出计算机系统执行的用于放射治疗规划的质量感知持续学习的示例过程200的流程图。示例过程200可以包括由一个或多个框(诸如210至270)示出的一个或多个操作、功能或动作。基于期望的实现方式，各种框可以组合成更少的框、分成更多的框和/或被消除。示例过程200可以使用任何合适的计算机系统来实现，其示例将使用图11来讨论。将使用图3说明一些示例，图3是示出根据图2中的示例的用于放射治疗规划的示例质量感知持续学习的示意图。

在图2中的210处，可以获取被训练以执行放射治疗规划任务的治疗规划AI引擎(参见图3中的320)。此外，术语“获取”通常可以是指计算机系统从任何合适的源(例如，另一计算机系统)、存储器或数据存储库(例如，本地或远程)等访问或检索与深度学习引擎320相关联的数据和/或计算机可读指令。在训练阶段301期间，AI引擎320可以基于包括与多个过去患者相关联的治疗计划的第一训练数据(参见图3中的310)被训练。注意，“第一训练数据”310可以包括合成训练数据，合成训练数据是源自过去患者的训练案例。

在图2中的220处，可以在推理阶段302使用AI引擎320执行放射治疗规划任务。例如，基于与特定患者相关联的输入数据(参见图3中的330)，AI引擎320可以执行放射治疗规划任务以生成与患者相关联的输出数据(参见图3中的340)。在实践中，AI引擎320可以被训练以执行任何合适的放射治疗规划任务，诸如自动分割、剂量预测、治疗递送数据估计、异常器官检测和/或治疗结果预测、或其任何组合。

在自动分割的情况下，可以训练AI引擎320以基于输入＝图像数据(例如，图1中的120)来生成输出＝结构数据(例如，图1中的140)。在剂量预测的情况下，引擎320可以被训练以基于输入＝结构数据和射束几何数据来生成输出＝剂量数据(例如，图1中的150)。在治疗递送数据估计的情况下，引擎320可以被训练以基于输入＝结构数据和/或剂量数据等来生成输出＝治疗递送数据(例如，注量图数据和/或结构投影数据等)。

在图2中的230处，可以获取包括对输出数据340的修改的经修改的输出数据(参见图3中的350)。术语“修改”通常可以指代可以对输出数据进行的添加、删除、校正、改变、移动、选择或变更。经修改的输出数据350可以由治疗规划者生成(参见图3中的355)。另外，“治疗规划者”或“规划者”通常可以指代个人、个人群体、机构、临床站点或网络、和/或临床区域、或其任何组合。例如，个人可以是剂量师、临床医生、物理学家、医务人员等。在某些情况下，“治疗规划者”可以是另一计算机算法。

实际上，可以由治疗规划者355根据与治疗规划者相关联的任何合适的临床指南、规划策略和/或规划实践做出修改。例如，在自动分割的情况下(将使用图4讨论)，经修改的输出数据350可以包括对与结构(例如，OAR或目标)相关联的分割边界做出的修改。在相关剂量预测(将使用图7讨论)中，经修改的输出数据350可以包括对OAR备用等做出的修改。可以使用任何替代和/或附加修改。

在图2的240处，可以基于(a)与经修改的输出数据350相关联的第一质量指标数据(参见图3中的360/361)和/或(b)与治疗规划者355相关联的第二质量指标数据(参见图3中的360/362)来执行经修改的输出数据350的质量评估。如本文中使用的，术语“质量指标数据”通常可以指代有助于告知关于是否需要基于经修改的输出数据350执行持续学习的决策过程的任何定性和/或定量因素或变量。

在图3的示例中，框240可以包括通过对经修改的输出数据350应用统计模型来确定统计模型参数数据形式的第一质量指标数据(参见图3中的361)。另外地和/或替代地，框240可以包括从多个规划者中标识第i个治疗规划者，并且确定指派给第i个治疗规划者的可信度得分C(i)的形式的第二质量指标数据(参见图3中的362)。术语“可信度得分”(将使用图6进一步讨论)通常可以指代任何合适的量化度量，其代表特定治疗规划者的声誉或可信度。

在图2的250处，可以基于框240处的质量评估来做出关于是否接受经修改的输出数据350以用于持续学习的决定。在图2中的260处，响应于用于接受的决定(参见图3中的370)，可以通过在持续学习阶段303期间基于经修改的输出数据360重新训练AI引擎320来生成经修改的AI引擎(参见图3中的390)。否则，在图2的270处，将不执行基于经修改的输出数据360的持续学习(也参见图3中的375)。在实践中，框260的重新训练过程可以涉及修改或改进与AI引擎320相关联的权重数据。此外，框260可以涉及基于经修改的输出数据360生成第二训练数据(参见图3中的380)以用于重新训练过程。还可以基于(a)第一质量指标数据361和/或(b)第二质量指标数据362向经修改的输出数据360指派案例权重以影响重新训练过程。

根据期望的实现方式，可以针对一批经修改的输出数据350执行框260处的重新训练过程。例如，该批(batch)可以包括由多个治疗规划者在一段时间内做出的修改。出于质量保证的目的，重新训练过程可以周期性地执行，使得已重新训练或经修改的AI引擎350可以在部署之前经历某种形式的质量保证检查。

根据本公开的示例，可以使用已经评估质量的附加训练数据来改进持续学习阶段303。如果被拒绝，则不执行持续学习，从而提高效率并且减少劣质或冗余训练数据的负面影响。下面将使用图4至图11讨论各种示例。特别地，将使用图4讨论示例自动分割，将使用图5讨论示例质量评估，将使用图6讨论示例可信度得分指派，将使用图7讨论示例剂量预测，将使用图8讨论示例多技术AI引擎，将使用图9讨论可信度得分的各种用例，将使用图10讨论示例治疗计划，将使用图11讨论示例计算机系统。

自动分割示例

图4是示出用于自动分割400的示例质量感知持续学习的示意图。在该示例中，可以在训练阶段401使用第一训练数据410来训练AI引擎420(以下也称为“分割引擎”)；在推理阶段402应用AI引擎420以执行自动分割；并且在持续学习阶段403更新AI引擎420。在实践中，自动分割的输出可以用于异常器官检测、剂量预测和/或治疗递送数据估计等。

(a)训练阶段(参见图4中的401)

在训练阶段401，可以训练分割引擎420以将训练图像数据411(即，输入)映射到训练结构数据412(即，输出)。在实践中，图像数据411可以包括患者的解剖部位的2D或3D图像，并且使用任何合适的成像模态来捕获。结构数据412可以从图像数据411中标识结构的任何合适的轮廓、形状、尺寸和/或位置。示例结构可以包括解剖部位的目标、OAR或任何其他感兴趣结构(例如，组织、骨)。根据期望实现，结构数据412可以标识具有任何合适形状和尺寸的多个目标和OAR。

例如，关于前列腺癌，图像数据411可以包括部位＝前列腺区域的图像。在这种情况下，结构数据412可以标识表示每个患者的前列腺的目标、以及表示诸如直肠和膀胱等近端健康结构的OAR。关于肺癌治疗，图像数据411可以包括肺区域的图像。在这种情况下，结构数据412可以标识表示癌性肺组织的目标、以及表示近端健康肺组织、食道、心脏等的OAR。关于脑癌，图像数据411可以包括大脑区域的图像。结构数据412可以标识表示脑肿瘤的目标、以及表示近端视神经、脑干等的OAR。

第一训练数据410可以从根据任何期望的规划规则针对多个过去的患者而制定的过去的治疗计划中提取或导出。第一训练数据410可以使用任何合适的数据增强方法(例如，旋转、翻转、平移、缩放、噪声添加和/或裁剪、或其任何组合等)被预处理以产生具有已修改属性的新数据集以使用基本真实改进模型泛化。在实践中，将会受到放射的患者的3D体积称为治疗体积，治疗体积可以被划分为多个更小体积像素(体素)。在这种情况下，结构数据412可以指定与3D体积中的每个体素相关联的类别标签(例如，“目标”、“OAR”等)。

在图4的一个示例中，分割引擎420包括多个(N>1)处理块或层，每个处理块或层与一组权重数据相关联。在这种情况下，训练阶段401可以涉及找到能够最小化训练结构数据412与由分割引擎420生成的估计结构数据(为了简单起见未示出)之间的训练误差的权重数据。训练过程通过估计与分类误差相关联的损失来指导。损失函数的一个简单示例是真实和预测结果之间的均方误差，但损失函数可能具有更复杂的公式。这种损失可以从模型的输出或模型中的任何离散点来估计。

(b)推理阶段(参见图4中的402)

在图4中的430和440处，已训练分割引擎420可以用于在推理阶段402期间对特定患者执行自动分割。使用分割引擎420处理与该患者相关联的输入图像数据430以生成输出结构数据440。例如，输出结构数据440可以标识输入图像数据430中的结构的任何合适的轮廓、形状、大小和/或位置。

在图4中的450处，治疗规划者455可以修改输出结构数据440以获取优选分割结果。例如，已修改输出结构数据450可以包括由规划者455对输出结构数据440中的结构的轮廓、边缘、形状、尺寸和/或位置做出的修改。在自动分割的情况下，修改可以指代移动、调节或重绘分段。例如，已修改输出结构数据450可以包括不同分割边界，标识附加和/或替代结构，等等。

(c)持续学习阶段(参见图4中的403)

在图4中的461-462和470处，可以基于任何合适的质量指标数据来执行质量评估，以决定是否接受经修改的输出数据450以进行持续学习。正如将使用图5进一步讨论的，质量评估可以基于通过标识经修改的输出数据450并且对其应用统计模型而生成的统计参数数据461(“第一质量指标数据”)。替代地和/或另外地，可以获取与治疗规划者455相关联的可信度得分462(“第二质量指标数据”)。

在一个示例中，质量评估可以涉及基于统计参数数据461对经修改的输出数据450执行第一过滤。如果满足第一阈值(并且可信度得分462可用)，则基于可信度得分462执行第二过滤。在这种情况下，统计参数数据461可以用于确定由治疗规划者455做出的修改是否根据统计模型提供任何可测量改进。当与与做出修改的治疗规划者455相关联的可信度得分462组合时，经修改的输出数据450可以被分类为“高值”(即，决定＝接受)或“低值”(即，决定＝拒绝)。下面将使用图5讨论一些示例。

在图4中的480和490处，响应于基于质量评估接受(参见472)经修改的输出数据450以用于持续学习的决定，分割引擎420可以基于第二训练数据480被更新。实际上，第二训练数据480可以以如下形式包括示例输入输出对：由分割引擎420处理的图像数据430、以及包括规划者455期望的修改的已修改输出结构数据450。一旦执行持续学习，已修改分割引擎480可以被部署以用于推理阶段402的下一迭代。如果对由已修改引擎480生成的后续输出结构数据进行修改，则可以重复质量评估和持续学习阶段403以进一步改进。

质量评价

图5是示出促进用于放射治疗规划的质量感知持续学习的质量评估的示例过程500的流程图。示例过程500可以包括由一个或多个框(例如，510至570)示出的一个或多个操作、功能或动作。基于期望实现，各种框可以组合成更少的框、分成更多的框和/或被消除。示例过程500可以使用任何合适的计算机系统来实现，其示例将使用图11来讨论。

实际上，表示为Qk(其中k＝1,…K)的任何合适的质量指标数据都可以用于质量评估。如下文将进一步描述的，质量指标数据可以包括统计参数数据(见510)、可信度得分(见520)和/或专家审查数据(见530)等。这样，在540处，可以基于质量指标数据(Q1,…,QK)的任何组合来执行经修改的输出数据450的质量评估。

(a)统计参数数据

在图5中的510处，可以确定统计参数数据461形式的第一质量指标数据(Q1，其中k＝1)。框510可以涉及标识统计模型并且将其应用于经修改的输出数据450。参见图5中的512-514。在实践中，术语“统计模型”通常可以指代用于评估从经修改的输出数据450中可导出的某些可测量量(也称为属性、特征或参数)的概率的模型。这样，统计参数数据461可以用于指示与图4中的规划者455相关联的经修改的输出数据450的可靠性或有效性。

可以使用任何合适的“统计模型”，范围从简单度量到更复杂的模型。统计模型可以返回单个值(即，标量)或多个值(向量)。此外，使用统计模型评估的“概率”可以是无条件的(例如，描述整个训练数据集上量的统计)或有条件的(例如，描述在已经获取某些先前中间结果的条件下某个量的统计)。例如，可以无条件地使用结构尺寸(例如，无论CT扫描如何，它都具有相同标准)，或者结构尺寸可以是从CT扫描得出的某些值(例如，穿过给定器官的中心的切片中非零区域的总面积)的条件。

在图4中的自动分割的情况下，可以应用统计模型来评估与患者的结构数据450相关联的某些属性的概率，例如其形状、大小、纹理、轮廓、主成分分析、材料密度、几何分布或Hounsfield单位(HU)分布、和/或结构与另一结构的相对位置等。例如，关于前列腺癌治疗，统计参数数据461可以基于用于评估前列腺(即，目标)的球形度的统计模型来生成。

在剂量预测的情况下，可以应用统计模型来评估与剂量数据相关联的某个(某些)属性，例如DVFI、D20、D50和/或剂量衰减梯度等。其他统计模型可以用于评估治疗递送数据，例如2D注量图的平滑度；VMAT计划中叶片的总运动、光束方向和/或机器轨迹、其任何组合等。根据AI引擎被训练以执行的放射治疗规划任务，可以使用本领域已知的任何替代和/或附加统计模型。

(b)可信度得分

在图5中的520处，可以确定可信度得分462形式的第二质量指标数据(Q2，其中k＝2)。框520可以涉及标识负责经修改的输出数据450的修改的特定第i规划者455，并且获取与该规划者相关联的可信度得分C(i)。也参见图5中的522-524。在实践中，第i规划者可以从多个(P>1)规划者中标识，每个规划者被指派可信度得分C(i)，其中i＝1,…,P。任何合适的方法都可以用于可信度得分指派。将使用图5说明一些示例，图6是示出用于促进放射治疗规划的质量感知持续学习的可信度得分指派的示例过程600的示意图。

在610和620处，可以为涉及多个(P)治疗规划者的“规划竞赛”选择多个(N个)治疗规划案例。在630处，可以获取每个第j案例的每个第i规划者生成输出数据D(i,j)，其中i＝1,…,P并且j＝1,…,N。例如，D(1,3)是指第三案例(j＝3)的第一规划者(i＝1)的输出数据，而D(4,N)是指第N案例(j＝N)的第四规划者(i＝4)的输出数据。如前所述，“规划者”可以表示个人、个人群体、机构、临床站点或网络等。

实际上，治疗规划案例620可以是专门为规划竞赛而选择的新案例，或者是历史案例(例如，来自历史规划竞赛)。这些案例可以被“撒”到每个规划者的日常工作流程中。在这两种情况下，本公开的示例可以为多个患者提供用于交叉校准和共识真实分析的内置过程。可以在这样的校准过程中使用给定案例(j)，直到添加新规划者的输出数据未能显著影响其对应共识真实G(j)。校准过程可以被呈现作为规划者(例如，人类描绘者)的训练计划以帮助他们随时间开发和保持其技能。

在第一示例(参见图6中的640)中，可以基于规划者生成输出数据D(i,j)和与案例j＝1,…,N相关联的共识真实数据之间的比较来指派可信度得分C(i)。对于第j案例，其共识真实数据可以表示为G(j)并且基于该案例的对应的所有规划者生成输出数据D(i,j)来确定，其中i＝1,…,P。在这种情况下，G(j)可以是规划者i＝1,…,P的输出数据D(i,j)的平均值或均值。以D(i,j)的正态分布为例，第j案例的共识真实数据可以使用确定。可以使用任何其他分布。偏差越小，可信度得分越高，偏差越大，可信度得分越低。

在实践中，术语“基本真实(ground truth)”或“绝对真实(absolute truth)”通常可以指代第j案例的“理想”或“最佳”输出数据。由于“基本真实”可能不存在，因此第j案例的“共识真实”G(j)可以从由多个规划者产生的输出数据D(i,j)中确定，以表示“黄金标准”。在这种情况下，根据规划者根据当前共识真实一致地产生输出数据的能力，可以向规划者指派可信度得分。如下文将进一步讨论的，当标识出多个实践模式集群时，术语“共识真实”可以指代特定集群(群组)的均值或平均值。例如，如果有M个集群，则G(j,m)可以代表第j案例的第m集群的共识真实，其中m＝1,…M。

在第二示例(参见图6中的650)中，可以基于与D(i,j)相关联的集群分析数据650来指派可信度得分C(i)。此外，集群分析数据650可以标识多个(M个)集群，以指示规划者使用的不同自相似方法。在实践中，当特定第j案例的D(i,j)收敛到单独的集群时，可以执行集群分析。在这种情况下，规划者的集合可能会增加附加的规划者(例如，P+1、P+2等)。然后可以添加由附加规划者生成的输出数据D(i＞P，j)，直到集群基于任何合适的阈值“干净地”彼此分离。在这种情况下，第i规划者的可信度得分C(i)可以基于规划者生成输出数据D(i,j)与特定第m集群的共识真实G(j,m)之间的偏差来确定。随着实践模式随时间而变化(以及集群数变化)，持续学习过程可能由具有更高案例权重的最可靠的规划者领导，或者由作为新集群出现的大量新从业者领导。

在第三示例(参见图6中的660)中，可以基于与由每个规划者生成的输出数据的审查相关联的专家审查数据660来指派可信度得分C(i)，例如由人类专家组。在第一方法中，小组可以针对图6中的规划竞赛审查D(i,j)和/或每个规划者的历史计划以评估其计划质量和/或分割精度等。在第二方法中，每次特定规划者使用治疗规划系统做出实质性修改(例如，在与结果的观察者间差异方面将轮廓调节超过1-2sigma)时，可以在系统中自动标记校正。然后由被视为其领域专家的一组个人审查校正。在这种情况下，专家审查数据660可以指示与每个规划者相关联的校正或输出数据的“值”。可以基于专家审查数据660增加或减少规划者的可信度得分C(i)。

在第四示例(参见图6中的670)中，可以基于算法比较数据670来指派可信度得分C(i)，算法比较数据670评估(i)包括D(i,j)和/或历史计划的规划者生成输出数据与(ii)算法生成输出数据之间的偏差。例如，所选择的算法可以被设计为产生接近共识真实的结果。在这种情况下，算法比较数据670可以包括比较规划者和算法生成输出数据的参数，例如相似性度量、平均偏差和/或自洽性度量等。如果偏差较高，则将指派较低可信度得分。否则，将指派较高可信度得分。

为了评估特定规划者的内部一致性，一种方法是计算(i)规划者生成输出数据与(ii)算法生成输出数据之间在很多情况下的平均偏差，并且通过平均偏差计算每个规划者的结果的偏移。与偏移的平均偏差(在很多情况下)可以用作自洽性的度量。较高的自洽性和与算法的显著平均偏差(偏移)指示行为偏差或集群。评估内部一致性的另一方法是对规划者的历史计划进行聚类分析。例如，可以基于任何合适的因素将历史计划分成多个部分，例如时间(上午或下午)、月份、年份和/或地理位置等。可以使用与相应实例相关联的训练数据训练多个AI引擎。一旦经过训练，AI引擎可以用于处理一组测试用例以评估它们是收敛还是发散，例如基于时间因素等。收敛表示内部一致性高，而发散表示内部一致性低。

在图6中的680处，可以基于以下各项的任何组合向每个第i规划者指派可信度得分C(i)：共识真实数据640、集群分析数据650、专家审查数据660和/或算法比较数据670等。图6中的示例可以以任何合适的频率重复以更新指派给每个规划者的可信度得分。随着随时间的推移，与不良的执行者相比，良好的执行者将获取更高可信度得分。可以基于规划者各自的可信度得分来比较规划者，例如与其他规划者相比，他们以百分位数表示的地位如何。

(c)接受或拒绝决定

再次参考图5，在530处，可以确定任何附加的和/或替代的质量指标数据，例如与由人类专家组对经修改的输出数据450的审查相关联的专家审查数据。这样，在540处，可以基于以上讨论的质量指标数据(Q1,…,QK)的任何组合来执行经修改的输出数据450的质量评估。例如，如果规划者的可信度得分低于特定阈值，则在持续学习期间可以忽略由规划者做出的修改以提高效率。

在图5中的550、560和570处，响应于接受经修改的输出数据450的决定，可以生成第二训练数据480以促进质量感知持续学习。取决于期望实现，案例权重(w)可以被指派给已修改输出结构数据450以影响持续学习过程。例如，可以基于与第i规划者455相关联的可信度得分C(i)指派案例权重。较高C(i)将导致较高案例权重(w1)以指示相对较高的可靠性度量，而较低C(i)将导致较低案例权重(w2<wl)以减少其在已修改分割引擎480中的影响。另外地和/或替代地，案例权重(w)可以基于与已修改输出结构数据450相关联的统计参数数据461来指派。参见图5中的对应的560-570。

在另一示例中，案例权重(w)可以是若干因素的函数，包括由第i规划者455做出的变化量δ(i)、与第i规划者455相关联的可信度得分C(i)等。对于可信度得分相当低的规划者，小的变化可以被忽略。大的变化可以被人类专家组审查。如果专家组接受，则在将更改添加到新训练集之前，可以为其指派较低案例权重(w)。对于可信度得分相当高的更可信的规划者，可以接受由规划者做出的小的改变。小组可以审查重大变化，并且如果接受，则指派更高案例权重(w)。这样，由更可信的规划者做出的改变将潜在地对经修改的AI引擎490产生更多实质性影响。应当理解，可以设置任何合适的阈值来确定规划者的可信度得分是“低”(例如，C(i)≤C_threshold)还是“高”(例如，C(i)＞C_threshold)、以及对应的变化幅度是“小”(例如，δ(i)≤δ_threshold)还是“大”(例如，δ(i)＞δ_threshold)。

剂量预测和其他任务

本公开的示例可以被实现用于其他治疗规划任务。图7是示出用于剂量预测700的示例质量感知持续学习的示意图。在该示例中，可以在训练阶段701期间使用第一训练数据710来训练剂量预测引擎720；在推理阶段702期间应用剂量预测引擎720以执行剂量预测；并且在持续学习阶段703期间基于质量评估更新剂量预测引擎720。

在训练阶段(参见图7中的701)，第一训练数据710可以用于训练剂量预测引擎720。第一训练数据710可以包括与多个过去的患者相关联的图像和结构数据711(即，训练输入)和剂量数据712(即，训练输出)。剂量数据712(例如，3D剂量数据)可以指定目标的剂量分布(表示为“D_TAR”)和OAR的剂量分布(表示为“D_OAR”)。例如，关于前列腺癌，剂量数据712可以指定用于代表患者前列腺的目标的剂量分布、以及代表近端健康结构的OAR(如直肠或膀胱)的剂量分布。实际上，剂量数据712可以指定整个3D体积的剂量分布，而不仅仅是目标和OAR体积的剂量分布。剂量数据712可以包括空间生物效应数据(例如，分次校正剂量)和/或仅覆盖治疗体积的一部分。任何附加输入数据可以用于训练剂量预测引擎720，例如与治疗递送系统相关联的射束几何数据。

在推理阶段(参见图7中的702)，剂量预测引擎720可以用于基于与特定患者相关联的输入图像和结构数据730生成输出剂量数据740。剂量数据740可以指定OAR的剂量分布(“D_OAR”)和目标的剂量分布(“D_TAR”)。然后可以由治疗规划者755(例如，剂量师)做出修改以基于由规划者优选的任何合适的剂量预测实践来生成已修改输出剂量数据750。修改可以与OAR保留、目标覆盖、目标剂量处方、正常组织剂量、剂量梯度的位置、剂量梯度的陡度和/或剂量梯度的方向等相关联。

在持续学习阶段(参见图7中的703)，可以基于与负责修改的规划者755相关联的统计参数761和/或可信度得分762来执行质量评估。如使用图5讨论的，可以使用用于评估与剂量数据740/750相关联的某个(某些)属性的示例统计模型，例如D20、D50、剂量下降梯度等。可以根据图6中的示例生成可信度得分762，在这种情况下，可以使用规划者生成剂量数据D(i,j)。

响应于基于质量评估(参见图7中的770-772)接受已修改输出剂量数据750以用于持续学习的确定，可以通过基于第二训练数据780重新训练剂量预测引擎720来生成已修改剂量预测引擎790。类似于图4中的示例，第二训练数据780可以包括输入图像和结构数据730、已修改输出剂量数据750形式的(输入、输出)对。一旦被验证和批准，已修改剂量预测引擎790可以被部署用于推理阶段702的下一迭代。如果对由修改引擎780生成的输出剂量数据进行修改，则持续学习阶段703可以被重复用于实现进一步的改进。

除了图4中的自动分割和图7中的剂量预测，还可以针对其他放射治疗规划任务实现质量感知持续学习，诸如治疗递送数据估计和/或治疗结果预测等。所估计的治疗递送数据(即，输出数据)可以包括结构投影数据和/或注量图数据。例如，AI引擎可以被训练以执行结构投影数据，诸如基于图像数据、结构数据、和/或剂量数据、或其任何组合。结构投影数据可以包括与治疗递送系统的射束取向和机器轨迹有关的数据。

在另一示例中，AI引擎可以被训练以执行注量图估计，诸如针对一组射束取向或轨迹的2D注量图、机器控制点数据(例如，颚和叶位置、和/或机架和病床位置)等。注量图将使用图8进一步说明。可以使用任何附加的和/或替代的训练数据，诸如场几何数据、监测单位(由机器计数的放射量)、计划估计的质量(可接受与否)、每日剂量处方(输出)、场大小或其他机器参数、病床位置参数或患者体内的等中心位置、治疗策略(是否使用运动控制机制、增强或不增强)和/或具有治疗或没有治疗决策等。

多技术AI引擎

本公开的示例可以用于促进用于放射治疗规划的多技术AI引擎的质量感知持续学习。图8是示出使用多技术AI引擎的用于放射治疗规划的示例质量感知持续学习800的示意图。类似于图7中的示例，图8中的剂量预测引擎820是一种多技术AI引擎，它被训练以使用多种技术来执行剂量预测。此外，术语“多技术AI引擎”通常可以指代单个AI引擎，或者指代根据相应技术被训练的一组多个AI引擎。

在训练阶段(参见图8中的801)，第一训练数据810可以用于训练多技术剂量预测引擎820以生成多个输出数据集合。第一训练数据810可以包括与表示为(T1,T2,T3,T4)的多种技术相关联的图像和结构数据811(即，训练输入)和剂量数据812(即，训练输出)。使用图4-图7说明的示例图像数据、结构数据和剂量数据在这里也适用，为简洁起见不再重复。

在推理阶段(参见图8中的802)，多技术剂量预测引擎820可以用于基于与特定患者相关联的输入图像和结构数据830生成多个输出剂量数据集合841-844。对于每种技术，剂量数据840可以为任何合适结构(例如，OAR和目标)指定剂量分布。例如，第一集合841可以基于用于治疗递送的第一技术(例如，T1＝5个场)来生成，第二集合842可以基于用于治疗递送的第二技术(例如，T2＝3个场)来生成，第三集合843可以基于用于治疗递送的第三技术(例如，T3＝质子疗法)来生成，第四集合844可以基于用于治疗递送的第四技术(例如，T4＝VMAT)来生成。在实践中，每个输出剂量数据集合可以在推理阶段802基于任何合适的因素进行评估，例如可递送性、对剂量处方的遵守、碰撞、OAR限制和/或机器参数、或其任何组合等。

在图8的示例中，然后使用成本函数对使用不同技术(T1,T2,T3,T4)生成的多个集合841-844进行排名。在剂量预测的情况下，成本函数可以基于时间、复杂度和/或DVFI、或其任何组合等。在分割的情况下，成本函数可以基于分割相关参数，例如分割均值等。在实践中，可以针对可以找到最佳解决方案的问题(表示数学基本真实)设计成本函数。这样，可以使用成本函数处理集合841-844并且相应地对其进行排名。此外，可以建立生成对抗网络(GAN)或任何其他合适的生成模型，以创建新技术以探索先前训练的AI引擎不存在的选项。

然后可以将排名列表(参见845)呈现给治疗规划者855以供选择。任何合适的度量可以与每种技术一起呈现以指导选择过程，例如上面讨论的成本函数度量。然后可以由治疗规划者855(例如，剂量师)进行选择以生成已修改输出剂量数据850。例如，如果选择了第一技术，则第一集合841(即，基于T1＝5个场)可以用作已修改输出剂量数据850。治疗规划者855还可以对第一集合841进行任何附加修改。规划者的选择可以用于改进或更新用于在下一迭代中对多个输出数据集合进行排名的方法(参见箭头图8中的855至845)。

在持续学习阶段(参见图8中的803)，可以基于与规划者855相关联的统计参数861和/或可信度得分862来执行质量评估。响应于基于质量评估接受已修改输出剂量数据850以进行持续学习的决定(参见图8中的870-872)，可以通过基于第二训练数据880更新或重新训练多技术引擎820来生成已修改引擎890。类似于图4中的示例，第二训练数据880可以包括输入数据830和已修改输出剂量数据850(例如，第一集合841)形式的(输入、输出)对。一旦被验证和批准，已修改剂量预测引擎890可以被部署以用于推理阶段802的下一迭代以促进进一步改进。使用图8中的示例，可以使用AI引擎执行多技术比较，这与蛮力技术相比通常可以提高效率。

可信度得分的其他用例

根据本公开的示例，可信度得分C(i)可以被指派给规划者以促进质量感知持续学习的各个方面。将使用图9讨论一些附加的用例，图9是基于可信度得分的请求处理的示例过程900的流程图。示例过程900可以包括由一个或多个框(例如，910至931)示出的一个或多个操作、功能或动作。基于期望实现，各种框可以组合成更少的框、分成更多的框和/或被消除。示例过程900可以使用任何合适的计算机系统来实现，其示例将使用图11来讨论。计算机系统可以被配置为根据用户的请求来执行示例过程900以执行以下中的任何一项：专家组选择、规划任务指派和/或奖励确定等。用户的请求可以使用任何合适的用户界面来生成，例如应用程序编程界面(API)、图形用户界面(GUI)和/或命令行界面(CLI)等。

关于专家组选择(参见图9中的910-915)，计算机系统可以被配置为基于其可信度得分C(i)从多个治疗规划者中选择“专家”组来审查经修改的输出数据(例如，350/450/750)。这样，可以定期召集专家组，以通过审查由其他规划者做出的修改并且决定是否接受修改来执行质量评估。根据可信度得分，专家组可以随时间的推移而更新，以反映不断变化的实践。

在一个示例中，响应于接收到对专家组选择的请求，可以基于具有相关专长的规划者的可信度得分C(i)来标识和选择他们。例如，所选择的规划者可以是其质量度量似乎已经被经修改的输出数据中的修改破坏最多的规划者。然后请求每个专家(即，所选择的规划者)审查经修改的输出数据，例如通过向专家发送修改的匿名快照。在执行离线审查之后，每个专家可以提交他们关于是接受还是拒绝的个体决定(例如，投票)。最终决定可以基于由不同专家提交的审查决定来做出。如果接受，则经修改的输出数据将用作训练数据的一部分以用于持续学习。

关于任务指派(参见图9中的920-922)，某些规划任务可以基于其可信度得分被指派给某些规划者。在这种情况下，计算机系统可以被配置为基于其可信度得分C(i)从多个规划者中选择特定规划者以执行特定规划任务。在一个示例中，响应于接收到对任务指派的请求，可以标识和选择具有与规划任务相关的相关专长的规划者。例如，与乳腺癌相关的规划任务可以被指派给具有最高可信度得分和与乳腺癌治疗相关的专长的规划者。与前列腺癌相关的另一规划任务可以被指派给在前列腺癌治疗方面最可靠的不同规划者。

关于奖励确定(参见图9中的930-931)，可以基于规划者的可信度得分为其确定奖励(例如，金钱奖励、促销和/或奖励等)。例如，第i规划者的奖励R(i)可以与规划者的C(i)成正比。与可信度较低的规划者相比，可信度较高的规划者应当获取更好的奖励。奖励可以用作规划者随时间的推移提高其可信度得分的激励。

示例治疗计划

在放射治疗规划期间，可以基于使用上述治疗计划引擎生成的结构数据和/或剂量数据来生成治疗计划156/1000。例如，图10是基于图1至图9的示例中的输出数据而生成或改进的示例治疗计划156/1000的示意图。治疗计划156可以使用任何合适的治疗递送系统来递送，该治疗递送系统包括放射源1010，放射源1010用于将放射束1020投射到治疗体积1060上，治疗体积1060以各种射束角1030表示患者的解剖结构。

虽然图10中为简单起见未示出，但是放射源1010可以包括用于加速放射束1020的线性加速器和用于修改或调制放射束1020的准直器(例如，MLC)。在另一示例中，可以通过以特定模式以各种能量和停留时间在目标患者上扫描放射束1020来调制放射束1020(例如，在质子治疗中)。控制器(例如，计算机系统)可以用于根据治疗计划156控制放射源1020的操作。

在治疗递送期间，放射源1010可以使用围绕患者的机架旋转，或者患者可以旋转(如在一些质子放射治疗解决方案中)以相对于患者以各种射束取向或角度来发射放射束1020。例如，可以使用被配置为执行治疗递送数据估计的AI引擎来选择五个等距射束角1030A-E(也标记为“A”、“B”、“C”、“D”和“′E”)。实际上，可以选择任何合适数目的射束和/或桌子或椅子角度1030(例如，五个、七个等)。在每个射束角，放射束1020与沿着从放射源1010延伸到治疗体积1060的射束轴位于患者包络外部的注量平面1040(也称为相交平面)相关联。如图10所示，注量平面1040通常与等中心点相距已知距离。

除了射束角1030A-E，治疗递送还需要放射束1020的注量参数。术语“注量参数”通常可以是指放射束1020的特性，诸如使用注量图(例如，对应射束角1030A-E的1050A-E)表示的其强度分布。每个注量图(例如，1050A)表示在特定射束角(例如，1030A)的注量平面1040上的每个点处的放射束1020的强度。然后可以根据注量图1050A-E执行治疗递送，诸如使用IMRT等。根据注量图1050A-E沉积的放射剂量应当尽可能地对应于根据本公开的示例而生成的治疗计划。

计算机系统

以上示例可以通过硬件、软件和/或固件或其组合来实现。图11是用于放射治疗规划的质量感知持续学习的示例计算机系统1100的示意图。在该示例中，计算机系统1105(也称为治疗规划系统)可以包括处理器1110、计算机可读存储介质1120、用于与放射治疗递送系统160接口连接的接口1140、和促进这些所示组件和其他组件之间的通信的总线1130。

处理器1110将执行本文中参考图1至图9描述的过程。计算机可读存储介质1120可以存储任何合适的信息1122，诸如与训练数据、AI引擎、权重数据、输入数据和/或输出数据等有关的信息。计算机可读存储介质1120还可以存储计算机可读指令1124，计算机可读指令1124响应于由处理器1110执行而引起处理器1110执行本文中描述的过程。可以使用利用图1说明的治疗规划系统160根据治疗计划156递送治疗，为简洁起见，其描述在此不再赘述。

前述详细描述已经通过使用框图、流程图和/或示例阐述了设备和/或过程的各种实施例。就这样的框图、流程图和/或示例包含一个或多个功能和/或操作而言，本领域技术人员将理解，这样的框图、流程图或示例中的每个功能和/或操作都可以通过各种硬件、软件、固件或其几乎任何组合单独地和/或共同地实现。贯穿本公开，术语“第一”、“第二”、“第三”等不表示任何重要性顺序，而是用于将一个元素与另一元素区分开来。

本领域技术人员将认识到，本文中公开的实施例的一些方面整体或部分地可以在集成电路中等效地实现为在一个或多个计算机上运行的一个或多个计算机程序(例如，作为在一个或多个计算机系统上运行的一个或多个程序)、在一个或多个处理器上运行的一个或多个程序(例如，在一个或多个微处理器上运行的一个或多个程序)、固件或其几乎任何组合，并且根据本公开，针对软件和/或固件而设计该电路系统和/或编写代码将完全在本领域技术人员的技能范围内。

尽管已经参考特定示例实施例描述了本公开，但是应当认识到，本公开不限于所描述的实施例，而是可以在所附权利要求的精神和范围内通过修改和改变来实践。因此，说明书和附图被认为是说明性的而不是限制性的。