СИСТЕМА И СПОСОБ ДЛЯ АВТОМАТИЧЕСКОГО ПЛАНИРОВАНИЯ ЛЕЧЕНИЯ Российский патент 2019 года по МПК A61N5/10 

Область техники, к которой относится изобретения

[001] Настоящее изобретение относится в общем смысле к радиационной терапии или лучевой терапии. Более конкретно, настоящее изобретение относится к системам и способам для обучения и/или прогнозирования данных для применения в разработке плана лечения лучевой терапии, который предназначен для применения в течение лучевой терапии.

УРОВЕНЬ ТЕХНИКИ

[002] Лучевая терапия применяется для лечения рака и других болезней в тканях млекопитающих (например, человека и животного). Одной из таких методик лучевой терапии является гамма-нож, посредством которого пациент облучается большим количеством гамма-лучей низкой интенсивности, которые сходятся с высокой интенсивностью и высокой точностью в мишени (например, опухоли). В другом варианте осуществления лучевая терапия предоставляется с применением линейного ускорителя, посредством которого опухоль облучают высокоэнергитичными частицами (например, электронами, протонами, ионами и т.п.). Расположением и дозой радиационного пучка необходимо управлять точно, чтобы обеспечить заданное излучение опухоли, и расположение пучка должно быть таким, чтобы минимизировать повреждение окружающей здоровой ткани, часто называемой органом(-ами) риска (OAR).

[003] Традиционно, для каждого пациента, план лечения лучевой терапии ("план лечения") может быть создан с применением методики оптимизации, основанной на клинических и дозиметрических показателях и ограничениях (например, максимальные, минимальные и средние дозы для опухоли и критически важных органов). Процедура планирования лечения может включать использование трехмерного изображения пациента с целью идентификации целевой области (например, опухоли) и идентификации критически важных органов около опухоли. Создание плана лечения может быть длительным процессом, в котором планировщик пытается соответствовать различным показателям или ограничениям лечения (например, показателям гистограммы доза-объем (ГДО)), принимая во внимание их индивидуальную важность (например, вес), чтобы выдать план лечения, который является клинически приемлемым. Эта задача может представлять собой занимающий много времени процесс проб и ошибок, который осложняется различными органами риска (OAR, поскольку с увеличением числа органов риска (например, вплоть до тринадцати для лечения головы и шеи) также повышается сложность процесса. Органы риска, отдаленные от опухоли, легко защитить от излучения, тогда как органы риска, близкие или перекрывающиеся с опухолью-мишенью, может быть трудно защитить. Сегментация может быть выполнена в целях идентификации органов риска и области, которая будет подвергаться лечению, например, планируемого объема мишени (PTV). После сегментации для пациента может быть создан план дозировки, указывающий требуемую величину излучения, которое будет получено планируемым объемом мишени (PTV) (например, мишенью) и/или органами риска. Планируемый объем мишени (PTV) может иметь неравномерный объем и может являться уникальным в отношении своего размера, формы и положения. План лечения может быть вычислен после оптимизации большого количества параметров плана, с тем чтобы гарантировать, что максимальная доза обеспечивается для планируемого объема мишени (PTV), и при этом настолько низкая доза, насколько это возможно, обеспечивается для окружающей здоровой ткани. Поэтому, план лечения радиационной терапии может быть определен посредством уравновешивания эффективного управления дозой в целях лечения опухоли и защиты любого органа риска (OAR). Как правило, качество плана лучевой терапии может зависеть от уровня опыта планировщика. Дальнейшие сложности могут быть вызваны анатомическими различиями между пациентами.

[004] В настоящий момент, большинство процедур планирования лечения ограничивает рассматриваемые параметры теми, которые связаны с конкретным пациентом или определенным сеансом лечения. Информация, полученная на основании ранее разработанных планов лечения в отношении того же самого пациента, или аналогичных лечебных процедур для пациентов, имеющих тот же самый тип опухоли с аналогичным размером и расположением, принимая во внимание потенциальные результаты (например, примененная доза, частота успеха, время выживания и т.п.), однако, не использовалась эффективно в процедурах разработки новых планов. Таким образом, имеется необходимость в наличии возможности использования предыдущих планов лечения для прогнозирования реальных характеристик для одного или более результатов, которые могут использоваться для создания плана лечения радиационной терапии, который может обеспечить оптимизированную дозу, предназначенную для доставки с целью лечения опухоли, при этом минимизируя воздействие на один или более орган риска (OAR).

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

[005] Определенные варианты осуществления настоящего изобретения относятся к системе лучевой терапии. Система лучевой терапии может содержать память, хранящую исполнимые компьютером инструкции, и процессорное устройство, коммуникационно соединенное с памятью. Процессорное устройство может быть сконфигурировано для выполнения исполнимых компьютером инструкций для получения множества обучающих данных и определения одной или более прогнозирующих моделей , основанных на обучающих данных. Одна или более прогнозирующих моделей могут быть определены на основании по меньшей мере одного из плотности условной вероятности, соотнесенной с выбранной выходной характеристикой, с учетом одной или более выбранных входных переменных, или совместной плотности вероятности. Процессорное устройство может также быть сконфигурировано для выполнения исполнимых компьютером инструкций для получения специфичных для пациента тестовых данных. Кроме того, процессорное устройство может быть сконфигурировано для выполнения исполнимых компьютером инструкций для прогнозирования плотности вероятности, соотнесенной с выходной характеристикой, на основании одной или более прогнозирующих моделей и специфичных для пациента тестовых данных. Кроме того, процессорное устройство может быть сконфигурировано для выполнения исполнимых компьютером инструкций для создания нового плана лечения, основанного на прогнозировании.

[006] Определенные варианты осуществления настоящего изобретения относятся к способу для прогнозирования в системе лучевой терапии. Способ может быть реализован посредством процессорного устройства, выполняющего множество исполнимых компьютером инструкций. Способ может включать в себя получение множества обучающих данных. Обучающие данные могут включать в себя множество обучающих выборок. Каждая из обучающих выборок может содержать вектор признаков и выходной вектор. Способ также может включать в себя определение совместной плотности вероятности, соотнесенной с вектором признаков и соответствующим выходным вектором. Кроме того, способ может включать в себя создание одной или более прогнозирующих моделей , основанных на совместной плотности вероятности, и сохранение одной или более прогнозирующих моделей в памяти. Способ также может включать в себя получение множества специфичных для пациента тестовых данных. Специфичные для пациента тестовые данные могут включать в себя множество тестовых выборок. Способ также может включать в себя определение плотности вероятности для вектора признаков, соотнесенного с каждой тестовой выборкой специфичных для пациента тестовых данных. Кроме того, способ может включать в себя прогнозирование плотности вероятности для выходного вектора, соотнесенного с каждой тестовой выборкой специфичных для пациента тестовых данных, с использованием (1) плотности вероятности для вектора признаков, соотнесенного со специфичными для пациента тестовыми данными, и (2) одной или более прогнозирующих моделей . Кроме того, способ может включать в себя создание нового плана лечения, основанного на прогнозировании.

[007] Определенные варианты осуществления настоящего изобретения относятся к невременному машиночитаемому носителю информации, на котором хранятся исполнимые компьютером инструкции. Исполнимые компьютером инструкции, при выполнении процессорным устройством, могут давать указание процессорному устройству на получение множества обучающих данных. Обучающие данные могут включать в себя множество обучающих выборок. Каждая из обучающих выборок может содержать вектор признаков и выходной вектор. Исполнимые компьютером инструкции могут также давать указание процессорному устройству на определение совместной плотности вероятности, соотнесенной с вектором признаков и соответствующим выходным вектором, и на определение плотности условной вероятности, соотнесенной с выходным вектором при заданном векторе признаков. Кроме того, исполнимые компьютером инструкции могут давать указание процессорному устройству на создание одной или более прогнозирующих моделей , основанных по меньшей мере на одном из совместной плотности вероятности или плотности условной вероятности, и сохранение одной или более прогнозирующих моделей в памяти. Кроме того, исполнимые компьютером инструкции могут давать указание процессорному устройству на получение множества специфичных для пациента тестовых данных. Специфичные для пациента тестовые данные могут включать в себя множество тестовых выборок. Исполнимые компьютером инструкции могут также давать указание процессорному устройству на определение плотности вероятности, соотнесенной с вектором признаков, ассоциированным с каждой тестовой выборкой специфичных для пациента тестовых данных. Кроме того, исполнимые компьютером инструкции могут давать указание процессорному устройству на прогнозирование плотности вероятности выходного вектора, соотнесенной с каждой тестовой выборкой специфичных для пациента тестовых данных, с использованием (1) плотности вероятности для вектора признаков, соотнесенного со специфичными для пациента тестовыми данными, и (2) одной или более прогнозирующих моделей . Кроме того, исполнимые компьютером инструкции могут давать указание процессорному устройству на создание нового плана лечения, основанного на прогнозировании, и на проверку допустимости предыдущего плана лечения на основании нового плана лечения.

[008] Дополнительные объекты и преимущества настоящего раскрытия будут сформулированы частично в приведенном ниже подробном описании, и частично будут очевидны из описания, или могут быть изучены при практическом применении настоящего раскрытия. Объекты и преимущества настоящего раскрытия будут реализованы и достигнуты посредством элементов и комбинаций, конкретно раскрываемых в прилагаемой формуле изобретения.

[009] Следует понимать, что приведенное выше общее описание и приведенное ниже подробное описание приведены в качестве примера и для объяснения, и не являются ограничивающими изобретение, заявляемое в формуле изобретения.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

[010] Прилагаемые чертежи, которые составляют часть настоящего описания, иллюстрируют несколько вариантов осуществления и, вместе с описанием, служат для объяснения раскрытых принципов.

[011] Фиг. 1 иллюстрирует типовую систему лучевой терапии согласно некоторым вариантам осуществления настоящего раскрытия.

[012] Фиг. 2A иллюстрирует устройство лучевой терапии, гамма-нож, согласно некоторым вариантам осуществления настоящего раскрытия.

[013] Фиг. 2B иллюстрирует другое устройство лучевой терапии, линейный ускоритель, согласно некоторым вариантам осуществления настоящего раскрытия.

[014] Фиг. 2C иллюстрирует устройство обработки данных и базу данных, используемые в системе лучевой терапии, согласно некоторым вариантам осуществления настоящего раскрытия.

[015] Фиг. 3A иллюстрирует опухоль-мишень и орган риска (OAR), согласно некоторым вариантам осуществления настоящего раскрытия.

[016] Фиг. 3B иллюстрирует типовую гистограмму доза-объем (ГДО) для мишени и типовую ГДО для органа риска (OAR), согласно некоторым вариантам осуществления настоящего раскрытия.

[017] Фиг. 4 представляет собой блок-схему, иллюстрирующую типовой способ процесса обучения данных и процесса прогнозирования, согласно некоторым вариантам осуществления настоящего раскрытия.

[018] Фиг. 5 представляет собой блок-схему, иллюстрирующую типовой способ использования специфичных для пациента тестовых данных, согласно некоторым вариантам осуществления настоящего раскрытия.

ПОДРОБНОЕ ОПИСАНИЕ

[019] Типовые варианты осуществления описаны в отношении прилагаемых чертежей. На фигурах левая(-ые) цифра(-ы) цифрового обозначения идентифицирует(-ют) фигуру, на которой впервые появляется цифровое обозначение. Везде, где это удобно, одни и те же цифровые обозначения используются на всех чертежах для обозначения одних и тех же или аналогичных частей. Хотя в настоящем раскрытии описаны примеры и характеристики раскрытых принципов, модификации, адаптации и другие реализации являются возможными без отклонения от формы и объема раскрытых вариантов осуществления. Кроме того, предполагается, что слова "включающий в себя", "имеющий", "содержащий" и "включающий" и другие аналогичные формы имеют эквивалентное значение и будут интерпретироваться как не ограничивающие в том смысле, что элемент или элементы после любого из этих слов не являются исчерпывающим списком для такого элемента или элементов, и не предполагается, что они ограничены только приведенным элементом или элементами. Единственное число предполагается как относящееся и к множественному числу, если из контекста явно не следует другое.

[020] Системы и способы в соответствии с настоящим раскрытием предназначены для создания плана лечения лучевой терапии или проверки допустимости плана лечения лучевой терапии с использованием статистической информации, полученной из прошлых или предыдущих планов лечения. При использовании в настоящем раскрытии, прошлый/предыдущий план лечения относится к плану для лечения лучевой терапией того же самого пациента или другого пациента, который проводился в любой момент времени до создания текущего лечения. Например, в случае адаптивной лучевой терапии, план лечения может быть первоначально подготовлен для пациента, но для каждой части лечения план может быть обновлен; следовательно, любой план, созданный до обновления, можно рассматривать как прошлый/предыдущий план лечения. Использование статистической информации может улучшить согласованность, точность и эффективность в процессе планирования лечения, поскольку общие черты между новыми и прошлыми планами могут быть извлечены и использованы. Например, для пациентов, имеющих один и тот же вид опухолей с аналогичным размером и расположенных в аналогичной части тела (например, простата, голова и шея, легкое, мозг, и т.п.), могут назначаться аналогичные лечебные процедуры. Прошлые планы лечения могут предоставить ценную информацию относительно связи между наблюдениями (например, вид опухоли, размер опухоли, или расположение опухоли) и параметрами/результатами в прошлом лечении (например, примененная доза, частота успеха, время выживания и т.п.).

[021] Модуль обучения может использовать информацию прошлых планов лечения для получения статистических оценок различных параметров и/или зависимостей между этими параметрами. Модуль прогнозирования может затем использовать один или более модулей прогнозирования для прогнозирования одной или более реальных параметров (например, результатов), которые могут использоваться для разработки плана лечения. При использовании в настоящем изобретении, обучающие данные могут относиться к информации относительно прошлых планов лечения; прогнозирующие модели относятся к статистическим оценкам или выводам, извлеченным или вычисленным по прошлым планам лечения; тестовые данные относятся к информации относительно нового плана лечения; спрогнозированные данные относятся к прогнозированиям параметров или вероятных результатов нового плана лечения.

[022] Фиг. 1 иллюстрирует типовую систему 100 лучевой терапии согласно некоторым вариантам осуществления настоящего раскрытия. Система 100 лучевой терапии может включать в себя модуль 112 обучения, модуль 114 прогнозирования, базу данных 122 обучения, базу данных 124 тестирования, устройство 130 лучевой терапии и устройство 140 получения изображений. Система 100 лучевой терапии может также быть соединена с системой 142 планирования лечения (TPS) и онкологической информационной системой 144 (OIS), которая может предоставлять информацию о пациенте. Кроме того, система 100 лучевой терапии может включать в себя устройство отображения и пользовательский интерфейс (не показаны).

[023] Как показано на фиг. 1, модуль 112 обучения может взаимодействовать с базой данных 122 обучения для получения обучающих данных. Обучающие данные, хранящиеся в базе данных 122 обучения, могут быть получены из системы 142 планирования лечения, в которой могут храниться данные предыдущих курсов лечения лучевой терапией (например, в системе 142 планирования лечения могут храниться ранее разработанные планы лечения для конкретного пациента, который будет подвергаться лечению, и для других пациентов, а также другая информация о лучевой терапии). Например, система 142 планирования лечения может предоставить информацию о конкретной дозе, которая будет применена к пациенту, и другую относящуюся к лучевой терапии информацию (например, тип терапии: например, лучевая терапия, корректируемая по изображениям (IGRT), лучевая терапия с модулированной интенсивностью (IMRT), стереотаксическая лучевая терапия; число лучей; углы луча; доза на один луч; и т.п.). Кроме того, обучающие данные могут также содержать данные изображения, которые будут получены из устройства 140 получения изображений. Например, устройство 140 получения изображений может предоставить медицинские изображения (например, изображение магнитно-резонансной томографии (МРТ), 3-D изображение МРТ, 2-D изображение МРТ потоковой передачи, 4-D объемное изображение, изображение компьютерной томографии (КТ), изображение конусно-лучевой КТ, изображение позитронной эмиссионной томографии (ПЭТ), изображение функциональной МРТ (например, фМРТ, DCE-МРТ и диффузионная МРТ), рентгеновское изображение, флуороскопическое изображение, ультразвуковое изображение, портальное изображение лучевой терапии, или изображение однофотонной эмиссионной компьютерной томографии (ОФЭКТ), и т.п.) пациента. В некоторых вариантах осуществления обучающие данные могут быть собраны из онкологической информационной системы (OIS) 144 (например, информация о пациенте, результаты медицинской лаборатории, и т.п.).

[024] Модуль 112 обучения может использовать обучающие данные, полученные из базы данных 122 обучения, для генерации обученных данных. Обученные данные могут использоваться для определения прогнозирующие модели , которая может быть использована модулем 114 прогнозирования. Как описано выше, прогнозирующая модель может относиться к выводам, извлеченным или вычисленным из прошлых планов лечения. Кроме того, прогнозирующая модель может включать в себя, например, условную вероятность результата (например, определенную дозу, полученную пространственным объемом или вокселом) при заданном наблюдении определенного свойства (например, расстояние между вокселом и границей мишени, такой как опухоль). В другом примере прогнозирующая модель может включать в себя условную вероятность определенного времени выживания при заданном размере опухоли.

[025] Модуль 114 прогнозирования может получать одну или более прогнозирующих моделей от модуля 112 обучения и использовать одну или более прогнозирующих моделей для прогнозирования определенных реальных характеристик, таких как свойства или результаты, с целью создания нового плана лечения. Например, модуль 114 прогнозирования может получать тестовые данные из базы данных 124 тестирования. Тестовые данные могут содержать такую информацию, как данные обработки изображений (например, МРТ, КТ, рентгеновские, ПЭТ, ОФЭКТ, и т.п.), данные сегментации интересующего органа или объема, данные функционального моделирования органа (например, последовательные в сравнении с параллельными органами, и соответствующие модели эффекта дозы), доза излучения (например, также включая информацию гистограммы дозы-объема (ГДО)), лабораторные данные (например, гемоглобин, тромбоциты, холестерин, триглицериды, креатинин, натрий, глюкоза, кальций, вес), показатели жизненно важных функций (кровяное давление, температура, частота дыхания и т.п.), геномные данные (например, генетическое профилирование), демография (возраст, пол, этническая принадлежность), другие заболевания, поражающие пациента (например, сердечнососудистое заболевание, респираторное заболевание, диабет, синдромы повышенной чувствительности к излучению, и т.п.), реакции на лекарственную терапию и лекарственные препараты, диета и образ жизни (например, курящий или некурящий), экологические факторы риска, характеристики опухоли (гистологический тип, степень злокачественности опухоли, статус гормонов и других рецепторов, размер опухоли, тип васкулярных клеток, стадийность рака, индекс Глиссона), предыдущее лечение (например, хирургические операции, облучение, химиотерапия, гормональная терапия), состояние лимфатических узлов и отдаленных метастазов, генетические/белковые биомаркеры (например, такие как MYC, GADD45A, PPM1D, BBC3, CDKN1A, PLK3, XPC, AKT1, RELA, BCL2L1, PTEN, CDK1, XIAP и т.п.), анализ однонуклеотидных полиморфизмов (SNP) (например, XRCC1, XRCC3, APEX1, MDM2, TNFR, MTHFR, MTRR, VEGF, TGF, TNFα), и т.п.

[026] Тестовые данные, хранящиеся в базе данных 124 тестирования, могут также включать в себя данные изображения, которые могут быть получены из устройства 140 получения изображений. Например, устройство 140 получения изображений может предоставить медицинские изображения (например, изображения МРТ, изображения КТ, изображения ПЭТ, изображения МРТ, рентгеновские изображения, ультразвуковые изображения, портальные изображения лучевой терапии, изображения однофотонной эмиссионной компьютерной томографии (ОФЭКТ), и т.п.) нового пациента.

[027] Тестовые данные, как описано выше, и другая информация лучевой терапии, хранящаяся в базе данных 124 тестирования, могут также быть получены из системы 142 планирования лечения и онкологической информационной системы 144. Тестовые данные могут быть сохранены в базе данных 124 тестирования до того, как они будут получены модулем 114 прогнозирования.

[028] Альтернативно, во время адаптивной лучевой терапии, тестовые данные могут быть получены модулем 114 прогнозирования непосредственно от устройства 130 лучевой терапии. В некоторых вариантах осуществления тестовые данные могут быть получены от устройства 130 лучевой терапии в режиме онлайн, например, в то время как устройство 130 лучевой терапии активно функционирует, выполняя лечение лучевой терапией (например, доставляя фактическую дозу пациенту). В других вариантах осуществления тестовые данные могут быть получены от устройства 130 лучевой терапии в режиме офлайн, например, в то время как устройство 130 лучевой терапии не осуществляет активное функционирование, выполняя лечение лучевой терапией.

[029] После того, как модуль 114 прогнозирования сгенерирует множество реальных характеристик, основанных на данных тестирования и прогнозирующие модели , множество реальных характеристик может использоваться для разработки плана лечения. Разработанный план лечения может быть предназначен для пациента, в настоящий момент проходящего лучевую терапию (например, план лечения может быть обновлен (настроен) на основании текущих параметров). Альтернативно, разработанный план лечения может быть предназначен для нового пациента. План лечения может применяться устройством 130 лучевой терапии для выполнения лечения в соответствии с планом лечения.

[030] В некоторых вариантах осуществления устройство 130 лучевой терапии может являться локальным в отношении модуля 114 прогнозирования. Например, устройство 130 лучевой терапии и модуль 114 прогнозирования могут быть расположены в одной и той же комнате медицинского учреждения/клиники. В других вариантах осуществления устройство 130 лучевой терапии может являться удаленным относительно модуля 114 прогнозирования, и обмен данными между устройством 130 лучевой терапии и модулем 114 прогнозирования через систему 142 планирования лечения может выполняться через сеть (например, локальную сеть (LAN); беспроводную сеть; облачную вычислительную среду, такую как программное обеспечение как сервис, платформа как сервис, инфраструктура как сервис; клиент-сервер; глобальная сеть (WAN); и т.п.). Аналогично, линии связи между модулем 112 обучения и базой данных 122 обучения, между модулем 112 обучения и модулем 114 прогнозирования, между модулем 114 прогнозирования и базой данных 124 тестирования, между базой данных 124 тестирования и системой 142 планирования лечения, между базой данных 122 обучения и онкологической информационной системой 144, между системой 142 планирования лечения и онкологической информационной системой 144, между системой 142 планирования лечения и устройством 130 лучевой терапии, между устройством 140 получения изображений и базой данных 124 тестирования, между устройством 140 получения изображений и системой 142 планирования лечения, между устройством получения изображений и базой данных 122 обучения, могут также быть реализованы локальным или удаленным образом.

[031] В некоторых вариантах осуществления модуль 112 обучения и модуль 114 прогнозирования могут быть реализованы в единственном устройстве 110 обработки данных. Например, модуль 112 обучения и модуль 114 прогнозирования могут быть реализованы как различные программы, функционирующие на одном и том же аппаратном устройстве, как будет описано более подробно позднее в отношении фиг. 2C. Аналогично, база данных 122 обучения и база данных 124 тестирования могут быть реализованы как единственная база данных 120. Например, в единственной базе данных могут храниться и обучающие данные, и тестовые данные. Предполагается, что любой модуль из модуля 112 обучения, модуля 114 прогнозирования, базы данных 122 обучения и базы данных 124 тестирования может быть реализован как автономный модуль.

[032] Устройство 140 получения изображений может включать в себя устройство МРТ-томографии, устройство КТ-томографии, устройство ПЭТ-томографии, ультразвуковое устройство, флуороскопическое устройство, устройство ОФЭКТ, или другие медицинские устройства визуализации для получения одного или более медицинских изображений пациента. Устройство 140 получения изображений может предоставлять медицинские изображения для системы 142 планирования лечения, базы данных 124 тестирования и/или базы данных 122 обучения.

[033] Фиг. 2A иллюстрирует пример одного из типов устройства 130 лучевой терапии (например, гамма-нож Leksell), согласно некоторым вариантам осуществления настоящего раскрытия. Как показано на фиг. 2A, в сеансе лечения лучевой терапией пациент 202 может носить координатную структуру 220 для сохранения устойчивости части тела пациента (например, головы), которая подвергается хирургическому вмешательству или лучевой терапии. Координатная структура 220 и система 222 позиционирования пациента может устанавливать систему пространственных координат, которая может использоваться во время визуализации пациента или во время радиационной хирургии. Устройство 130 лучевой терапии может содержать защитный кожух 214, в который заключено множество источников 212 излучения. Источники 212 излучения могут генерировать множество пучков излучения (например, элементарных лучей) через канал 216 пучка. Множество пучков излучения может быть сконфигурировано для фокусирования в изоцентре 218 с различных направлений. Хотя каждый отдельный пучок излучения может иметь относительно низкую интенсивность, изоцентр 218 может получать относительно высокий уровень излучения, когда множество доз от различных пучков излучения накапливаются в изоцентре 218. В определенных вариантах осуществления изоцентр 218 может соответствовать мишени, подвергающейся хирургическому вмешательству или лечению, такой как опухоль.

[034] Фиг. 2B иллюстрирует другой пример устройства 130 лучевой терапии (например, линейный ускоритель 10) согласно некоторым вариантам осуществления настоящего раскрытия. При использовании линейного ускорителя 10 пациент 42 может быть помещен на столе 43 для пациента с целью получения дозы облучения, определенной планом лечения. Линейный ускоритель 10 может содержать головку 45 излучателя, которая генерирует пучок 46 излучения. Вся головка 45 излучателя может иметь возможность вращения вокруг горизонтальной оси 47. Кроме того, под столом 43 для пациента может быть предоставлен плоскопанельный сцинтилляционный счетчик 44, который может вращаться синхронно с головкой 45 излучателя вокруг изоцентра 41. Пересечение оси 47 с центром пучка 46, произведенного головкой 45 излучателя, обычно называется «изоцентром». Стол 43 для пациента может быть снабжен приводом, с тем чтобы пациент 42 мог быть размещен таким образом, чтобы местоположение опухоли находилось в изоцентре 41 или близко к нему. Головка 45 излучателя может вращаться вокруг гантри 47, с тем чтобы предоставить пациенту 42 множество изменяющихся доз излучения согласно плану лечения.

[035] Фиг. 2C иллюстрирует вариант осуществления устройства 110 обработки данных, которое коммуникативно соединено с базой данных 120 и базой данных 121 больницы. Как показано на фиг. 2C, устройство 110 обработки данных может содержать процессор 250, память или устройство 260 хранения данных и коммуникационный интерфейс 270. В памяти/устройстве хранения данных 260 могут храниться исполнимые компьютером инструкции, такие как операционная система 262, программное обеспечение обучения/прогнозирования 264, программное обеспечение 265 планирования лечения и любые другие исполнимые компьютером инструкции, которые будут выполняться процессором 250.

[036] Процессор 250 может быть коммуникативно соединен с памятью/устройством хранения данных 260 и сконфигурирован для выполнения исполнимых компьютером инструкций, хранящихся на нем. Например, процессор 250 может выполнять программное обеспечение обучения/прогнозирования 264, с тем чтобы реализовать функциональность модуля 112 обучения и/или модуля 114 прогнозирования. Кроме того, процессорное устройство 250 может выполнять программное обеспечение 265 планирования лечения (например, такое как программное обеспечение Monaco® производства Elekta), которое может взаимодействовать с программным обеспечением обучения/прогнозирования 264.

[037] Процессор 250 может взаимодействовать с базой данных 120 через коммуникационный интерфейс 270, чтобы отправить/получить данные в базу/из базы данных 120. База данных 120 может включать в себя одну или обе базы из базы данных 122 обучения и базы данных тестирования 124. Специалисту в данной области техники будет понятно, что база данных 120 может включать в себя множество устройств, расположенных централизованным или распределенным образом. Кроме того, процессор 250 может взаимодействовать со стационарной базой данных 121 в целях реализации функциональности онкологической информационной системы 144, как показано на фиг. 1.

[038] Процессор 250 может представлять собой устройство обработки, и включать в себя одно или более универсальных устройств обработки, таких как микропроцессор, центральный процессор (ЦП), модуль обработки графики (GPU) и т.п. Более подробно, процессорное устройство 250 может представлять собой микропроцессор с полным набором команд (CISC), микропроцессор с сокращенным набором команд (RISC), микропроцессор с архитектурой со сверхдлинным командным словом (VLIW), процессор, реализующий другие наборы команд, или процессоры, реализующие комбинацию наборов команд. Процессор 250 может также представлять собой одной или более устройств обработки специального назначения, таких как специализированная интегральная микросхема (ASIC), программируемая пользователем вентильная матрица (FPGA), процессор цифровой обработки сигналов (DSP), система на кристалле (SoC), и т.п. Как будет понятно специалисту в данной области техники, в некоторых вариантах осуществления процессор 250 может являться процессором специального назначения, а не универсальным процессором.

[039] Память/устройство хранения данных 260 может включать в себя постоянную память (ROM), флэш-память, память с произвольным доступом (RAM), статическую память, и т.д. В некоторых вариантах осуществления память/устройство хранения данных 260 может включать в себя машиночитаемый носитель информации. В то время как машиночитаемый носитель информации в варианте осуществления может являться единственным носителем информации, термин "машиночитаемый носитель информации" должен пониматься как охватывающий единственный носитель информации или множество носителей информации (например, централизованная или распределенная база данных и/или ассоциированная кэш-память и серверы), на которых хранится один или более наборов исполнимых компьютером инструкций или данных. Термин "машиночитаемый носитель информации" должен также пониматься как охватывающий любой носитель информации, который способен к хранению или кодированию набора инструкций для выполнения машиной, который вызывает выполнение машиной одной или более методологий по настоящему раскрытию. Термин "машиночитаемый носитель информации" должен, соответственно, пониматься как включающий твердотельные памяти, оптические и магнитные носители информации, но не ограничивается указанным.

[040] Коммуникационный интерфейс 270 может включать в себя сетевой адаптер, кабельный разъем, последовательный разъем, USB- разъем, параллельный разъем, высокоскоростной адаптер передачи данных, такой как волокно, USB 3.0, интерфейс Thunderbolt, и т.п., адаптер беспроводной сети, такой как адаптер WiFi, телекоммуникационный адаптер (3G, 4G/LTE и т.п.), и т.п. Коммуникационный интерфейс 270 может предоставлять функциональность локальной сети (LAN), беспроводной сети, облачной вычислительной среды (например, программное обеспечение как сервис, платформа как сервис, инфраструктура как сервис), клиент-сервер, глобальной сети (WAN), и т.п. Процессор 250 может взаимодействовать с базой данных 120 или другими устройствами или системами через коммуникационный интерфейс 270.

[041] В лечении лучевой терапией создание плана лечения может включать в себя очерчивание мишени, такой как опухоль. В некоторых вариантах осуществления может требоваться очерчивание одного или более органа риска, здоровой ткани, окружающей опухоль или находящейся в непосредственной близости от опухоли. Таким образом, сегментация органа риска может быть выполнена, когда орган риска находится близко к опухоли-мишени. Кроме того, если опухоль находится близко к органу риска (например, предстательная железа находится в непосредственной близости к мочевому пузырю и прямой кишке), сегментация органа риска может позволить выполнить исследование распределения дозы не только в мишени, но также и в органе риска .

[042] Фиг. 3A иллюстрирует мишень 302 и орган риска 304, согласно некоторым вариантам осуществления настоящего раскрытия. Следует отметить, что мишень 302 и орган риска 304, показанные на фиг. 3A, представляют собой 3-D реконструкцию сегментированной мишени и органа риска . Для того, чтобы отделить опухоль-мишень 302 от органа риска 304, медицинские изображения, такие как изображения МРТ, изображения КТ, изображения ПЭТ, изображения фМРТ, рентгеновские изображения, ультразвуковые изображения, портальные изображения лучевой терапии, изображения ОФЭКТ и т.п. пациента, подвергающегося лучевой терапии, могут быть получены неинвазивно устройством 140 получения изображений, с тем чтобы показать внутреннюю структуру части тела. На основании информации из медицинских изображений, может быть получена 3-D структура, аналогичная показанной на фиг. 3A. Например, 3-D структура может быть получена путем построения контура мишени или построения контура органа риска в пределах каждого 2-D слоя, или слоя МРТ, или изображения КТ, и объединения контуров каждого 2-D уровня или слоя. Контур может быть сгенерирован вручную (например, врачом, дозиметристом или медицинским работником) или автоматически (например, с использованием программы, такой как основанное на атласе программное обеспечение автоматической сегментации, ABAS®, производства Elekta). В определенных вариантах осуществления 3-D структура опухоли-мишени или органа риска может быть сгенерирована автоматически модулем 114 прогнозирования.

[043] После того, как опухоль-мишень и орган риска были очерчены, дозиметрист, врач или медицинский работник могут определить дозу излучения, которая будет приложена к опухоли-мишени и любому органу риска , находящемуся вблизи опухоли (например, левая и правая околоушная железа, зрительные нервы, глаза, хрусталик, внутреннее ухо, спинной мозг, ствол головного мозга, и т.п.). После того, как доза была определена для каждой анатомической структуры (например, опухоли-мишени, органа риска ), процесс, известный как обратное планирование, может быть выполнен для определения одного или более параметров плана, таких как очерчивание объема (например, определение объема мишени, построение контура чувствительных структур), отступы вокруг опухоли-мишени и органа риска , ограничения дозы (например, полная доза для опухоли-мишени и нулевая доза для любого органа риска ; 95% дозы для PTV, при этом для спинного мозга ≤45Гр, ствола головного мозга ≤55Гр и зрительных структур <54Гр), выбор угла пучка, настройки коллиматора и время включения пучка. Результат обратного планирования может составить план лечения радиационной терапией, который может быть сохранен в системе 142 планирования лечения. Устройство 130 лучевой терапии может затем применять созданный план лечения, имеющий эти параметры, для доставки радиационной терапии пациенту.

[044] Во время процесса планирования лечения может быть принято во внимание множество параметров для достижения баланса между эффективным лечением опухоли-мишени (например, такого, что опухоль-мишень получает достаточную дозу облучения для эффективной терапии) и низким облучением органа риска (например, орган риска получает настолько низкую дозу облучения, насколько возможно). Некоторые из этих параметров могут быть коррелированы. Например, настройка одного из параметров (например, веса для различных характеристик, таких как увеличение дозы для опухоли-мишени) при изменении плана лечения может оказать влияние по меньшей мере на один другой параметр, что, в свою очередь, может привести к разработке другого плана лечения.

[045] Процесс создания плана лечения может быть длительным. Кроме того, различные пользователи (например, врачи, медицинские работники, дозиметристы, и т.п.) могут задавать приоритеты для параметров по-разному. Например, различные пользователи могут создавать различные контуры одной и той же опухоли-мишени или одного и того же органа риска , использовать различные режимы дозирования для различных анатомий (например, опухоль и орган риска ) и т.п. Таким образом, может быть трудно достигнуть согласия по объективному стандарту для оценки конкретного плана лечения. При таких обстоятельствах эффективное использование информации (например, обучающих данных), полученной из предыдущих лечений, такой как статистические оценки различных параметров или зависимостей между этими параметрами, может повысить согласованность, точность и эффективность создания планов лечения.

[046] Модуль 114 прогнозирования может применяться в случае автоматизированного планирования лечения. В этом случае модуль 114 прогнозирования может определять объективный параметр, такой как гистограммы дозы-объема (ГДО). Спрогнозированные ГДО могут использоваться для разработки плана лечения для фактического лечения пациента. Альтернативно, модуль 114 прогнозирования может спрогнозировать первую ГДО, и система 142 планирования лечения может определить вторую ГДО. Спрогнозированная первая ГДО может сравниваться со второй ГДО в качестве части процесса обеспечения качества. Таким образом, в некоторых вариантах осуществления, модуль 114 прогнозирования может оценивать параметры, такие как ГДО, в качестве гарантии для уменьшения вероятности выработки плана лечения, который приводит к получению высоких уровней излучения органа риска . Если орган риска получают слишком много излучения в соответствии с исходным планом дозирования, то исходный план дозирования может быть отклонен или, возможно, должен быть изменен в целях обеспечения соответствия требуемому уровню излучения.

[047] ГДО обычно иллюстрирует величину определенного объема мишени (например, опухоли или органа риска), который должен быть облучен дозой облучения, равной или превышающей предварительно заданное конкретное значение излучения. (См. фиг. 3B, обсуждаемую ниже.) Например, для заданного конкретного множества вокселов V в мишени или органе (v представляет собой воксел в V) и дозы D, ГДО может быть определена следующим образом:

[048] (1)

[049] где d(v) является фактической дозой в определенном вокселе, и |·| обозначает суммарное количество вокселов в объеме V.

[050] ГДО могут также быть интерпретированы с вероятностной точки зрения. Например, если D обозначает определенную дозу и d обозначает случайную переменную, то функция распределения может быть определена как F_D(D)=P(d≤D), которая является вероятностью, что d меньше либо равна D. P(d≤D) может быть вычислена путем интегрирования по функции плотности вероятности p_D(d) следующим образом:

[051] (2)

[052] Далее, поскольку доза D всегда положительна, минимум всегда должен быть нолем. Комбинируя уравнения (1) и (2), ГДО может также быть интерпретирована следующим образом:

[053] (3)

[054] Как обсуждено выше, ГДО может затем применяться для оценки дозы для интересующей области, расположенной в различных частях тела, относящихся к лечению. Фиг. 3B иллюстрирует вариант осуществления двух ГДО, например, основанных на плане лечения для лечения опухоли-мишени и органа риска, расположенного смежно с опухолью-мишенью. Множество кривых ГДО может быть предоставлено в зависимости от интересующей области (например, простата, голова и шея, мозг, легкое, сердце и т.п.), которая будет облучаться. Как показано на фиг. 3B, кривая 302 представляет собой ГДО для органа риска , для которой большая часть объема (например, вокселов) органа риска получает дозу излучения, меньшую чем 5 Гр. Кривая 304 представляет собой ГДО для опухоли-мишени (например, PTV), для которой большая часть объема опухоли-мишени получает дозу излучения, большую чем 15 Гр. В течение сеанса лечения опухоль-мишень предпочтительно получит высокую и однородную дозу излучения, согласно плану лечения, тогда как любая окружающая здоровая ткань (например, орган риска), предпочтительно получит наименьшую возможную дозу облучения.

[055] Как описано выше и более подробно ниже, настоящее раскрытие предоставляет способ использования информации, полученной из одного или более предыдущих планов лечения, для повышения количественной и качественной эффективности процессов планирования нового лечения. Способ может быть выполнен системой 100 лучевой терапии. В некоторых вариантах осуществления способ может включать в себя процесс обучения данных, в котором модуль 112 обучения осуществляет доступ к базе данных 122 обучения с целью выбора данных из предшествующих планов лечения, и затем использует обучающие данные для создания одной или более прогнозирующих моделей . Способ может также включать в себя процесс прогнозирования данных, в котором модуль 114 прогнозирования использует тестовые данные вместе с одной или более прогнозирующих моделей для прогнозирования одного или более результатов (например, выходных векторов и выходных элементов). Спрогнозированные результаты могут затем использоваться для разработки плана лечения.

[056] В некоторых вариантах осуществления процесс обучения и процесс прогнозирования могут быть объединены в единственный процесс, в котором поток данных требует совместного функционирования обоих процессов. В некоторых вариантах осуществления два процесса могут функционировать отдельно, например, на отдельных машинах и/или в разное время, при этом функционирование одного процесса не обязательно требует совместного функционирования другого процесса. В таких вариантах осуществления совместное использование данных между двумя процессами может включать использование базы данных, или может быть выполнено в режим офлайн.

ОБУЧЕНИЕ ДАННЫХ

[057] Фиг. 4 представляет собой блок-схему способа обучения данных и прогнозирования данных, согласно некоторым вариантам осуществления настоящего раскрытия. Фиг. 4 включает в себя два процесса: процесс 400 обучения данных и процесс 420 прогнозирования данных. Как описано выше, процесс 400 обучения данных и процесс 420 прогнозирования данных могут быть объединены в один процесс или могут представлять собой отдельные процессы. В некоторых вариантах осуществления процесс 400 обучения данных может быть реализован модулем 112 обучения. Аналогично, процесс 420 прогнозирования данных может быть реализован модулем 114 прогнозирования.

[058] Процесс 400 обучения данных может включать в себя этап 402, на котором модуль 112 обучения может получать обучающие данные из базы данных 122 обучения. Обучающие данные могут включать в себя множество предыдущих планов лечения, которые хранятся в базе данных 122 обучения. Например, хранящиеся обучающие данные могут включать в себя диагностические изображения, изображения лечения (карты дозы), информацию о сегментации, и т.п., ассоциированные с одним или более предыдущими планами лечения. Обучающие данные могут включать в себя множество обучающих выборок. Каждая учебная выборка может содержать вектор признаков и соответствующий выходной вектор.

[059] Вектор признаков может содержать один или более элементов признака. Каждый элемент признака может указывать наблюдение медицинского изображения (например, предоставленного устройством 140 получения изображений или хранящегося в базе данных 122 обучения), использованного в прошлой процедуре лучевой терапии. Наблюдение может являться расстоянием между объемом (например, вокселом) и анатомической областью, такой как мишень или поверхность части тела на медицинском изображении. В другом примере наблюдение может включать в себя пространственные координаты анатомической области или вероятность того, что анатомическая область содержит ткань конкретного типа. В другом примере элемент признака может включать специфичную для пациента информацию, ответственного врача, данные сегментации интересующего органа или объема, данные функционального моделирования органа (например, последовательные в сравнении с параллельными органами, и соответствующие модели эффекта дозы), доза излучения (например, также включая информации гистограммы дозы-объема (ГДО)), лабораторные данные (например, гемоглобин, тромбоциты, холестерин, триглицериды, креатинин, натрий, глюкоза, кальций, вес), показатели жизненно важных функций (кровяное давление, температура, частота дыхания и т.п.), геномные данные (например, генетическое профилирование), демография (возраст, пол, этническая принадлежность), другие заболевания, поражающие пациента (например, сердечнососудистое заболевание, респираторное заболевание, диабет, синдромы повышенной чувствительности к излучению, и т.п.), реакции на лекарственную терапию и лекарственные препараты, диета и образ жизни (например, курящий или некурящий), экологические факторы риска, характеристики опухоли (гистологический тип, степень злокачественности опухоли, статус гормонов и других рецепторов, размер опухоли, тип васкулярных клеток, стадийность рака, индекс Глиссона), предыдущее лечение (например, хирургические операции, облучение, химиотерапия, гормональная терапия), состояние лимфатических узлов и отдаленных метастазов, генетические/белковые биомаркеры (например, такие как MYC, GADD45A, PPM1D, BBC3, CDKN1A, PLK3, XPC, AKT1, RELA, BCL2L1, PTEN, CDK1, XIAP и т.п.), анализ однонуклеотидных полиморфизмов (SNP) (например, XRCC1, XRCC3, APEX1, MDM2, TNFR, MTHFR, MTRR, VEGF, TGF, TNFα), и т.п. Вектор признаков может включать один или более таких элементов признака, независимо от того, связаны ли эти элементы признака друг с другом или нет.

[060] Выходной вектор может содержать один или более выходных элементов. Каждый выходной элемент может указывать соответствующий результат плана или параметр в прошлой процедуре лучевой терапии, основанный на наблюдении(-ях), включенном(-ых) в вектор признаков. Например, выходной элемент может включать дозу, приложенную или полученную в конкретном пространственном местоположении (например, вокселе). В другом примере выходной элемент может включать время выживания пациента, основанное на таких наблюдениях, как тип лечения, параметры лечения, анамнез пациента и/или анатомия пациента. Дополнительные примеры выходных элементов включают, но не ограничиваются указанным, вероятность осложнений для здоровой ткани (NTCP), вероятность смещения области во время лечения или вероятность того, что множество координат на контрольном изображении отображается на другое множество координат на изображении мишени. Выходной вектор может включать один или более таких выходных элементов, независимо от того, связаны ли эти выходные элементы друг с другом или нет.

[061] В качестве примера варианта осуществления, выходной элемент может включать дозу, которая будет приложена к вокселу конкретного органа риска . Далее, элемент признака может использоваться для определения выходного элемента. Элемент признака может включать расстояние между вокселом в органе риска и самым близким граничным вокселом в опухоли-мишени. Следовательно, элемент признака может включать назначенное расстояние x, указывающие расстояние между вокселом в органе риска и самым близким граничным вокселом в мишени для радиационной терапии. Выходной элемент может включать дозу D в вокселе органа риска , от которого измеряется x. В некоторых других вариантах осуществления каждая обучающая выборка может соответствовать конкретному вокселу в мишени или органе риска , таким образом, что множество обучающих выборок в пределах обучающих данных соответствует всему объему мишени или органа риска и других анатомических частей, подвергающихся лечению лучевой терапией.

[062] На этапе 404, модуль 112 обучения может определять совместную плотность вероятности, ассоциированную с вектором признаков и соответствующим выходным вектором, на основании обучающих данных. Совместная плотность вероятности может указывать вероятность того, что и наблюдение, указанное вектором признаков, и результат планирования, указанный соответствующим выходным вектором, присутствуют в обучающих данных.

[063] Например, вектор признаков может содержать единственный элемент, такой как назначенное расстояние x, и соответствующий выходной вектор может содержать единственный выходной элемент, такой как доза D. Модуль 112 обучения может определять совместную плотность вероятности p(x,D) с применением метода оценки плотности, такого как алгоритм ядерной оценки плотности (KDE). KDE представляет собой непараметрический алгоритм, который применяет функцию ядра к каждой точке данных и затем суммирует ядра. Ядро может быть определено как функция, удовлетворяющая следующим свойствам:

[064]

[065] Конкретно, KDE используется для выполнения оценки f'(x) функции плотности f(x) для некоторого параметра x при заданных N наблюдениях x_i и ядре k_h(x). Однофакторный KDE (например, одномерный KDE) может быть записан следующим образом:

[066] (6)

[067] где h обозначает параметр ширины полосы и .

[068] KDE совместного распределения вероятности f'(x), где x=(x₁,x₂)^T, обычно определяется как:

[069] (7)

[070] где i-е наблюдение x_i=(x_1i,x_2i)^T и

[071] (8)

[072] представляет собой симметричную и положительно-определенную матрицу.

[073] В некоторых вариантах осуществления H может быть упрощена до диагональной матрицы. Тогда KDE может быть выражена как

[074] (9)

[075] где , и и могут быть идентифицированы как диагональные элементы в H. Таким образом, модуль 112 обучения может применять алгоритм KDE для определения совместной плотность вероятности p(x,D), когда элемент признака включает назначенное расстояние, и соответствующий выходной элемент включает дозу D.

[076] В некоторых вариантах осуществления процесса 400 обучения, этап 406 и этап 408, описанные ниже, могут являться необязательными. Поэтому, в одном из вариантов осуществления, процесс 400 обучения может включать в себя этапы 402, 404 и 410. В другом варианте осуществления процесс обучения может включать в себя этапы 402, 404, 406, 408 и 410.

[077] На этапе 406 модуль 112 обучения может определять плотность вероятности, ассоциированную с вектором признаков, или каждым элементом в пределах вектора признаков, на основании обучающих данных. Плотность вероятности может указывать вероятность того, что наблюдение, указанное вектором признаков, или каждый элемент (например, назначенное расстояние x) в пределах вектора признаков, присутствует в обучающих данных. Например, когда вектор признаков включает назначенное расстояние x, модуль 112 обучения может определить плотность вероятности p(x) для всех обучающих данных с применением одномерного алгоритма KDE, как описано выше.

[078] На этапе 408 модуль 112 обучения может определить плотность условной вероятности (например, P (y|x)), ассоциированную с вектором признаков (например, вектором x) и соответствующим выходным вектором (например, вектором y), на основании определенной совместной вероятности (например, P(y,x)=P(y|x)p(x)) и определенной плотности вероятности (например, P(x)), соотнесенной с вектором признаков x. В некоторых вариантах осуществления вектор признаков x может соответствовать расстоянию, пространственной координате, специфичной для пациента информации, и т.п. В некоторых вариантах осуществления выходной вектор y может соответствовать дозе, вероятности контроля опухоли, вероятности осложнений в здоровой ткани, времени выживания пациента, вероятности смещения области во время лечения, и т.п.

[079] Вектор признаков может включать в себя множество элементов признаков (например, x=[xl,x2,x3,...]), и выходной вектор может содержать множество выходных элементов (например, y=[y1,y2,y3,...]). В одном из вариантов осуществления модуль 112 обучения может определять совместное распределение вероятности на основании всех элементов характеристик и всех выходных элементов. В другом варианте осуществления модуль 112 обучения может определять совместное распределение вероятности на основании всех элементов признаков и каждого выходного элемента.

[080] Плотность условной вероятности может указывать вероятность того, что результат плана, указанный соответствующим выходным вектором или элементом (например, доза D), присутствует в обучающих данных, при условии наличия вектора признаков или элемента (например, назначенного расстояния x) в обучающих данных. Например, когда вектор признаков включает назначенное расстояние x, и соответствующий выходной вектор включает дозу D, модуль 112 обучения может определить плотность условной вероятности дозы D при заданном расстоянии следующим образом:

[081] (10)

[082] Как описано выше, использование расстояния x для определения плотности вероятности дозы D является одним из вариантов осуществления, в котором и вход, и выход представляют собой единственные скалярные переменные. В других вариантах осуществления может быть создана модель для использования множества переменных для x (таких как множество координат расстояния до органа риска, множество координат расстояния до опухоли, пространственные координаты, вероятности ткани, информация с исходных изображений, информация с обработанных позднее изображений) в целях оценки плотности вероятности для конкретной переменной y (например, чтобы определить плотность вероятности дозы или определить плотность вероятности контроля опухоли и т.п.). Поэтому, в одном из вариантов осуществления, может быть определена плотность вероятности для вероятности контроля опухоли на основании множества вероятностей ткани (например, P(y|x₁,x₂,x₃,...)).

[083] Обучение одной или более прогнозирующих моделей может быть выполнено или офлайн, или онлайн. Например, совместная вероятность может быть оценена и сохранена до начала процесса лечения (например, офлайн), или совместная вероятность может быть оценена в реальном времени во время процесса лечения (например, онлайн). В другом варианте осуществления могут быть обнаружены планы лечения, которые значимо отличаются от предшествующих планов лечения. В этом случае процесс обучения может быть проведен офлайн.

[084] В варианте осуществления процесс обучения может использовать, или не использовать, данные от других пациентов. В некоторых вариантах осуществления обучающие данные могут использоваться для настройки плана лечения для пациента посредством сравнения множества предыдущих планов лечения, разработанных для того же самого пациента. В другом варианте осуществления обучающие данные могут включать в себя планы лечения для множества других пациентов с тем же самым или аналогичным медицинским диагнозом.

СОЗДАНИЕ ПРОГНОЗИРУЮЩЕЙ МОДЕЛИ

[085] На этапе 410 модуль 112 обучения может сохранить условную вероятность (например, P(y|x)), которая может составлять результат процесса 400 обучения, в базе данных 122 обучения. Например, модуль 112 обучения может сохранить одну или более условных вероятностей (например, p(D|x)), где D - доза) в базе данных 122 обучения в качестве прогнозирующие модели . В одном из вариантов осуществления модуль 112 обучения может сохранить одну или более совместных вероятностей (например, p(y,x)) в базе данных 122 обучения в качестве прогнозирующие модели . Таким образом, прогнозирующая модель может быть определена путем использования одной или более совместных вероятностей, или одной или более условных вероятностей.

[086] Как описано выше, эта прогнозирующая модель может указывать информацию, полученную или выведенную из одной или более прошлых процедур лучевой терапии. Например, прогнозирующая модель может включать статистические оценки параметров, использованных в прошлых процедурах лучевой терапии. Прогнозирующая модель может также включать статистические оценки зависимостей среди параметров, использованных в прошлых процедурах лучевой терапии. Прогнозирующая модель может также включать статистические оценки результатов прошлых процедур лучевой терапии.

ПРИМЕНЕНИЕ МОДЕЛИ(-ЕЙ) ПРОГНОЗИРОВАНИЯ К ТЕСТОВЫМ ДАННЫМ

[087] После того, как прогнозирующие модели были получены, они могут применяться в процессе 420 прогнозирования для прогнозирования плотности вероятности, соотнесенной с выходным вектором или выходным элементом, для разработки нового плана лечения.

[088] На этапе 422 модуль 114 прогнозирования может получать тестовые данные, включающие в себя множество тестовых выборок. В некоторых вариантах осуществления тестовые данные и тестовые выборки могут быть аналогичны обучающим данным и обучающим выборкам, описанным выше. Каждая тестовая выборка может содержать вектор признаков, который может включать в себя один или более элементов признаков. Каждая тестовая выборка может содержать выходной вектор, который может включать в себя один или более выходных элементов. Например, в то время как обучающие данные и обучающие выборки могут относиться к предыдущему или прошлому лечению, тестовые данные могут относиться к новому пациенту или новому сеансу лечения того же самого пациента. Например, наблюдение медицинского изображения, используемого в прошлом курсе лечения, может являться частью вектора признаков в обучающих данных. С другой стороны, наблюдение медицинского изображения, используемого в новом сеансе лечения, может являться частью вектора признаков в тестовых данных. Другими словами, в то время как форматы обучающих данных и данных тестирования могут быть аналогичными, обучающие данные могут относиться к прошлым лечениям, и тестовые данные могут относиться к новому лечению.

[089] На этапе 424 модуль 114 прогнозирования может получать одну или более прогнозирующих моделей от модуля 112 обучения. Тестовые данные могут использоваться вместе с одним или более прогнозирующими моделями для прогнозирования реальных характеристик одного или более результатов. Для того, чтобы спрогнозировать реальные характеристики (например, векторы признаков, элементы признаков, выходные векторы и выходные элементы), тестовые данные могут быть применены к одной или более прогнозирующим моделям. Спрогнозированные результаты могут затем использоваться для разработки плана лечения.

[090] Например, когда вектор признаков включает назначенное расстояние x, и соответствующий выходной вектор включает дозу D, плотность условной вероятности может составлять p(D|x), в соответствии с определенным на этапе 408 и сохраненным на этапе 410. Альтернативно, когда вектор признаков включает пространственные координаты и вероятности тканей, соответствующий выходной вектор может представлять собой вероятность смещения области во время лечения (например, p(r_x,r_y,r_z|x,y,z,t), где (r_x,r_y,r_z) представляет собой вектор смещения области при заданных пространственных координатах (x,y,z) и вероятности ткани t).

[091] На этапе 426 модуль 114 прогнозирования может определять плотность вероятности, ассоциированную с вектором признаков каждого тестового образца, на основании тестовых данных. Плотность вероятности может указывать вероятность того, что наблюдение, указанное вектором признаков, присутствует в данных тестирования. Например, когда вектор признаков включает назначенное расстояние x, модуль 114 прогнозирования может оценивать плотность вероятности p^*(x) для нового плана. В варианте осуществления вектор признаков может обрабатываться как последовательность импульсов Дирака, обозначенных как δ(χ), в целях оценки плотности вероятности p(x*):

[092] (13)

[093] где |S| обозначает число элементов в S.

[094] В некоторых вариантах осуществления вектор признаков может включать в себя данные произвольного размера и/или множество типов данных (например, непрерывные, порядковые, дискретные, и т.п.). В некоторых вариантах осуществления изображения, используемые в процессе обучения и процессе прогнозирования, могут включать в себя диагностические изображения, изображения лечения (карты дозы), и/или изображения сегментации. В некоторых вариантах осуществления вектор признаков может включать в себя расстояние до предварительно заданных анатомических областей, таких как мишень или органа риска, или поверхность пациента. Такая информация может быть просуммирована с использованием гистограммы перекрытия-объема. Расстояния до множества интересующих областей могут также быть включены в вектор признаков. В некоторых вариантах осуществления вектор признаков может включать общую информацию, такую как вероятности ткани и/или пространственные координаты. В некоторых вариантах осуществления вектор признаков может включать характеристики, полученные из свертки изображений с помощью по меньшей мере одного линейного фильтра (например, локальная фаза, градиенты, край или угловые детекторы). В некоторых вариантах осуществления вектор признаков может включать характеристики, полученные посредством преобразования одного или более изображений (например, преобразование Фурье, преобразование Гильберта, преобразование Радона, преобразование расстояния, дискретное косинусное преобразование, преобразование элементарных волн). В каждом из этих вариантов осуществления, описанных выше в отношении вектора признаков, может быть применено соответствующее преобразование к выходной плотности вероятности.

[095] В некоторых вариантах осуществления вектор признаков может включать информацию, основанную на "теоретико-информационных мерах" (например, взаимная информация, нормализованная взаимная информация, энтропия, расстояние Кульбака-Лейблера, и т.п.). В некоторых вариантах осуществления вектор признаков может включать в себя дескриптор признака, предоставляющего многомерное представление, в соответствие с используемым в области машинного зрения, и такой дескриптор признака может включать характеристики конкретного воксела изображения, такие как SIFT (масштабно-инвариантная транcформация характеристик), SURF (ускоренные робастные характеристики), GLOH (гистограмма положения и ориентации градиента) или HOG (гистограмма ориентированных градиентов). В другом варианте осуществления ковариация/корреляция между множеством областей изображения (например, двумя или более вокселами) может быть получена с использованием многомерного представления. В некоторых вариантах осуществления вектор признаков может включать, например, информацию о пациенте, такую как возраст, пол, размер опухоли, ответственный врач и т.п.

[096] На этапе 428 модуль 114 прогнозирования может определять прогнозирование плотности вероятности, соотнесенной с выходным вектором или его элементами, на основании плотностей вероятности, определенных для множества тестовых выборок и одной или более прогнозирующих моделей . Конкретно, выходной вектор может использоваться для обнаружения одной или более важных характеристик благоприятного результата. прогнозирование плотности вероятности может указывать вероятность результата плана, указанного выходным вектором или его элементом(-ами), которые будут сделаны в новом плане лечения.

[097] В некоторых вариантах осуществления выходной вектор может включать вероятностное распределение произвольных размеров; дозу; вероятность контроля (TCP) или вероятность осложнений в здоровой ткани (NTCP), в микро- или макромасштабе; или время выживания пациента, на основании, например, типа лечения, параметров лечения, анамнеза пациента или анатомии.

[098] В некоторых вариантах осуществления определение прогнозирования плотности вероятности, соотнесенной с выходным вектором, может быть выполнено в пространственной области. В некоторых вариантах осуществления этот процесс может быть выполнен в частотном домене (например, домене Фурье, естественном для получения МРТ). В некоторых вариантах осуществления процесс может быть выполнен в пространстве преобразования Радона, например, естественном для получения КТ. В некоторых вариантах осуществления прогнозирование может применяться на сжатых изображениях, в которых используется, например, преобразование элементарных волн, и процесс может быть выполнен в пространстве преобразования элементарных волн.

[099] Спрогнозированное распределение вероятности может использоваться для получения точечных оценок и соответствующих измерений разброса, выраженного, например, в форме моментов распределения вероятности. В одном из вариантов осуществления оцененная карта пространственного распределения дозы может быть вычислена путем взятия среднего значения (то есть, первого момента) распределения. В другом варианте осуществления пространственный разброс дозы может быть представлен стандартным отклонением (то есть, квадратным корнем из центрального второго момента).

[0100] В некоторых вариантах осуществления выходной вектор может использоваться для прогнозирования плотности вероятности различных характеристик. Например, выходной вектор может включать вероятность того, что интересующая анатомическая область, такая как легкие, сердце или предстательная железа, может переместиться во время лечения. В некоторых вариантах осуществления выходной вектор (например, 3-D вектор) может использоваться для направления деформируемой регистрации посредством моделирования корреляций анатомии пациента, например, выходной вектор может включать вероятность того, что множество в изображении атласа отображается на другое множество координат на изображении мишени, или наоборот. В некоторых вариантах осуществления выходной вектор может быть выбран с помощью моделирования Монте-Карло переноса излучения и может использоваться для ускорения вычислений при последующих вычислениях дозы. В некоторых вариантах осуществления спрогнозированная плотность вероятности может использоваться для обнаружения выбросов во время ввода в эксплуатацию систем лучевой терапии.

[0101] Процесс 420 прогнозирования может обеспечить возможность разработки плана лечения, на этапе 430, посредством использования множества реальных характеристик одного или более результатов. Например, модуль 114 прогнозирования может определять гистограмму дозы-объема (ГДО) на основании определенного прогнозирования плотности вероятности, соотнесенной с выходным элементом. В этом случае, вектор признаков включает назначенное расстояние x и соответствующий выходной вектор включает дозу D. прогнозирование плотности вероятности p*(D) может быть определено следующим образом:

[0102] (11)

[0103] и соответствующая ГДО(D) может быть вычислена следующим образом:

[0104] (12).

[0105] В варианте осуществления, на этапе 430, процесс 420 прогнозирования может обеспечить возможность проверки допустимости плана лечения, например, в целях обеспечения качества или для обучения. Например, этап 430 может обеспечить возможность проверки допустимости одного или более ранее созданных планов лечения с помощью недавно созданного плана лечения.

[0106] Фиг. 5 представляет собой блок-схему другого варианта осуществления, который использует специфичные для пациента тестовые данные для выбора обучающих данных для выполнения процесса 500 обучения и процесса 520 прогнозирования данных. В некоторых вариантах осуществления процессы 500 и 520 могут быть аналогичны процессам 400 и 420, соответственно, как ранее описано в отношении фиг. 4, с некоторыми отличиями, которые будут описаны ниже. Обратимся к фиг. 5; тестовые данные 501 могут использоваться в процессе 500 обучения и процессе 520 прогнозирования. В некоторых вариантах осуществления тестовые данные 501 может включать в себя множество тестовых выборок. В некоторых вариантах осуществления тестовые данные 501 и их тестовые выборки могут быть аналогичны тестовым данным, полученным на этапе 424 на фиг. 4. Как отмечено выше, фиг. 5 может быть аналогична фиг. 4. Отличия между фиг. 4 и фиг. 5 включают способ, которым используются специфичные для пациента тестовые данные (например, тестовые данные 501). Например, обратимся к фиг. 5; процесс 500 обучения может использовать специфичные для пациента тестовые данные 501 для создания одной или более прогнозирующих моделей . В некоторых вариантах осуществления специфичные для пациента тестовые данные 501 могут использоваться на этапе 502, где модуль обучения 110 может выбрать подмножество обучающих данных из базы данных 122 обучения на основании тестовых данных 501.

[0107] На этапе 504 модуль 112 обучения может определять совместную плотность вероятности, ассоциированную с вектором признаков и соответствующим выходным вектором, на основании обучающих данных, выбранных на этапе 502. Этап 504 может быть аналогичен этапу 404, за исключением того, что обучающие данные, используемые на этапе 504, могут быть выбраны на основании тестовых данных 501.

[0108] В некоторых вариантах осуществления процесса 500 обучения могут быть опущены этап 506 и этап 508, описанные ниже. Поэтому, в одном из вариантов осуществления, процесс 500 обучения может включать в себя этапы 502, 504 и 510. В другом варианте осуществления процесс обучения может включать в себя 502, 504, 506, 508 и 510.

[0109] На этапе 506 плотность вероятности, ассоциированная с вектором признаков, может быть определена аналогично этапу 406. На этапе 508 условная вероятность, ассоциированная с выходным вектором при заданном векторе признаков, может быть определена аналогично этапу 408.

[0110] На этапе 510 модуль 112 обучения может сохранить одну или более условных вероятностей в базе данных 122 обучения в качестве прогнозирующие модели . В некоторых вариантах осуществления модуль 112 обучения может сохранить одну или более объединенных вероятностей в базе данных 122 обучения в качестве прогнозирующие модели . Таким образом, прогнозирующая модель может быть определена на основании одной или более совместных вероятностей или одной или более условных вероятностей.

[0111] После того, как модель(-и) прогнозирования, специфичная(-ые) для конкретного пациента, были(-а) созданы(-ы) модулем 112 обучения (например, посредством процесса 500 обучения), тестовые данные 501 могут далее использоваться модулем 14 прогнозирования вместе с одной или более прогнозирующими моделями для прогнозирования одного или более результатов (например, выходных векторов или выходных элементов).

[0112] Например, на этапе 522 тестовые данные 501 могут быть получены и использованы в процессе 520 прогнозирования наряду одной или более прогнозирующих моделей , полученных от модуля 112 обучения (например, полученных на этапе 524).

[0113] На этапе 526 модуль 114 прогнозирования может определять плотность вероятности, ассоциированную с вектором признаков каждой тестовой выборки, на основании данных тестирования, аналогично этапу 426.

[0114] На этапе 528 модуль 114 прогнозирования может определять прогнозирование плотности вероятности, соотнесенной с выходным вектором, или его элементами, на основании плотностей вероятности, определенных для множества тестовых выборок и одной или более прогнозирующих моделей , аналогично этапу 428.

[0115] После того, как предсказанные результаты были сгенерированы, предсказанные результаты могут затем использоваться или для разработки плана лечения, или для проверки допустимости ранее разработанного плана лечения, на этапе 530.

[0116] В некоторых вариантах осуществления множество тестовых данных может быть получено от системы 142 планирования лечения в режиме онлайн или в режиме офлайн.

[0117] В дополнение к методу KDE, описанному выше, другие методы оценки плотности могут также применяться для определения совместной плотности вероятности, соотнесенной с обучающей выборкой, или плотности вероятности, соотнесенной с вектором признаков тестовой выборки. Примеры методов оценки плотности включают, но не ограничиваются указанным:

[0118] Непараметрические методы - непараметрические методы могут оценить плотность с минимальными предположениями. Примеры включают KDE, описанный выше, и искусственные нейронные сети, которые моделируют неизвестную функцию как взвешенную сумму нескольких сигмоидальных кривых, каждая из которых является функцией всех соответствующих независимых переменных.

[0119] Параметрические методы - параметрические методы предполагают параметризованное вероятностное распределение и подгоняют к нему данные. Примером является смесь нормальных распределений.

[0120] Основанные на Монте-Карло методы - в методах этого типа выполняется циклически повторяемая случайная выборка для оценки вероятностного распределения, и, следовательно, они могут применяться в ограниченных случаях, таких как моделирование.

[0121] Методы машинного обучения - метод машинного обучения может быть расширен на выполнение оценки плотности. Примеры включают трансдуктивный метод опорных векторов (SVM), леса принятия решений, случайные леса, регрессионные модели и деревья оценки плотности. Некоторые из методов оценки плотности могут являться особенно подходящими для обнаружения выброса или определения релевантности, такие как деревья оценки плотности. Основанные на Монте-Карло методы и некоторые методы машинного обучения, такие как деревья оценки плотности, могут быть лучше приспособлены для обработки данных, имеющих высокую размерность.

[0122] В настоящем раскрытии описаны различные операции или функции, которые могут быть реализованы или заданы как программный код или инструкции. Такой контент может являться непосредственно исполнимым ("объектная" или "исполнимая" форма), исходным кодом, или дифференциальным кодом ("дельта" или "корректирующий" код). Реализации в форме программного обеспечения вариантов осуществления, описанных в настоящем раскрытии, могут быть предоставлены через промышленное изделие с кодом или инструкциями, сохраненными на нем, или через способ управления коммуникационным интерфейсом для отправки данных через коммуникационный интерфейс. Машиночитаемый или читаемый компьютером носитель информации может вызывать выполнение машиной описанных функций или операций, и включает любой механизм хранения данных в форме, доступной машине (например, вычислительному устройству, электронной системе, и т.п.), такой как записываемые/незаписываемые носители информации (например, память только для чтения (ROM), память произвольного доступа (RAM), магнитные дисковые носители данных, оптические носители данных, устройства флэш-памяти, и т.п.). Коммуникационный интерфейс включает любой механизм, который соединяется с любой проводной, беспроводной оптической и т.п. средой для взаимодействия с другим устройством, таким как интерфейс шины памяти, интерфейс шины процессора, Интернет-соединение, дисковый контроллер, и т.п. Коммуникационный интерфейс может быть сконфигурирован посредством предоставления конфигурационных параметров и/или отправки сигналов для подготовки коммуникационного интерфейса в целях предоставления сигнала данных, описывающего содержимое программного обеспечения. К коммуникационному интерфейсу можно получить доступ через одну или более команд или сигналов, отправленных коммуникационному интерфейсу.

[0123] Настоящее изобретение также относится к системе для выполнения операций настоящего раскрытия. Эта система может быть специально создана для требуемых целей, или она может включать в себя универсальный компьютер, выборочно активированный или реконфигурированный посредством компьютерной программы, сохраненной в компьютере. Такая компьютерная программа может быть сохранена на читаемом компьютером носителе информации, таком как, но не ограничиваясь указанном, диск любого типа, включая дискеты, оптические диски, CD-ROM и магнитно-оптические диски, памяти только для чтения (ROM), памяти с произвольным доступом (RAM), EPROM, EEPROM, магнитные или оптические карты, или любой тип носителей информации, подходящих для хранения электронных инструкций, каждый из которых соединен с шиной компьютерной системы.

[0124] Порядок исполнения или выполнения операций в вариантах осуществления изобретения, проиллюстрированных и описанных в настоящем раскрытии, не является существенным, если не определено другое. Таким образом, операции могут быть выполнены в любом порядке, если не определено другое, и варианты осуществления изобретения могут включать в себя больше или меньше операций, чем раскрыто в настоящем раскрытии. Например, предполагается, что исполнение или выполнение конкретной операции до, одновременно, или после другой операции находится в пределах объема аспектов изобретения.

[0125] Варианты осуществления изобретения могут быть реализованы с помощью исполнимых компьютером инструкций. Исполнимые компьютером инструкции могут быть организованы в один или более исполнимых компьютером компонентов или модулей. Аспекты изобретения могут быть реализованы с любым числом и любой организацией таких компонентов или модулей. Например, аспекты изобретения не ограничены конкретными исполнимыми компьютером инструкциями или конкретными компонентами или модулями, проиллюстрированными на фигурах и описанными в настоящем раскрытии. Другие варианты осуществления изобретения могут включать в себя различные исполнимые компьютером инструкции или компоненты, имеющие большую или меньшую функциональность, чем проиллюстрировано и описано в настоящем раскрытии.

[0126] При представлении элементов аспектов изобретения или его вариантов осуществления предполагается, что единственное число или слово «указанный» означают, что имеется один или более элементов. Предполагается, что термины «содержащий», «включающий» и «имеющий» являются включающими и означают, что могут иметься дополнительные элементы помимо перечисленных элементов.

[0127] В свете подробного описания аспектов изобретения будет очевидно, что модификации и изменения являются возможными без отступления от объема аспектов изобретения в соответствии с определенным в прилагаемой формуле изобретения. Поскольку различные изменения могут быть произведены в приведенных выше конструкциях, продуктах и способах без отступления от объема аспектов изобретения, то предполагается, что весь объект, содержащийся в приведенном выше описании и показанный на прилагаемых чертежах, должен интерпретироваться как иллюстративный, и в неограничивающем смысле.

Группа изобретений относится к медицинской технике, а именно к средствам для обучения и/или прогнозирования данных при разработке плана лечения лучевой терапии. Система лучевой терапии для лечения целевого пациента, с помощью устройства лучевой терапии, выполненного с возможностью осуществлять лучевую терапию в соответствии с планом лечения, содержит устройство обработки данных для создания плана лечения, включающее память, в которой хранятся исполнимые компьютером инструкции, и процессорное устройство, коммуникативно соединенное с памятью, при этом исполняемые компьютером инструкции, при выполнении процессорным устройством, побуждают процессорное устройство осуществлять операции, включающие в себя получение обучающих данных, соотнесенных с прошлыми планами лечения, применяемыми для лечения выборочных пациентов, причем обучающие данные включают в себя наблюдения, соотнесённые с состоянием выборочных пациентов, полученные из медицинских данных изображений, и по меньшей мере один результат плана, указывающий результат, полученный из прошлого плана лечения, или параметр плана, указывающий расчетный параметр прошлого плана лечения, определение совместной плотности вероятности, указывающей вероятность того, что как по меньшей мере одно конкретное наблюдение, так и по меньшей мере один конкретный результат плана или параметр плана присутствуют в обучающих данных, вычисление условной вероятности на основании определенной совместной плотности вероятности, причем условная вероятность указывает вероятность того, что конкретный результат плана или параметр плана присутствует в обучающих данных, получение специфичных для пациента тестовых данных, соотнесенных с целевым пациентом, включающих в себя по меньшей мере одно специфичное для пациента наблюдение, соотнесенное с целевым пациентом и полученное из медицинских данных изображений, прогнозирование вероятности специфичного для пациента результата плана или параметра плана на основании условной вероятности и специфичного для пациента наблюдения, создание плана лечения, основанного на прогнозировании, и предписывание устройству лучевой терапии осуществлять лучевую терапию в соответствии с созданным планом лечения. Посредством системы лучевой терапии осуществляется способ ее работы. Во втором варианте выполнения системы процессорное устройство выполнено с возможностью получения обучающих данных, соотнесенных с прошлыми планами лечения, при этом обучающие данные включают в себя обучающие выборки, каждая из обучающих выборок включает в себя вектор признаков и выходной вектор, соответствующий вектору признаков, причем вектор признаков включает в себя по меньшей мере одно наблюдение, соотнесённое с прошлым планом лечения, и выходной вектор включает в себя по меньшей мере один результат плана или параметр плана, определения совместной плотности вероятности, соотнесенной с вектором признаков и соответствующим выходным вектором, причем совместная плотность вероятности указывает вероятность того, что как по меньшей мере одно наблюдение вектора признаков, так и по меньшей мере один результат плана или параметр плана выходного вектора присутствуют в обучающих данных, определения условной плотности вероятности, соотнесенной с выходным вектором, с учетом плотности вероятности вектора признаков в обучающих данных, причем условная плотность вероятности указывает вероятность того, что по меньшей мере один результат плана или параметр плана вектора признаков присутствует в обучающих данных, при условии присутствия по меньшей мере одного наблюдения вектора признаков, или создания по меньшей мере одной прогнозирующей модели, основанной по меньшей мере на одном из совместной плотности вероятности или условной плотности вероятности; причем каждая прогнозирующая модель включает в себя вероятность, что по меньшей мере один конкретный результат плана или параметр плана присутствует в обучающих данных, с учетом вероятности, что по меньшей мере одно конкретное наблюдение присутствует в обучающих данных, вероятность, что как по меньшей мере одно конкретное наблюдение, так и по меньшей мере один конкретный результат плана или параметр плана присутствуют в обучающих данных, сохранения по меньшей мере одной прогнозирующей модели в памяти, получения специфичных для пациента тестовых данных, соотнесенных с пациентом, при этом специфичные для пациента тестовые данные включают в себя специфичный для пациента вектор признаков, причем специфичный для пациента вектор признаков включает в себя по меньшей мере одно специфичное для пациента наблюдение, соотнесенное с пациентом, определения плотности вероятности специфичного для пациента вектора признаков в специфичных для пациента тестовых данных, прогнозирования плотности вероятности специфичного для пациента выходного вектора на основании плотности вероятности специфичного для пациента вектора признаков и по меньшей мере одной прогнозирующей модели; и создания плана лечения, основанного на прогнозировании, и предписывают устройству лучевой терапии осуществлять лучевую терапию в соответствии с планом лечения. Использование изобретений позволяет повысить эффективность создания плана лечения в радиационной терапии. 3 н. и 18 з.п. ф-лы, 5 ил.

1. Система лучевой терапии для лечения целевого пациента, с помощью устройства лучевой терапии, выполненного с возможностью осуществлять лучевую терапию в соответствии с планом лечения, содержащая:

устройство обработки данных для создания плана лечения, причем устройство обработки данных содержит:

память, в которой хранятся исполнимые компьютером инструкции; и

процессорное устройство, коммуникативно соединенное с памятью, при этом исполняемые компьютером инструкции, при выполнении процессорным устройством, побуждают процессорное устройство осуществлять операции, включающие в себя:

- получение обучающих данных, соотнесенных с прошлыми планами лечения, применяемыми для лечения выборочных пациентов; причем обучающие данные включают в себя:

- наблюдения, соотнесённые с состоянием выборочных пациентов, причем наблюдения получены из медицинских данных изображений; и по меньшей мере один результат плана, указывающий результат, полученный из прошлого плана лечения, или параметр плана, указывающий расчетный параметр прошлого плана лечения,

- определение совместной плотности вероятности, указывающей вероятность того, что как по меньшей мере одно конкретное наблюдение, так и по меньшей мере один конкретный результат плана или параметр плана присутствуют в обучающих данных;

- вычисление условной вероятности на основании определенной совместной плотности вероятности, причем условная вероятность указывает вероятность того, что конкретный результат плана или параметр плана присутствует в обучающих данных,

- получение специфичных для пациента тестовых данных, соотнесенных с целевым пациентом, причем специфичные для пациента тестовые данные включают в себя по меньшей мере одно специфичное для пациента наблюдение, соотнесенное с целевым пациентом, причем специфичное для пациента наблюдение получено из медицинских данных изображений;

- прогнозирование вероятности специфичного для пациента результата плана или параметра плана на основании условной вероятности и специфичного для пациента наблюдения;

- создание плана лечения, основанного на прогнозировании, и

- предписывание устройству лучевой терапии осуществлять лучевую терапию в соответствии с созданным планом лечения.

2. Система по п. 1, в которой обучающие данные включают в себя обучающие выборки.

3. Система по п. 1, в которой обучающие данные включают в себя изображения.

4. Система по п. 3, в которой обучающие данные включают в себя обучающую выборку, и обучающая выборка включает в себя характеристику воксела в изображении.

5. Система по п. 1, в которой прошлые планы лечения лучевой терапии получены от текущего пациента, других пациентов или комбинации указанного.

6. Система по п. 1, в которой прошлые планы лечения получают по меньшей мере от одного из единственного пациента или от пациентов.

7. Система по п. 1, в которой изображения включают в себя по меньшей мере одно из изображения магнитно-резонансной томографии (МРТ), 3-D изображения МРТ, 2-D МРТ потоковое изображения передачи, 4-D объемного МРТ изображения, изображения компьютерной томографии (КТ), изображения конусно-лучевой КТ, изображения позитронной эмиссионной томографии (ПЭТ), изображения функциональной МРТ (фМРТ), рентгеновского изображения, флуороскопического изображения, ультразвукового изображения, портального изображения лучевой терапии или изображения однофотонной эмиссионной компьютерной томографии (ОФЭКТ).

8. Система по п. 1, в которой

исполнимые компьютером инструкции дополнительно предписывают процессорному устройству вычислять вероятность того, что конкретное наблюдение присутствует в обучающих данных; и

причем условная вероятность указывает вероятность, что конкретный результат плана или параметр плана присутствует в обучающих данных, с учетом вероятности, что конкретное наблюдение присутствует в обучающих данных.

9. Система по п. 8, в которой определение совместной плотности вероятности или вычисление условной вероятности включает в себя применение по меньшей мере одного метода из непараметрического метода, параметрического метода, метода Монте-Карло, метода регрессии, метода машинного обучения или комбинации указанного.

10. Способ работы системы лучевой терапии для осуществления лучевой терапии для лечения целевого пациента, включающий в себя:

- получение обучающих данных, соотнесенных с прошлыми планами лечения, применяемыми для лечения выборочных пациентов; при этом обучающие данные включают в себя обучающие выборки, каждая из обучающих выборок включает в себя вектор признаков и выходной вектор, соответствующий вектору признаков, причем:

вектор признаков включает в себя по меньшей мере одно наблюдение, соотнесённое с состоянием выборочных пациентов, и

выходной вектор включает в себя по меньшей мере один результат плана, указывающий результат, полученный из прошлого плана лечения, или параметр плана, указывающий расчетный параметр прошлого плана лечения,

- определение, посредством процессорного устройства, совместной плотности вероятности, соотнесенной с вектором признаков и соответствующим выходным вектором; причем совместная плотность вероятности указывает вероятность того, что как по меньшей мере одно наблюдение вектора признаков, так и по меньшей мере один результат плана или параметр плана выходного вектора присутствуют в обучающих данных;

- создание посредством процессорного устройства по меньшей мере одной прогнозирующей модели для прогнозирования результатов будущего плана или параметров плана для целевого пациента, основанных на совместной плотности вероятности, причем каждая прогнозирующая модель включает в себя:

вероятность, что по меньшей мере один конкретный результат плана или параметр плана присутствует в обучающих данных, с учетом вероятности, что по меньшей мере одно конкретное наблюдение присутствует в обучающих данных;

- сохранение по меньшей мере одной прогнозирующей модели в памяти;

- получение специфичных для пациента тестовых данных, соотнесенных с целевым пациентом, при этом специфичные для пациента тестовые данные включают в себя специфичный для пациента вектор признаков, причем специфичный для пациента вектор признаков включает в себя по меньшей мере одно специфичное для пациента наблюдение, соотнесенное с целевым пациентом;

- определение посредством процессорного устройства плотности вероятности специфичного для пациента вектора признаков в специфичных для пациента тестовых данных;

- прогнозирование, посредством процессорного устройства, плотности вероятности специфичного для пациента выходного вектора на основании (1) плотности вероятности специфичного для пациента вектора признаков и (2) по меньшей мере одной прогнозирующей модели;

- создание плана лечения, основанного на прогнозировании, и

- предписывание устройству лучевой терапии осуществлять лечение целевого пациента в соответствии с планом лечения.

11. Способ по п. 10, дополнительно включающий в себя:

- определение условной плотности вероятности, соотнесенной с выходным вектором, с учетом плотности вероятности вектора признаков в обучающих данных, причем условная плотность вероятности указывает вероятность того, что по меньшей мере один результат плана или параметр плана вектора признаков присутствует в обучающих данных, при условии присутствия по меньшей мере одного наблюдения вектора признаков; и

- создание по меньшей мере одной прогнозирующей модели, основанной на условной плотности вероятности.

12. Способ по п. 10, в котором определение совместной плотности вероятности включает в себя применение по меньшей мере одного метода из непараметрического метода, параметрического метода, метода Монте-Карло, метода регрессии, метода машинного обучения или комбинации указанного.

13. Способ по п. 11, в котором определение условной плотности вероятности включает в себя применение по меньшей мере одного метода из непараметрического метода, параметрического метода, метода Монте-Карло, метода регрессии, метода машинного обучения или комбинации указанного.

14. Способ по п. 10, в котором специфичные для пациента тестовые данные включают в себя по меньшей мере одно из данных изображения, данных сегментации интересующего органа или объема, данных функционального моделирования органа, дозы излучения, лабораторных данных, геномных данных, демографических данных, других заболеваний, которым подвержен пациент, реакций на лекарственную терапию и лекарственные препараты, диеты и образа жизни, экологических факторов риска, характеристик опухоли, генетических/белковых биомаркеров, или предыдущих лечений пациента.

15. Способ по п. 10, в котором вектор признаков включает в себя по меньшей мере одно из расстояния до интересующей анатомической области, вероятности ткани, пространственных координат, информации, полученной из свертки изображений с применением по меньшей мере одного линейного фильтра, информации, полученной из свертки изображений с применением по меньшей мере одного нелинейного фильтра, информации, полученной из преобразования по меньшей мере одного изображения, информации, основанной на теоретических измерениях дескриптора признака типа, используемого в машинном зрении, размера опухоли, типа опухоли, местоположения опухоли, возраста пациента, пола пациента, этнической принадлежности пациента, индекса масса тела (ИМТ) пациента, информации о пациенте или информации об ответственном враче.

16. Способ по п. 10, в котором выходной вектор включает в себя по меньшей мере одно из дозы, вероятности контроля опухоли (TCP), вероятности осложнений для здоровой ткани (NTCP), времени выживания пациента, вероятности смещения области во время лечения, или вероятности того, что множество координат на контрольном изображении отображается на другое множество координат на целевом изображении.

17. Способ по п. 10, в котором прошлые планы лечения получены от текущего пациента, от других пациентов или комбинации указанного.

18. Способ по п. 10, содержащий выборку обучающих данных из подмножества всех доступных обучающих данных на основании специфичных для пациента тестовых данных.

19. Способ по п. 10, в котором прошлые планы лечения получают от единственного пациента.

20. Способ по п. 10, в котором прошлые планы лечения получают от пациентов.

21. Система лучевой терапии для лечения целевого пациента, с помощью устройства лучевой терапии, выполненного с возможностью осуществлять лучевую терапию в соответствии с планом лечения, содержащая:

процессорное устройство, выполненное с возможностью:

получения обучающих данных, соотнесенных с прошлыми планами лечения, при этом обучающие данные включают в себя обучающие выборки, каждая из обучающих выборок включает в себя вектор признаков и выходной вектор, соответствующий вектору признаков,

причем вектор признаков включает в себя по меньшей мере одно наблюдение, соотнесённое с прошлым планом лечения, и выходной вектор включает в себя по меньшей мере один результат плана или параметр плана;

определения совместной плотности вероятности, соотнесенной с вектором признаков и соответствующим выходным вектором; причем совместная плотность вероятности указывает вероятность того, что как по меньшей мере одно наблюдение вектора признаков, так и по меньшей мере один результат плана или параметр плана выходного вектора присутствуют в обучающих данных;

определения условной плотности вероятности, соотнесенной с выходным вектором, с учетом плотности вероятности вектора признаков в обучающих данных, причем условная плотность вероятности указывает вероятность того, что по меньшей мере один результат плана или параметр плана вектора признаков присутствует в обучающих данных, при условии присутствия по меньшей мере одного наблюдения вектора признаков;

создания по меньшей мере одной прогнозирующей модели, основанной по меньшей мере на одном из совместной плотности вероятности или условной плотности вероятности; причем каждая прогнозирующая модель включает в себя:

вероятность, что по меньшей мере один конкретный результат плана или параметр плана присутствует в обучающих данных, с учетом вероятности, что по меньшей мере одно конкретное наблюдение присутствует в обучающих данных; или

вероятность, что как (1) по меньшей мере одно конкретное наблюдение, так и (2) по меньшей мере один конкретный результат плана или параметр плана присутствуют в обучающих данных;

сохранения по меньшей мере одной прогнозирующей модели в памяти;

получения специфичных для пациента тестовых данных, соотнесенных с пациентом, при этом специфичные для пациента тестовые данные включают в себя специфичный для пациента вектор признаков, причем специфичный для пациента вектор признаков включает в себя по меньшей мере одно специфичное для пациента наблюдение, соотнесенное с пациентом;

определения плотности вероятности специфичного для пациента вектора признаков в специфичных для пациента тестовых данных;

прогнозирования плотности вероятности специфичного для пациента выходного вектора на основании (1) плотности вероятности специфичного для пациента вектора признаков и (2) по меньшей мере одной прогнозирующей модели; и

создания плана лечения, основанного на прогнозировании; и

предписывают устройству лучевой терапии осуществлять лучевую терапию в соответствии с планом лечения.