模型选择模块122的自动治疗计划系统100的示例性配置。该系统100包括:输入接口 110以接收患者数据；数据处理部件120，其实现集成模型并包括预测子模型的收集121、模型选择模块122和预测生成模块125 ;以及输出接口 130。系统100整体或部分可被实现为软件程序、硬件逻辑或者它们的组合。
[0026]收集121中的每个预测子模型可以仅适用于关于该患者数据特征的有限区域，例如包含在患者数据101中的几何参数。例如，根据训练数据涵盖的适用区域，子模型可被确定为有效预测具有一定范围内的肿瘤大小的尚风险如列腺癌；而另一子申旲型可被确定为有效预测具有另一范围内的肿瘤大小的低风险前列腺癌。将个体预测模型组合到能够自动地选择对特定患者数据集适用的子模型的集成模型中，如将在下面更详细地描述。
[0027]在操作过程中，基于通过输入接口 110提供的患者数据101，模型选择模块122可以从子模型121的收集中自动选择合适的子模型。选定的子模型被用来在预测生成模块123处生成预测并通过输出接口 130输出结果。借助于对用户(例如治疗计划者)可能是透明的自动子模型选择过程，该集成模型有利地可覆盖用于治疗预测的扩展的有效区域，而无需手动选择合适的子模型。在一些实施方案中，该系统可以包括用户界面，其允许用户通过用户定义的限制来缩小子模型的搜索范围。患者数据的集合通常包括多个数据点。如本领域技术人员理解的，本公开不限于基于患者数据确定匹配子模型的任何机制或准则。例如，子模型可被选择，因为预定数量的患者数据点落入子模型的有效区域中。在一些实施方案中，每个子模型都有自己的训练集，例如预先治疗的病例的集合，对新病例的匹配准则可以是新的单个病例和训练集之间的某些相似性量度。例如，新病例的参数和训练集中相同参数的平均值之间的比较可以用作相似性量度。该选择可基于最大相似性，例如，当仅选择一个子模型时，在所选择的相似性量度中具有最高得分的那个。子模型选择也可以基于某些可接受的相似性级别，例如，当具有足够高的相似性量度的所有子模型被选择时，选择的子模型的数目可能有所不同。
[0028]输入患者数据可以包含以本领域公知方式实际上可以影响治疗的参数的任意组合。例如，患者数据可以被组织为矢量或数据结构，包括目标大小的特征元素、危及器官的大小、器官形态说明、与一个器官重叠的部分目标体积、与多个器官重叠的部分目标体积、与目标重叠的部分器官体积、与其它器官重叠的部分器官体积等。
[0029]如本领域技术人员可以理解的，本公开不限于生成各子模型或子模型的任何特定收集的任何特定机制。例如，根据本公开的集成模型包含的子模型可以由本领域公知的任何曲线拟合技术得到。具体而言，曲线拟合可基于回归分析(诸如线性回归)、内插或非线性回归，例如，长轴、简化的长轴、多项式、指数、对数功率等。
[0030]各个子模型可来源于具有若干模型以覆盖不同区域的诊所，或通过放射设备提供者开发，或与若干诊所共享。该模型可以来自公开的文献数据或临床实践者提交的临床数据。如本领域的技术人员所理解的，可以共享该模型而无需提供与用于训练模型的训练集有关的实际患者数据。可使用该模型而无需访问用于训练的原始患者数据。在一些实施方案中，某些诊所或其它模型提供者可以同时创建一起使用的所有子模型，或通过将若干先前的训练子模型组合在一起来产生集成模型。在后一种情况下，一些或所有子模型可能已经从其它方获得。在一些实施方案中，子模型训练可以基于在云计算中的训练集来完成。在一些实施例中，若干子模型在云(cloud)中是可获得的，并且软件部件可用于从云中搜索合适的子模型。
[0031]本公开可以与任何类型的放射治疗结合任何类型的放射治疗设备相关联地应用，诸如强度调制放射治疗(IMRT)、光子治疗、带电粒子治疗等。如本领域技术人员可以理解的，本公开不限于可从集成模型和各子模型中导出的任何特定类型的结果。计划系统也可以产生例如对肿瘤和正常组织的剂量预测，其通过放射治疗系统或特定放射治疗装备对应的操作参数来实现。例如，在用于IMRT的放射治疗计划中，目标通常是估计参数的集合来控制用于递送放射至患者的放射治疗设备。这样的系统还可以预测生存的机会，或并发症的机会。使用之前根据本领域公知的任何优化技术可以将输出供应到下游的优化系统。
[0032]图2是示出根据本公开的实施方案的自动治疗计划的示例性方法200的流程图。方法200可以在图1所示的系统中实现。在201，一组新患者数据被接收到系统，该系统采用集成的子模型。在202，基于接收的患者数据通过集成模型可以自动选择一个或多个合适的子模型。所选的子模型可用于在203处理新患者数据并在204输出一组治疗计划参数。
[0033]图3A是示出根据本公开的实施方案通过借助于评价可操作以确定适合的子模型的集成模型的示例性配置的框图。在本示例中，集成模型包括两级层级结构。第一级是模型选择部件。第二级是子模型320(例如M1-M8)的收集，具有关于患者数据中所含的参数的有限应用区域。患者数据301被提供到预测模型320，并由此进行处理。在一些实施方案中，不管相应的可适用区域，每个子模型可以产生预测结果，例如可实现的剂量分布预测，伴随有指示预测质量的参数，诸如结果的可靠性，例如受训练集的内部一致性的影响，预测计划的复杂性，和结果的概率。在一些其它实施方案中，基于由子模型所作的预测和通过使用其预测的实际治疗结果之间的比较，表示子模型可靠性的数据可包括在评价量度中。
[0034]预测模型M1-M8的输出被提供至预测评价部件330，其被配置为根据预定义的准则或排名机制全面评价对应的预测结果和质量指标。由此，模型选择模块310可以输出由预测模型生成的满足预定义准则的结果。本领域技术人员应理解的是，本公开不限于任何特定的评价度量。
[0035]图3B是描绘通过采用集成模型的自动治疗计划的示例性方法350的流程图，其中根据本公开的实施方案通过借助于评价可以确定适合的预测子模型。包含在集成模型中的相应的预测模型在351处理输入患者数据，并在352生成预测结果。在353，子模型还可以生成代表与患者数据有关的预测结果可靠性的参数。重复351-353中描述的过程用于集成模型中的所有子模型或模型的子集，其可以同时或相继进行。如果在一次执行一个，则可能对所有子模型或它们的一些子集进行评估。然后在354按照预定的准则对结果相对于输入患者数据进行全面评价。自动化评估过程可包括确定预测的质量(例如，准确性和可靠性)。其也可以基于根据对计划优化者(例如，自动生成的优化目标)自动生成的指令来尝试自动计划，和评价自动创建的计划的临床质量。在355，所得的预测计划可以基于评价而选择，并且可以被用于进一步的评价。如上所述，指示预测质量的参数(诸如基于由子模型所作的预测和通过使用其预测的实际治疗结果之间的比较的结果的可靠性、预测