计划的复杂性和结果的概率)都可以并入用于评价过程。评价准则例如可以由放射治疗专家来确定。
[0036]图4A是图示根据本公开的实施方案包括用于预测模型选择的决策级别的层级的集成模型400的示例性配置的图示。在所示实施方案中，集成模型包括在底部级别的模型420的收集和多个决策级别，例如A、B、C，每个对应于患者数据中相应的特征集，并且每个特征集对应于患者数据中的一个或多个特征。每个决策级别包括相应特征集的多个预定义的划分或类别。例如，级别A可对应于特征F1，例如待治疗的器官类型，其中Al表示前列腺且A2表示头颈部。B级别可对应于F2，例如目标的大小，其中BI和B3表示小于3毫米的范围，并且B2和B4表示等于或大于3毫米的范围。如图所示，下级决策层级的划分嵌入上级决策层级的划分，例如，BI和B2嵌入Al中，Cl和C2嵌入BI中。
[0037]提供有患者数据401，例如具有特征集F1、F2和F3，模型选择部件410可以基于每个对应的特征集的患者数据来标识来自每个级别的一个或多个可适用的划分，从顶部级别开始。然后可以基于所标识的可适用划分选择一个或多个预测模型。
[0038]图4B是描绘根据本公开的实施方案在层级模型中选择适合的预测模型的示例性方法450的流程图。层级模型可以被实现为如图4B所示。在451，基于对应于顶部级别的第一特征的患者数据，在顶部级别上标识第一类别。在452，基于对应于第二级别的第二特征的患者数据，在第二级别上标识第二类别。第二类别嵌入第一类别。在453，基于对应于第三级别的第二特征的患者数据，在第三级别上标识第三类别。第三类别嵌入第三类别。在454，可以标识适用于所有所标识的类别的适合的预测模型。
[0039]在一些实施方案中，以参考图4B所述的类似方法，可以标识多于一个的合适的预测模型。如参考图3B所述，可以评价所得的多个预测。
[0040]根据本公开的层级模型可以是手动构造的或自动组合现有构造的预测模型，或自动从单个训练集配置子模型的集合。例如，大的训练集首先可以被分成使用聚类算法的子集，然后每个子集将被用作回归模型的训练集。
[0041]图5是示出根据本公开的实施方案的自动化集成模型生成系统500的功能框图。集成模型生成系统500包括:输入接口 503，训练数据分类模块510，子模型生成模块520，集成模块530，输入接口生成模块541，输出接口生成模块541，和输出接口 504。在操作期间，系统500可处理在输入接口 503接收的训练数据501，生成集成模型，和通过输出接口504输出集成模型502。集成模型集成了多个预测模型，并且可操作以基于患者数据的特定集合(例如新患者数据)来选择一个或多个预测子模型并且输出治疗预测。集成模型中的子模型可以具有或可以不具有关于该子模型之间的相关性的内部层级。例如，所有子模型可以彼此串联，并且因此内部没有非平凡(non-trival)层级存在。
[0042]训练数据分类模块510能够按照聚类算法(例如分级聚类算法)，将训练数据501分类为训练数据的子集。训练数据的每个子集然后被提供至子模型生成模块520以根据本领域公知的任何合适的手段自动生成子模型。然后根据本公开的实施方案，预测模型被提供至集成模块530并且组合到集成或层级模型中。接口生成模块541和542可分别生成输入接口和输出接口。
[0043]在一些实施方案中，集成模型可以通过配置新的预测模型到有点不同的区域中而被递增地扩大。它也可以用来创建用于减小区域的预测方案。
[0044]图6是描绘根据本公开的实施方案的自动生成用于治疗计划的集成模型的示例性方法600的流程图。在601，接收训练数据的集合。在602，根据分级聚类算法或本领域公知的任何其它合适的算法，基于训练数据中的特征，训练数据被分类为多个数据子集。在一些实施方案中，训练集的一种病例可以是仅一个子集的一部分，例如在层级集成模型中。在603，预测子模型可以基于训练数据的每个子集训练，并且可操作以生成放射治疗预测，诸如按照回归分析技术，或按照本领域公知的任何其它数据拟合技术。在604，经训练的预测模型被集成到层级模型中，每个级别对应于一个特征集。在604，输出集成模型。如本领域技术人员所理解的，训练过程通常可用于校准某些理论和一般模型，以在预测和实际剂量测定结果之间的训练集中提供尽可能好的匹配。在训练过程中，一组选定的病例(分离的患者数据)、训练集可以被用来限定模型的自由参数的值，或可以从先前已知的病例创建模型。一旦模型被训练，其就会成为可以用于对例如剂量测定结果未知的新病例给出可靠的预测的特定的模型。
[0045]图7是图示根据本公开的实施方案包括自动集成模型生成器710和自动治疗计划生成器720的示例性计算系统700的框图。计算系统700包括:处理器701，系统存储器702，GPU 703，I/O接口 704和网络电路705，操作系统706，和应用软件707，其包括存储在存储器702中的自动集成模型生成器710和自动治疗计划生成器720。在一些其它实施方案中，自动集成模型生成器和自动治疗计划生成器可以在两个分离的系统中实现。
[0046]当结合输入和配置输入，例如训练数据，并且由CPU 701执行时，自动集成模型生成器710可以自动生成集成模型，其包含根据本公开的实施方案由训练数据训练的多个预测模型。自动集成模型生成器710可以执行各种其它功能，如参考图5和图6详细讨论的。
[0047]当结合输入和配置输入，例如患者数据的集合，并且由CPU 701执行时，自动治疗计划生成器720可以通过根据本公开的实施方案自动选择的预测模型来自动生成治疗计划参数。自动治疗计划生成器720可以执行各种其它功能，如参考图1、图2、图3A、图3B、图4A和图4B详细讨论的。
[0048]如本领域普通技术人员所理解的，自动集成模型生成器710和自动治疗计划生成器720可以以本领域技术人员已知的任何一种或多种合适的编程语言实现的软件，诸如C、C++、Java、Python、Perl、C#、SQL 等。
[0049]尽管本文已经公开了某些优选的实施方案和方法，但从前面的公开内容，对本领域技术人员显而易见的是，在不背离本发明的精神和范围的情况下可以对这些实施方案和方法作出各种变化和修改。意图在于本发明应仅限于由所附权利要求和适用法律的规则和原则所要求的程度。
【主权项】
1.一种为患者自动生成放射治疗计划的计算机实现的方法，所述方法包括: 访问涉及患者的放射治疗的患者信息； 按照包括布置在层级中的多个预测模型的层级模型基于所述患者信息自动选择一个或多个预测模型，其中所述预测模型基于训练数据被建立并且能够操作以生成放射治疗预测； 根据所述一个或多个预测模型处理所述患者信息；以及 输出一个或多个放射治