语义放射治疗计划优化指导的制作方法

技术领域

本发明基本上关于放射疗法的领域和更具体来说关于放射疗法治疗计划开发与优化的领域。

背景技术：

肿瘤学和放射疗法技术不断进展，加速了可行治疗包膜的膨胀和与那些可行治疗有关的最优实践。同时，临床决策的复杂性正以非线性方式增大，导致实际实践与最优实践之间的差距尤其是在新兴市场中迅速扩大。

例如，当放射疗法的过程需要实施医学成像时，可使用几种系统，如X射线、核磁共振成像(MRI)、计算机断层扫描(CT)和其它系统。当使用(例如)CT或MRI成像技术时，从三维体积获取一系列二维图像。此处，每个二维图像是三维体积的横截面“切片”的图像。可组合所获得的二维横截面切片的集合以创建患者解剖结构的三维图像或重建图。这个所获得的三维图像或三维重建图将含有受关注的器官。那些受关注的器官包括放射疗法的标靶器官，以及有风险受到放射疗法照射的其它器官。含有受关注器官的三维图像或重建图部分可称为受关注结构或受关注体积。

这些一个或多个受关注结构可通过几种方式视察。视察受关注结构的第一种且最简单方式是只视察患者的原始CT或MRI图像切片，其中每个切片含有受关注结构的视图。视察受关注结构的第二种且更复杂的方法是将二维横截面切片系列组合成单一三维表示图，其中可将受关注结构表示为实心、不透明或半透明等对象，随后可加以操作(例如，旋转)以允许从多个角度视察。

含有患病或异常组织或器官的受关注结构的三维重建图的一个目的是制定三维放射疗法治疗计划。放射疗法治疗计划是在将精确的躯体区域(如癌性肿瘤)选择性暴露于特定放射剂量的医疗手术期间使用，以破坏不想要的组织。为了开发患者特异性放射疗法治疗方案，从三维模型提取信息以确定周界，如器官形状、器官体积、肿瘤形状、在器官中的肿瘤位置和几个其它受关注结构相对于受影响器官和任何肿瘤的定位或取向。

这些放射疗法治疗计划可利用与可用于获得改善的治疗方案不同的优化方法。优化可包括计算机找出满足用户(例如，医师)指定的放射公差极限的最优粒子流动或(例如)找出最优放射场方向性和计数。一般来说，这是一个反复试错过程且十分耗时。

随着不断进展的技术提供越来越复杂的放射疗法治疗计划，治疗计划中的实际临床实践与治疗计划中的可行最优实践之间的差距越来越大。因此，需要改善的利用新兴技术创新实现和传播改善结果的方法。

技术实现要素：

本发明通过改善优化给实现放射疗法治疗计划最优实践中固有的挑战提供解决方案。在根据本发明的一个实施方案的方法中，公开了一种改善治疗计划优化的方法。该方法包括使用从数据库选择的治疗类型生成针对患者的第一放射疗法治疗计划和优化第一放射疗法治疗计划。识别来自第一放射疗法治疗计划的度量选择并且与来自从数据库选择的合集先前患者记录的度量比较。识别影响第一放射疗法治疗计划满足识别的度量的能力的至少一个目标和其相关联的参数。比较影响识别的度量的目标的参数与另一个目标的竞争参数。确定用于治疗计划的至少一个备选治疗步骤，其将改善所识别的度量。以竞争参数和它们的相关联的目标为代价，通过调整识别的目标的参数改善识别的度量。

附图说明

通过阅读以下详细描述，并结合附图，将更好地理解本发明，其中类似参考字符表示类似元件且其中：

图1图示例示性简化方框图，其图示根据本发明的实施方案的知识库治疗计划系统的实施方案。

图2图示例示性简化方框图，其图示根据本发明的实施方案的具有改善的优化程序的知识库治疗计划系统的实施方案；

图3图示根据本发明的实施方案的用于优化放射疗法治疗计划的例示性过程的步骤；以及

图4图示根据本发明的实施方案的用于优化放射疗法治疗计划的例示性过程的步骤。

具体实施方式

现在将详细参考本发明的优选实施方案，其实例图示于附图中。虽然将结合优选实施方案描述本发明，但将理解并非意图将本发明限制于这些实施方案。相反，本发明意图覆盖替代、修改和等效内容，这些内容可包括在由随附权利要求定义的本发明精神和范围内。此外，在本发明的实施方案的以下详细描述中，陈述大量具体细节以提供本发明的彻底理解。然而，本领域一般熟练人员将明白本发明可无需这些具体细节下实施。在其它例子中，未详细描述熟知方法、程序、组件和电路以免不必要地混淆本发明的实施方案的方面。示出本发明的实施方案的图为半示意性且不按比例绘制，且特定来说，一些尺寸作了简明呈现并在附图中夸大示出。类似地，虽然附图中用于描述方便的视图基本上示出类似取向，但图中的这种描述大部分呈任意性。基本上来说，本发明可沿任何取向操作。

符号和命名：

下文根据程序、步骤、逻辑块、处理和在计算机存储器内的数据位上的操作的其它符号表示展示详细描述的一些部分。这些描述和表示是熟悉数据处理领域的技术人员用于最有效地将其工作实质传达给本领域的其它技术人员的手段。程序、计算机执行步骤、逻辑块、过程等提供在本文且基本上是按照获得所需结果的自洽步骤或指令顺序构想。所述步骤是要求实际量的物理操纵的那些步骤。通常，但非必须，这些量采取能够在计算机系统中储存、转移、组合、比较和按照其它方式操纵的电或磁信号的形式。已证明，原则上出于习惯用语的原因，有时适宜将这些信号称为位、值、元件、符号、字符、术语、数字或类似名称。

然而，应当明白所有这些和类似术语是与适当实际量有关且只是应用于这些量的惯用标签。除非以下论述具体明确声明，否则将明白在本发明全文中，使用诸如“处理”或“访问”或“执行”或“储存”或“渲染”或类似的术语的论述是指计算机系统或类似电子计算设备的行为和过程，其操纵计算机系统的寄存器和存储器和其它计算机可读介质内表示为实际(电子)量的数据并变换成计算机系统存储器或寄存器或其它这样的信息储存、传输或显示设备内类似地表示为实际量的其它数据。当组件出现在几个实施方案中时，相同参考数字的使用表示所述组件是如原实施方案中图示的相同组件。

本发明给改善放射疗法最优实践中固有的不断增加的挑战提供解决方案。本发明的各个实施方案提供知识库的用途，其合并患者记录与统计学模型的混合以简化和改善放射疗法治疗计划的优化。如下文详细论述，优化方法基于数据分析和临床知识库将医师的可行临床意图映射到优化参数中，以映射作出的临床决策并按照人类可理解语言将语义表达提供给医师来描述其它选项(例如，涉及参数设置权衡(trade-off)的备选治疗选项)，以基于知识库统计改善成果。当医师的临床意图相互或与“传统观点”或知识库中发现的其它治疗计划矛盾时，需要这种备选选项。此外，还可按照人类可理解语言捕获医师响应所提供的治疗备选方案作出的行为。这种捕获的临床行为随后可用作未来治疗计划优化的额外选项。例示性实施方案可映射驱动医师/用户通常看不见的算法的参数并将那些参数映射到用户的可理解目标。换句话说，不要求医师指定(例如)特定剂量，医师可转而寻找标靶均匀性。

初始治疗计划开发：

图1图示利用合并患者记录与统计学模型的混合的知识库以简化经过优化的放射疗法剂量分配治疗计划的生成的实施方案。个别患者记录可包括关于特定前一患者或假想患者的所有医疗记录/文件，如所使用的治疗计划、治疗成果、治疗类型、元数据和医学成像(如CT和MRI幻灯片)。如图1所示的例示性放射疗法治疗计划系统100包括知识库102和治疗计划工具集110。图1的知识库102包括多个患者记录104、多个治疗类型106和多个统计学模型108。图1的治疗计划工具集110包括当前患者记录112(例如，完整治疗计划)、下载的治疗类型114、医疗图像处理模块116、优化程序118、剂量分配模块120和完整化患者记录120(例如，包括最终批准的治疗计划)。所述治疗计划工具集从知识库检索类似于当前患者案例的先前患者记录，并使用当前患者信息、选择的治疗类型106和选择的统计学模型108，在患者记录112中生成优化的治疗计划，随后由医师批准。

知识库102允许基于先前医师经验开发放射疗法治疗计划和其剂量分配。通过使用基于经医师批准的先前治疗计划104的统计学模型108，以及基于当前患者元数据选择最常用治疗类型114，实施方案能够创建治疗计划，随后可通过优化系统118优化，和随后经医师微调。治疗计划的开发和优化还论述于由Zankowski于2011年9月28日提交的以“RADIATION THERAPY TREATMENT PLAN IMPROVEMENT THROUGH USE OF KNOWLEDGE BASE”为标题的共同审理中专利申请第13/247,270号中，该申请是以引用的方式并入本文。

一般来说，优化系统118包括由临床相关约束条件(如风险器官和照射标靶(如肿瘤)的放射公差极限或优先级)。此外，还可使用多个其它参数以指导优化系统118，如优化程序118最多将实施多少次反复、优化程序118在哪个间隔尺寸下分析问题(例如，优化程序多准确地计算患者吸收剂量的估算)和应优化哪些治疗设备参数等。

一般来说，通过优化系统118获得的最终结果是几个竞争目标之间的折中且受给定的有关参数限制或影响。医师/用户需决定如何调整这些目标和其参数以获得针对每个患者的最优可行治疗计划。如上所述，这一般是一个反复试错过程且十分耗时。

在优化开始后，相比于给用户/医师示出的信息，优化系统118具有关于当前可用优化状态的大量信息。这种信息的很大一部分在属性上复杂且对于不同目标具有多重依赖性，还造成特别难以理解。这一情况导致尝试优化治疗计划的过程耗时、反复。

如上文并入的Zankowski所论述，可使用知识库检索可被优化程序应用以优化剂量分配的优化目标的组合。例如，从知识库选择平均风险器官剂量体积直方图、平均同期群风险器官剂量体积直方图和平均风险器官目标。在一个实施方案中，有多个风险器官，具有相关平均风险器官剂量体积直方图和同期群平均风险器官剂量体积直方图。换句话说，优化程序的目标是至少满足医师先前在类似患者中实现的平均剂量分配。优化程序可利用2D补偿映射图以帮助剂量分配成形，以尽可能减小一个或多个关键风险器官接收的剂量并尽可能增大到达标靶器官的剂量。其它目标函数可包括生物成果映射图和剂量到标靶距离直方图。利用目标和照野布局，优化程序可为当前患者提供最优3D剂量分配、通量和有关剂量体积直方图。最优地，这些结果将落入对于罹患类似疾病类型和接受类似治疗类型的患者的历史接受范围内。

在其它步骤中，医师可回顾优化的结果并调整优化参数。通过改变目标，医师可驱动优化程序获得新结果。将新目标附加到患者风险器官目标函数中。还将所获得的新剂量分配、通量和剂量体积直方图储存在患者记录中。一旦医师满意最终结果且已验证所有治疗计划元素相容，那么就计算当前患者的剂量到标靶距离直方图。最后，可用当前患者信息更新知识库。在确定当前患者属于哪个人群同期群后，更新所选择同期群的照野几何形状，同时还用新数据更新人群统计和同期群人群统计。

因此，如Zankowski所描述，医师可选择保守的目标值(对于优化程序来说较难以解决)用于关键风险器官和较不关键器官或在所需的分配映射图中未十分明确指定的区域(例如，在标靶器官外且在关键风险器官外的区域)，即可选择较宽松剂量极限。保守剂量目标与宽松剂量目标的这一组合防止优化程序不必要地降低剂量水平。

在例示性实施方案中，优化程序118从所需的剂量分配开始并生成一组通量(FI)和所获得的3D剂量分配(D3D)，其将尽可能接近地匹配那个所需的剂量分配。虽然所需的剂量分配可具有实际无法实现的方面，但优化程序可使其平滑化并提供医师可实现的合理剂量分配。这个合理3D剂量分配(D3D)给医师实施进一步优化和调整提供起始点。

Zankowski阐明可将当前患者记录112中的RT结构(RTS)、标靶距离映射图(D2T)和治疗技术114用于从知识库102分别选择关于一个或多个风险器官中的每个的平均风险器官剂量体积直方图(OAR DVH)、平均同期群风险器官剂量体积直方图(OAR DVH)和平均风险器官目标(OAR目标)馈入优化程序118。通过对关于人群和所选择同期群人群的风险器官剂量直方图取平均，优化程序118可使用基于医师在治疗先前患者时获得的结果平均值的目标或目的。在另一个实施方案中，还可选择其它目标，如生物模型和剂量到标靶距离直方图。生物模型可估算或预测可由给定剂量分配导致的生物成果。组合以上目标以创建患者特异性风险器官目标函数(OAR)，将其储存于患者记录112中。风险器官目标函数(OAR)提供优化程序118要达到的目的。如上所述，基于所供应的风险器官目标函数(OAR)，优化程序118产生一组通量(FI)和3D剂量分配(D3D)，其最大地满足给标靶器官和一个或多个风险器官设定的目标。

语义放射治疗计划优化指导：

图2图示改善的优化程序218。图2中图示的其余模块和块与图1中的相同并带有相同注释。如图2中所图示，例示性实施方案包括如下文论述的优化程序218，其分析其所具有的可用数据。基于这个分析，优化程序218可通知医师/用户优化程序218现已发现进一步改善治疗计划的方式并提供任选治疗备选方案以实现用户/医师可能持有的改善的临床意图。所提供的治疗计划备选方案是基于对竞争目标和其参数之间可行的权衡的分析，以使可以另一组参数为代价通过改善一组参数来改善给定的度量。下表表1提供可行备选方案的例示性列表，其具有用户可选选项或指导文本信息。

表1

这种优化程序218允许医师/用户看见其在优化期间和之后映射到计划在优化参数空间中实施的一组操作中的临床观察和意图且甚至允许优化程序218自动找出正确值。这种改善可行性(治疗备选方案的生成)可被优化程序218自动检测或由医师/用户请求。例如，医师可估计标靶剂量均匀性需要改善并请求改善标靶剂量均匀性目标。优化程序218可找出与均匀性相关的任何竞争目标并任选估计它们可造成多大的变化。随后优化程序218可提供关于如何改善所选择的目标(在这个实例中是均匀性)的备选方案列表。例如，关键器官目标1和关键器官目标2与标靶剂量均匀性竞争，但关键器官目标3不会。基于所述分析，医师/用户被给予修改关键器官目标1或关键器官目标2的“备选方案”，且任选地，医师/用户还被示出所述备选方案对治疗计划的作用。这些备选方案是按照临床有意义、人类可理解的语言提供。

利用知识库102中的先前患者记录和统计学模型，优化程序218具有发掘知识库102中的“数据”并生成统计或分析不同度量并查找那些度量中的分配的能力。因此，例示性优化程序218可给来自先前患者记录的治疗计划中可用的先前知识提供不同的统计学描述。医师/用户和优化程序218本身可从查看知识库102中的数据获悉：什么是通常可达到的目的和什么不是通常可达到的目的。或换种方式说：什么目的通常无法达到和什么目的通常不会错过。

优化程序218可用一个单一简单陈述代替多个复杂参数。例如，优化程序218支持医师/用户通过将多个复杂参数简化为给用户的单一简单陈述达到各种不同目的，如：我想通过增大标靶剂量和提高相对一些竞争限制条件的优先级改善标靶剂量分配。这一语义陈述描述了针对标靶剂量的竞争限制条件并描述了通过降低竞争参数标靶剂量将改善多少。

在如图3中图示的一个例示性过程中，在步骤302中，生成初始放射疗法治疗计划。优化系统218可利用由医师设置的初始参数，并基于那些参数和知识库中的统计学模型，可产生所述初始治疗计划结果。随后，在步骤304中，比较针对所述初始放射疗法治疗计划的度量选择与所选择的先前患者记录的合集的度量。可根据各个资格认定标准选择先前患者记录，如具有类似元数据和所需成果的先前患者记录。如下文详细论述，可给针对所述初始放射疗法治疗计划选择的度量提供百分率得分。在步骤306中，基于先前成功治疗计划(通过医师或通过医师感兴趣和/或能够评估的其它人)和知识库中的统计学模型，优化程序218可提供治疗备选方案的列表，以使当被医师接受时，陈述的改变可产生陈述的结果。换句话说，目标参数的特定改变将导致以竞争目标为代价获得改善的度量百分率得分。在步骤308中，按照临床有意义、人类可理解语言提供所选择的治疗备选方案。这种人类可理解问题允许医师比较预测的度量与他们至今已获得的先前度量合集，并基于他们自己的临床决策，医师将基于希望患者收到特定成果的意图选择针对当前患者的最优优化。例如，医师可从竞争目标和它们的相应参数的几种权衡中选择以改善标靶剂量，同时维持所需的风险器官受照量低于最大值。最后，当医师决定不选择治疗备选方案时，还可按照临床有意义、人类可理解的语言反馈。

选择和比较度量：

在另一例示性实施方案中，优化程序218分别查看每个风险器官、每个标靶，并分析个别标靶和风险器官受照量的均匀性(剂量分配)。这一实施方案将问题拆分为不同度量以针对多个实际器官或特征分析当前治疗计划结果。实例包括：所述治疗计划在直肠中实施得多良好、其在前列腺实施得多良好、其在保留股骨头方面实施得多良好，和其在尽可能减小标靶区域外的高剂量点方面实施得多良好。这一分析使用知识库中的统计学模型来比较当前治疗计划的预测结果与统计学患者。通过查看治疗计划的个别“组件”，优化程序218支持医师在人类可理解水平下查看这些不同度量并“锁定”最高优先级度量或参数的选择(或经权衡比其它组件重要的个别组件)。通过锁定度量或参数的选择，优化程序218随后能够调整其余参数，以使优化程序218可确定通过调整某些其余参数是否可进一步改善当前治疗计划。这种调整可分等级实施，锁定第一等级参数，接着锁定第二等级参数，和最后锁定第三等级参数。

当优化程序218确定关键度量时，可驱动治疗计划以实现所需良好成果。在一个实施方案中，为了实现这个所需良好成果，由优化程序218实施的统计学分析可开始学习什么可称作“显性规则”。这种显性规则可(例如)在重叠区情况中习得：当重叠区是前列腺/直肠时，风险器官是否优先，或在那种情况中，对于最终结果来说，标靶器官是否优先。当在知识库中的先前类似治疗计划中作出类似权衡时，通过查看最终结果，优化程序218可基于来自先前案例的结果选择或建议针对当前治疗计划的特定权衡。可将这种决策建立到优化程序218可理解的规则集中。

比较放射疗法治疗计划度量与先前结果：

在一个实施方案中，来自优化程序218的反馈可给医师示出相对于具有类似元数据的先前治疗计划合集，它们运行得有多良好，同时聚焦于选择数目的关键属性或度量。一旦识别可获得满足所需目标的治疗计划的最优治疗方案的3至5个关键属性或度量，优化程序218便可提供分析，给医师/用户示出它们(例如)在一个度量的第63个百分位，但在另一个度量的第20个百分位，或在另外一个度量的第90个百分位。这种百分位评价示出当前预测结果相比于通过过去成功治疗计划实现的那些合集结果如何。换句话说，度量的第60个百分位结果告诉医师他们对影响以上度量的任何目标的参数的选择相当于或优于通过被考虑的先前治疗计划实现的结果的60％。因此，如果结果为(例如)第63个、第20个和第90个百分位，那么存在可用权衡，例如，医师可采用第90个百分位度量结果以改善第20个百分位度量结果。然而，还存在影响决策的因素：比驱动结果的剂量分配更重要的属性或度量。

在另一实施方案中，优化程序218还考虑不同度量的目标的参数是如何互相关联的。基本上来说，目标和它们的有关参数并非独立的：如果改变一个参数以产生所需目的或度量结果，那么另一个参数和其对应目标或度量也会受影响。因此，当改变一个或多个参数时，任何互相关联-依赖参数的改变的组合作用将基于参数中的一个的改变产生结果，其是每个依赖型参数个别改变的结果。优化程序218将识别被视为重要且会因改变其它目标的参数而受影响的那些目标和它们的参数。

在例示性实施方案中，这种优化系统可开始使治疗计划脱离只由人类实施的方式并进入自动化领域，其中医师可基于所选择的属性或度量制定可接受结果。换句话说，当试图找出最优治疗计划结果时，医师可驱动他们想要的属性或度量并定义医师目标，而不是仅仅一味地反复地选择大量参数设置和剂量体积直方图限制条件。通过使用含有先前治疗计划以及统计学模型的知识库中可用的统计学数据，可基于过去知识和当前患者属性确定规范或正常结果。通过定义不良结果和良好结果(例如，给肿瘤较多剂量、给关键风险器官较少剂量)，优化系统可驱动给标靶结果的剂量与给风险器官的剂量之间的分离。

开发治疗备选方案：

在一个实施方案中，优化系统尝试自动且连续地提高可接受、可行结果和成果的水平。可通过定位知识库中的统计学象差实现这种改善。有时，象差将使医师知道治疗计划结果可远优于系统所提供的结果。换句话说，需要将知识库向更优结果驱动。有时，象差会表现在另一方面：医师将获得远优于统计学规范的结果。对储存于知识库中的先前结果的统计学分析可用于确定为什么象差会如此地远优于规范。通过学习是什么导致这种象差，便可将这种改变并入知识库中以改善预期结果。

在一个实施方案中，优化系统可获取由医师提供的初始参数并比较所规划的优化治疗计划结果与知识库中发现的统计学结果和提供可供医师选择以改善当前治疗计划结果的目标备选方案选择。例如，优化系统可建议添加照野、角度改变或输入水平改变，连同通过并入建议备选方案得到的声称预期结果。这一实施方案可用于确定为什么当与特定统计学平均值，如通过特定临床组实现的统计学结果比较时，医师得不到平均结果。

换句话说，基于不同专业医师组可存在不同类型解决方案。即在个别患者水平下，一种解决方案优于另一种解决方案。一些患者在一种方法下比在另一种方法下表现更优。如果系统注意到一个特定临床组对于具有特定元数据组的患者总是具有比任何其它临床组更优的成果，那么优化系统可建议对具有特定元数据的患者使用那个特定临床组的治疗计划和任何有关治疗类型来代替另一组的治疗计划。

还可使用所述系统以提供比较：如果医师使用一个设定或治疗方法(例如，治疗类型)，那么所述系统将产生什么结果，和如果医师使用另一种已知良好治疗计划设定或方法(例如，治疗类型)，那么将发生什么。一旦医师批准改变为不同临床组，即可外部生效应遵循逐个案例比较的外部人为映射。医师使用特定治疗方法有许多不同原因。有时，一种治疗方法或治疗类型将产生超越另一种治疗方法或治疗类型的改善结果。但当选择治疗方法时，有机会出现另一种治疗方法获得改善的结果。这些原因可包括各种复杂且互相关联的原因，如(例如)：经济考虑、政治决策、具体患者问题、病情需要、物流要求和并发症风险等。在其它实施方案中，可在治疗方法权衡之间选择，如虽然特定治疗类型具有较短治疗时间，但也较难监测。

当(例如)在将治疗时间延长三倍并获得较准确治疗与使治疗计划实现较高百分位度量结果之间作出权衡时，例示性优化系统的实施方案可映射医师决策的决策点。或者医师可打开界限并更快速地治疗患者，而接受较低百分位成就。当治疗无法忍受较长治疗时间的患者时，这是一种选择。在权衡之间的这些选择是医师所作出的理性决策。例示性优化系统的实施方案查看知识库以通过映射所选择的度量理解为什么医师作出这些决策。

在另一实施方案中，治疗计划成果预测需要(例如)25分钟。如果医师已知治疗将耗费25分钟，那么将给患者安排25分钟时间段而非15分钟时间段或45分钟时间段。这种分析可获得效率和生产率的改善。

关于治疗备选方案的反馈：

在一个实施方案中，当医师介入并驳回由知识库的统计学模型并入到治疗计划中的内容时，系统能够按照临床有意义、人类可理解语言捕获关于所述偏差的原因。这种互动式反馈将允许医师报告为什么他们将治疗计划从建议治疗计划改变，以使那个决策可帮助驱动知识库在未来提供改善的治疗计划。这种改善可被系统跟踪和并入系统的未来版本中。

如果医师作出的行为已在“映射”中，且已采取所需的人类可读形式，那么这是自实现过程。当医师正在决定如何改善成果时，存在使那个决定获得最终产品的人类可读决策。换句话说，存在选择预测结果(例如，降低到达风险器官的剂量，或较短时间要求，以交换不同剂量分配)的某些行为。这一实施方案可提供由医师作出的决策和成果的详细描述。还存在未被映射且有待捕获的其它行为和决策。

如果存在作出某个决策(以致与知识库建议对立)的首要原因，那么医师可键入作出所述决策的原因。按照人类可理解语言键入的这些原因可给系统提供获得关于为什么医师偏离系统建议治疗计划的反馈的方式。这种实现过程可将医师的目的映射到知识库中，同时还提供捕获在系统当前语义外的人类决策制定的机制，在未来反复时，可将其添加到治疗计划优化的语义语言。为了改善用于输入反馈的时间，还可存在供医师选择少数常见原因的界面和用于输入详细讯息的空间(如果医师想要这样做)。

在另一例示性实施方案中，存在反馈框可供医师用于解释为什么他们偏离于基于当前患者属性和来自知识库的合集结果确定的最优治疗计划。其允许医师文件记录为什么作出改变。然后，另一个医师就被提供备选方案，其备注当当前治疗计划似乎是根据知识库的最优计划时，有医师出于声称原因作出声称改变。因此，如果与知识库所提供的建议治疗计划偏离，那么可存在针对这个偏离的解释，其可采用人类可读形式呈现，随后可并入系统中以通过提供那个偏离作为可选人类可理解决策改善未来成果。这种实现过程可用于(例如)医学试验中，其中如果医师希望参与所述医学试验，那么必须遵从预统制的治疗方法。在这种实现过程下，医师需严格遵守规定的手续，并连同理由一起文件记录相对于那个规定手续的任何偏离，否则系统可不允许所述偏离。换句话说，实现这种临床试验的系统希望如果医师选择不遵照临床试验，那么医师需声明为什么他们作出偏离。

在另一实施方案中，系统可基于医师选择的初始参数和来自知识库的先前治疗计划合集以及统计学模型提供被其视为针对特定患者的最优解决方案的结果。一旦优化程序218确定“最优解决方案”，便可将互动模式提供给医师。在这一互动模式中，医师被提供关于属性或度量选择的一系列百分率得分(或提供关于参数的切换条，其可按照这种方式交接)，其定义当前优化治疗计划相比于合集先前患者记录有多良好。随后医师将被提供可行治疗备选方案的选择，所述备选方案提供影响识别的属性或度量的竞争目标之间的治疗权衡。随后医师可接受这些建议的治疗备选方案中的一个或多个。如上所述，这些建议备选方案是基于对影响受关注属性或度量的目标的可用参数以及竞争目标的参数的改变。至于是否被视为首要参数，还要进一步定义了那些识别的参数，以使当调整其它参数以改善所选择的度量时，可将对识别的首要参数的改变减至最小。

实现过程还让医师按照临床语义语言输入他们想要的内容，使系统提供具有最优成果的最优治疗计划。随后优化程序218可通过所选择的度量百分率得分给医师提供预测的治疗计划相比于所选择的先前治疗计划有多良好。优化程序218可识别几种治疗权衡，以使建议的治疗备选方案即为驱使选择的目标函数的参数最大程度改善识别的度量的那些备选方案。在一个实例中，医师被告知针对预测成果跟踪的度量超过或满足关于每一个属性的平均知识库结果。这一结果可被接受且优化程序218将因此结束并生成最终治疗计划。在其它情况中，可选择另外的治疗备选方案以尝试改善当前属性/度量百分率比较得分。

放射疗法治疗计划的进一步优化：

在又一实施方案中，在优化程序218已完成优化治疗计划结果并制定最终治疗计划后，另一医师可请求另外的备选方案以进一步改善治疗计划结果。此外，治疗计划的当前状态可以只是起始点。随后，优化系统可返回知识库并在从另外的先前治疗计划、备选治疗类型和改善的统计学模型获得进一步统计学信息后，允许优化程序提供另外的治疗备选方案，其可用于进一步改善按照度量百分率得分定义的治疗计划结果。在另一实施方案中，系统可返回知识库并查找可能相等良好但具有还可能吸引医师或患者的其它属性(如时间、费用和其它因素)的先前治疗计划。给出所有可用目标，系统便可找出在具有类似度量百分率得分的目标函数上得分相同的可行结果的全集，且允许医师沿着可应用的结果合集导航以找出优选治疗计划和预测结果。

在另一实施方案中，可将优化简化为组件部分，如由医师确定为必须达到的第一系列最高目标，和随后优化系统将返回并尝试改善所有其它余下目标。系统还可给医师提供将改善这些其它目标的备选方案。

在另一实施方案中，尝试满足更多目标可耗费更多时间。医师可确定系统将在优化目标上工作多长时间。例如，在达到批准的结果后，优化系统可继续尝试改善其余目标的结果且如果识别到超过预定临界值的改善结果，那么可将治疗备选方案的选择提供给医师用于治疗计划的进一步改善。在其它情况中，使用医师批准的治疗计划。

在另一实施方案中，可存在优化历史。系统可使医师接近事实并回顾参数和在治疗计划中作出的决策，如：初始参数是什么、采取了什么行为(例如，以降低某些剂量或提高标靶剂量)或为使治疗更稳健而作出的改变。可通过将所有那些决策映射成人类可读或理解语言实现这种优化历史。

因此，在例示性实施方案中，将人类语义映射到影响所需治疗计划属性或度量的人类可理解目标。此外，可将复杂的参数场、目标和度量简化为较小的关键驱动程序列表。还可对所选择的驱动参数加以分级，以使一旦确定首要参数，便可进一步调整其余参数，以使在不影响首要参数的同时，调整其余参数可影响它们的有关目标函数并获得改善的属性或度量。最后，可按照临床有意义、人类可理解语言给医师提供系统正在经历的治疗权衡(例如，可放松特定参数，以此换得较优结果)。可通过先前治疗计划的比较分析确定良好权衡，这样治疗备选方案即为竞争目标之间的特定治疗权衡，如此一来，改变一个目标以改善属性或度量的百分率得分将付出竞争目标的代价。

系统还将按照人类语义语言捕获医师无视或反驳知识库提供的建议治疗计划而作出的那些决策。系统还将询问医师为什么作出改变，使医师能够按照临床有意义、人类可理解语言提供原因。这种实现过程可提供语义框架，医师可从其中选择以陈述他们的原因(如在下拉原因菜单中找到)。在其它情况中，医师还可按照人类可理解语言文件记录他们采取过的行为和原因。最后，医师批准所述治疗计划。如上所述，优化系统218还可通过查找将改善识别的属性或度量的其它治疗备选方案尝试超越临界量而进一步优化当前治疗计划。

图4图示优化具有规定的放射疗法剂量分配的放射疗法计划的方法的步骤。在步骤402中，将新患者记录112加载到工具集110中。在步骤404中，针对供具有类似元数据的先前患者记录104使用的治疗类型106扫描知识库102。在步骤406中，将所选择的治疗类型114下载到工具集110中。在步骤408中，医疗图像处理模块116分割并轮廓化患者记录112的医学图像中的受关注结构(例如，器官)。

在步骤410中，基于下载的平均剂量到标靶距离直方图生成3D剂量分配映射图。在步骤412中，基于照野布局、患者记录中的剂量分配、所选择并确定的风险器官目标(例如，用于形成2D补偿映射图的平均风险器官剂量体积直方图、同期群平均风险器官剂量体积直方图)，由优化程序218生成优化的3D剂量分配、有关通量和剂量体积直方图并储存在患者记录中。在步骤414中，优化程序218确定一系列识别的优先级度量相比于先前治疗计划结果的百分率分级和有关统计学模型。

在步骤416中，优化程序218通过调整目标的参数识别获得改善的属性或度量百分率得分的至少一个治疗备选方案，从而以竞争目标为代价改善所述属性或度量。例示性目标可包括以下至少一个：较均匀标靶剂量、到达关键标靶器官的较小剂量、获得标靶剂量水平与关键器官剂量水平之间的较大差异、较低MU和较短治疗时间(仅仅举了几个例子)。在步骤418中，优化程序218检测将改善所需的属性或度量的可行目标权衡。例示性治疗备选方案可包括以下至少一个：增大的照野数、改变照野几何形状、增大权重和改变矛盾目标之间的权衡。在步骤420中，优化程序218将识别的治疗备选方案按照临床有意义、人类可理解语言提供给医师。在步骤422中，优化程序218从医师/用户接收采用临床有意义、人类可理解语言的反馈：为什么不选择特定改善备选方案。

虽然本文已公开某些优选实施方案和方法，但熟悉本领域人员将从以上公开内容明白在不脱离本发明的精神和范围下可实施这些实施方案和方法的变化和修改。预期本发明应只限制于随附权利要求书要求的范围和适用法律的规则和原则。