CN108463270A - 结果驱动的辐射疗法处理计划 - Google Patents

Abstract

处理计划引擎使辐射处理决策者(诸如临床医师)能够高效地标识针对给定患者的最佳辐射处理结果。具体而言，处理计划引擎基于患者图像、患者轮廓和在先患者数据生成建议处理结果集。用户界面同时显示患者图像和轮廓与建议处理结果。临床医师能够调整用户界面中的轮廓，并实时评估对肿瘤体积的影响和对附近解剖结构的毒性风险。利用用户界面，临床医师可以可视化到轮廓的辐射递送与所得到的建议处理结果之间的关系，从而允许临床医师在针对患者的辐射处理计划期间做出关于某些权衡的明智决定。处理递送引擎基于临床医师选择的建议处理结果来生成辐射处理计划。

Description

结果驱动的辐射疗法处理计划

发明人：Colin Morehouse Carpenter；Adam J.Pattison

相关申请的交叉引用

本申请要求于2015年8月13日提交的第62/204,470号美国临时申请的权益，其整体内容通过引用并入。

背景技术

本发明总体涉及辐射处理计划，更具体地涉及与毒性结果或处理功效有关的计划。

归因于压倒性的自由度和限制优先级(限制优先级取决于临床护理团队、主治医生、物理学家和可用技术、以及疾病的独特性而经常改变)，确定患有癌症的患者的最佳疗法的过程已经变成日益复杂的任务。前瞻性临床试验倾向于具有有限的结果范围和特异性，并使群体均一化。使该过程复杂的是诸如辐射疗法的疗法的多变性，其中创建辐射计划的剂量师在创建最佳计划上面临艰难的挑战；因为医生和物理学家由于他们时间上的其他需要而断断续续地参与处理计划过程，所以这一过程受到进一步挑战。另外，在处理计划过程期间，临床护理团队不知道由处理导致的不利事件(包括对解剖结构的可能毒性和处理功效)的确切概率，因为他们代替地依赖于利用均一化患者群体的研究数据。因此，临床护理团队的成员在他们就患者处理中的某些策略权衡做出明智决定的能力上是有限的。

发明内容

在计划患者处理的过程期间，处理计划引擎告知患者的临床护理团队作为针对患者的处理的结果的不利事件的概率。通过提供关于疾病的可能疗法反应和处理对患者的解剖结构的毒性以及关于针对患者的处理功效的实时信息，引擎允许临床护理团队在患者的处理中关于策略权衡做出明智的决定。针对给定患者的辐射处理计划中的初步阶段涉及：临床医师限定患者图像中肿瘤体积的轮廓和位于肿瘤体积附近的解剖结构的轮廓。本文描述的处理计划引擎使辐射处理决策者(诸如临床医师)能够高效地标识针对给定患者的最佳辐射处理结果。

在操作中，处理计划引擎导入针对给定患者的数据，诸如患者图像和可以先前由临床医师限定的患者轮廓。部分地基于所限定的轮廓，处理计划引擎生成建议处理结果集(例如，对肿瘤附近的解剖结构的毒性，处理的功效，包括肿瘤复发的概率，复发前的时间段等)，建议处理结果集包括处理结果预测和多个处理结果匹配。使用预测模型，基于包括剂量计划、病史和处理结果的在先患者数据，来生成处理结果预测。多个处理结果匹配从由先前施用的剂量计划引起的处理结果中标识，该先前施用的剂量计划对于给定患者可能是有效的。处理计划引擎将建议处理结果集呈现给临床医师进行评估。

用户界面同时显示建议处理结果集与患者图像和轮廓，建议处理结果集至少部分地基于患者图像和轮廓。临床医师能够调整用户界面中的轮廓，并实时评估对肿瘤体积的影响和对附近解剖结构的毒性风险。利用用户界面，临床医师可以可视化到轮廓的辐射递送与所得到的建议处理结果之间的关系，从而允许临床医师在针对患者的辐射处理计划期间做出关于某些权衡的明智决定。临床医师可以经历修改轮廓和优化建议处理结果的循环，以任何顺序并且根据需要多次重复步骤，直到为患者选择最佳处理结果。

附图说明

图1图示了根据一个实施例的用于辐射处理计划和递送的系统环境的框图。

图2图示了根据一个实施例的用于确定由剂量预测模块输出的建议剂量计划的系统的框图。

图3图示了根据一个实施例的用于生成辐射剂量计划预测模型的系统环境。

图4图示了根据一个实施例的用于确定由处理结果模块输出的建议处理结果的系统的框图。

图5图示了根据一个实施例的用于生成处理结果预测模型的系统环境。

图6图示了根据一个实施例的用于优化所选择的建议处理结果的系统。

图7图示了根据一个实施例的用于可视化建议处理结果的示例性用户界面。

图8图示了根据另一实施例的用于使建议处理结果可视化的示例性用户界面。

图9图示了根据一个实施例的说明针对临床医师的辐射处理计划的步骤的流程图。

附图仅出于说明的目的来描绘本发明的各种实施例。本领域技术人员根据以下讨论将容易认识到，在不脱离本文所描述的本发明的原理的情况下，可以采用本文图示的结构和方法的备选实施例。

具体实施方式

系统架构

图1图示了根据一个实施例的用于辐射处理计划和递送的系统环境100的框图。系统环境100的一些实施例具有与这里描述的模块不同的模块。同样，功能可以以不同于这里描述的方式在模块之间分布。在系统100的某些实施例中，“处理结果”可以被称为“处理结局”。两个短语都表示向患者递送辐射疗法处理计划(即“剂量计划”)的结果。如图所示，系统环境100包括患者数据引擎102、处理计划引擎104和处理递送引擎106。

患者数据引擎102提供与需要辐射处理的患者相关联的数据。患者数据可以被导入到患者数据引擎102中。在图1的实施例中，与当前患者相关联的数据包括当前患者数据108和当前患者病史110。

当前患者数据108是与当前患者相关联的数据，其用于生成与当前患者相关联的特征。患者数据引擎102将当前患者数据108传送至处理计划引擎104，以生成与当前患者相关联的特征。这些生成的特征与处理计划引擎104中的预测辐射剂量处理计划有关。可以将这些生成的特征与在先患者的类似生成的特征进行比较，以便标识与当前患者最相似的一个或多个在先患者。通过匹配这些生成的特征，可以从先前施用的处理计划的数据库中提取在先处理结果，以找到与为当前患者提供最佳处理结果最接近匹配的在先患者处理计划(即，剂量计划)。在先患者的处理计划可以告知处理计划者或临床医师：当类似处理被递送给当前患者时可以预期什么。所生成的特征也可以用于预测模型中，以创建针对患者的剂量预测和处理结果预测。在图1的实施例中，当前患者数据108包括当前患者图像112、当前患者轮廓114、物理参数116和处方参数118。

当前患者图像112可以包括用于医疗目的的患者身体内部的视觉表示。这些当前患者图像112可以通过诸如以下的医学成像技术来产生：计算机断层摄影(CT)、磁共振成像(MRI)、X射线、荧光透视、超声波、包括正电子发射断层摄影(PET)的核医学或任何其他适合的医学成像技术。在图1的实施例中，当前患者图像112可以是多个图像，其中每个图像图示了患者身体的内部的相同的垂直横截面，但是在患者身体的不同深度处。当前患者图像112可具有相关联的患者图像参数，诸如距离、体积、几何关系、结构和周围结构的重要性等。当前患者图像112和关联的患者图像参数可以被导入到患者数据引擎102中。

当前患者轮廓114是轮廓集，轮廓标识在当前患者图像112中捕获的三维肿瘤体积和位于肿瘤体积的周围区域中的解剖结构。标识三维肿瘤体积的轮廓指示辐射剂量递送的目标区域，而标识周围解剖结构的轮廓指示可能处于辐射剂量递送危险中的结构。在将当前患者数据108导入到患者数据引擎102中之前，临床医师可以在每个当前患者图像112中限定当前患者轮廓114。在一些实施例中，当前患者轮廓114可以使用本领域中已知的轮廓化技术针对当前患者图像112来自动生成。当前患者轮廓114可以使用为当前患者或具有类似成像数据的不同患者创建的历史轮廓来自动生成。

物理参数116是辐射递送的参数。物理参数可以包括半影、孔径、入射角、束能量、辐射类型、结构深度、大剂量的存在、准直器的分辨率、剂量输送速率、所使用的处理计划系统的类型以及其他辐射递送描述性数据。在一些实施例中，物理参数116可以不被包括作为到处理计划引擎104中的输入。

处方参数118是关于辐射递送方法的参数。处方参数可以包括分次调度、处理余裕、束或弧的数目、轮廓的解释、参与处理计划的临床医师等。在一些实施例中，处方参数118可以不被包括作为到处理计划引擎104中的输入。

在一些实施例中，当前患者数据108可以还包括患者的疾病参数，诸如疾病阶段、处理前或处理后疗法、在先辐射疗法、对附近组织的在先辐射损伤、疾病类型、疾病组织学、疾病程度、在先疾病等。

当前患者病史110是当前患者的病史，其用于改善建议处理结果的精确度。当前患者病史110可以包括可用的疗法选项(特别是考虑对可用疗法的支付能力)、遗传结果、数字遗传学、体外实验室结果、在先处理史、并存病等。并存病的示例包括但不限于：吸烟史、心脏或肺功能、肾功能、糖尿病等。了解患者的病史更好地告知临床医师预期的处理结果。例如，与不吸烟的类似患者相比，吸烟的患者的肺功能的处理结果预期会更差。

处理计划引擎104处理与患者相关联的患者数据，并向患者的临床医师建议不同的处理结果，从而使临床医师能够高效地标识患者的最佳处理结果。处理计划引擎104的一些实施例具有与这里描述的模块不同的模块。同样，功能可以以不同于这里描述的方式在模块之间分布。处理计划引擎104包括特征生成模块120、剂量预测模块122、处理结果模块124、用户界面模块126和处理结果匹配导航模块128。

特征生成模块120生成与当前患者相关联的特征。在图1的实施例中，特征生成模块120导入当前患者数据108，当前患者数据108包括当前患者图像112、当前患者轮廓114、物理参数116和处方参数118。特征生成模块120使用当前患者数据108来生成与当前患者相关联的特征，该特征可以和与在先患者相关联的类似生成特征相比较。这些生成的特征可用于从数据库中标识与当前患者最相似的一个或多个在先患者。如前所述，通过匹配这些生成的特征，可以从先前施用的处理计划的数据库中提取在先处理结果，以找到与为当前患者提供最佳处理结果最接近匹配的在先患者处理计划。在先患者处理计划可以告知处理计划者或临床医师：当类似处理被递送给当前患者时可以预期什么。

剂量预测模块122预测递送到肿瘤体积和周围解剖结构的辐射剂量。在图1的实施例中，剂量预测模块122输出建议剂量计划集，其包括多个剂量计划匹配和剂量计划预测。剂量预测模块122使用剂量计划预测模型来生成针对当前患者的剂量计划预测。剂量计划预测模型将关于图2至图3来更详细地讨论。另外，剂量预测模块122使用当前患者的剂量计划预测以及从特征生成模块120接收的与当前患者相关联的生成特征来确定多个先前施用的剂量计划。剂量预测模块122将当前患者的生成特征与存储在数据存储中的在先患者的生成特征进行比较，以标识在剂量计划预测的阈值差异内的先前施用的剂量计划。阈值差异内的那些被称为剂量计划匹配。在图1的实施例中，每个剂量计划匹配规定对一个或多个肿瘤体积和周围解剖结构先前施用的辐射处理的剂量。多个剂量计划匹配和剂量计划预测作为建议剂量计划集被输入到处理结果模块124中。在另一个实施例中，在没有剂量预测模块122的预测的情况下，临床医师手动规定要被递送到肿瘤体积的辐射剂量，并且这被用作剂量计划预测，并且被用于找到在先患者的剂量计划匹配。该剂量计划预测和剂量计划匹配作为建议剂量计划集被输入到处理结果模块124中。

处理结果模块124预测由来自剂量预测模块122的建议剂量计划可能引起的处理结果。如前所述，每个剂量计划规定了递送到一个或多个肿瘤体积和周围解剖结构的辐射处理剂量。由于向周围解剖结构递送的辐射处理剂量，这些组织可能会发生损伤，这可能导致副作用或症状。例如，对肺部的组织损伤可能导致肺炎(肺部炎症)。得到的组织损伤被限定为对解剖结构的“毒性”。毒性水平通常以严重程度(即“毒性等级”)进行分级，并且在随访期间由健康护理提供者来测量，通过自我评估和/或经由实验室测试配合患者来执行。

在图1的实施例中，处理结果表示可能由辐射处理计划导致的一个或多个不利事件的集、以及每个不利事件的对应结局。不利事件的示例包括：脊髓炎、肋骨骨折、心包炎、肺炎或任何其他类型的组织损伤。每个不利事件与以下结局中的一个或多个结局相关联：对每个标识的解剖结构的毒性水平的概率，以及对每个标识的解剖结构的最高可能的毒性水平。毒性水平可以被称为“毒性等级”。作为一个示例，处理结果模块124可以预测肺炎的不利事件，该不利事件可能具有30％概率为3级肺炎(以1-4的毒性等级尺度，其中4指示最高毒性等级水平)。在各种实施例中，尺度可以变化。

类似于剂量预测模块122，处理结果模块124输出建议处理结果集。在图1的实施例中，该建议处理结果集包括多个处理结果匹配和处理结果预测。处理结果模块124使用处理结果预测模型来生成针对当前患者的处理结果预测。处理结果预测模型将关于图4至图5来更详细地讨论。另外，处理结果模块124使用当前患者的处理结果预测和从剂量预测模块122接收的建议剂量计划集，确定在先患者的先前施用剂量计划的多个处理结果。处理结果模块124将建议剂量计划集与存储在数据存储中的在先患者的先前施用的剂量计划相比较，以标识在处理结果预测的阈值差异内的在先患者的先前施用的剂量计划的处理结果。阈值差异内的那些处理结果被称为处理结果匹配。多个处理结果匹配和处理结果预测被发送到用户界面模块126，以供临床医师分析。

在一些实施例中，处理结果模块124可以考虑当前患者病史110，以提高预测处理结果的精确度。如前所述，当前患者病史110可以包括可用的疗法选项(特别是考虑对可用疗法的支付能力)、遗传结果、数字遗传学、体外实验室结果、先前处理史、并存病等。例如，处理结果模块124可以针对吸烟的患者预测具有70％概率的3级肺炎的肺炎不利事件，而不是针对不吸烟的类似患者的30％的概率。在一些实施例中，处理结果还可以包括以下中的一个或多个：肿瘤复发概率、肿瘤复发类型(诸如局部复发或远处复发)、以及肿瘤复发前可能的时间长度。

用户界面模块126呈现建议处理结果，以供临床医师分析。在图1的实施例中，用户界面模块126允许临床医师可视化、交互并修改当前患者的成像数据和建议处理结果集，以实现针对当前患者的最佳处理结果。如图1的实施例所示，用户界面模块126包括可视化模块130和处理结果显示模块132。

可视化模块130显示当前患者的成像数据。在图1的实施例中，可视化模块130导入当前患者图像112和相关联的当前患者轮廓114。如前所述，当前患者图像112可以通过诸如以下的医学成像技术来产生：计算机断层摄影(CT)、磁共振成像(MRI)、X射线、荧光透视、超声波、包括正电子发射断层摄影(PET)的核医学或任何其他适合的医学成像技术。在图1的实施例中，可视化模块130包括轮廓限定模块134。

轮廓限定模块134是轮廓化界面，其允许临床医师根据需要查看和修改当前患者轮廓114。如前所述，当前患者轮廓114是轮廓集，轮廓标识在当前患者图像112中捕获的三维肿瘤体积和位于肿瘤体积的周围区域中的解剖结构。轮廓限定模块134将多个轮廓覆盖到当前患者图像112上，用于在可视化模块130中并发显示。在图1的实施例中，轮廓限定模块134还被配置为允许临床医师添加、删除和/或修改当前患者轮廓114。由此，轮廓限定模块134创建当前患者轮廓114的新集，其包括添加的轮廓、修改后的轮廓以及尚未删除的任何剩余未修改的轮廓。可视化模块130与处理结果显示模块132同步，使得可视化模块130中的轮廓的修改可以引起建议处理结果集在处理结果显示模块132中进行更新。

处理结果显示模块132显示由处理结果模块124确定的建议处理结果集。处理结果显示模块132最初由处理结果模块124填充，并且允许临床医师可视化并比较建议处理结果。在图1的实施例中，处理结果显示模块132中显示的建议处理结果集是基于同时显示在可视化模块130中的当前患者图像112和当前患者轮廓114。处理结果显示模块132包括专用于显示处理结果预测136的第一部分和专用于显示处理结果匹配138的第二部分。临床医师可以分析建议处理结果中的每个建议处理结果，以确定是否选项中的任何选项是针对当前患者的最佳处理结果。在图1的实施例中，处理结果显示模块132允许临床医师选择所显示的建议处理结果中的一个建议处理结果来进行修改或进一步优化。

通过同时显示可视化模块和处理结果显示模块132，临床医师可以可视化在向当前患者轮廓114的辐射递送与所得到的建议处理结果之间的关系。临床医师能够调整轮廓，并实时评估肿瘤处理的影响和对附近解剖结构的毒性风险。该配置允许临床医师在针对当前患者的辐射处理计划期间做出关于某些权衡的明智决定。在图1的实施例中，临床医师可以与可视化模块130交互以修改当前患者轮廓114，或者临床医师可以与处理结果显示模块132交互以选择建议处理结果以进行优化，从而允许临床医师创建具有最佳处理结果的处理计划。

在临床医师使用可视化模块130的轮廓限定模块134修改当前患者轮廓114的情况下，轮廓限定模块134创建当前患者轮廓114的集新，其包括添加的轮廓、修改的轮廓以及尚未删除的任何剩余未修改轮廓。在图1的实施例中，当前患者轮廓114的新集被发送到特征生成模块120。由此，特征生成模块120基于当前患者图像112、当前患者轮廓114的新集、物理参数116和处方参数118，来生成与当前患者相关联的新的特征集。随后，剂量预测模块122基于所生成的新的特征集来生成新的建议剂量计划集，处理结果模块124基于新的建议剂量计划集和当前患者病史110来生成新的建议处理结果集，并且处理结果显示模块132被更新以显示新的建议处理结果集。临床医师可以分析新的建议处理结果集，以确定是否选项中的任何选项是针对当前患者的最佳处理结果。

在临床医师在处理结果显示模块132中选择建议处理结果以进行优化的情况下，所选择的建议处理结果和过滤标准集被发送到处理结果匹配导航模块128。在图1的实施例中，该过滤标准集由临床医师在处理结果显示模块132中限定。临床医师可以限定过滤标准以从处理结果中排除不利事件，或对不利事件的结果设置阈值限制。处理结果匹配导航模块128使用所选择的建议处理结果和过滤标准集在数据存储中搜索在先患者处理结果，以标识针对当前患者的新的处理结果匹配集。新的处理结果匹配中的每个处理结果匹配与类似于当前患者的在先患者相关联。在图1的实施例中，处理结果匹配导航模块128向处理结果匹配138发送新的处理结果匹配集，以在处理结果显示模块132中显示。临床医师可以分析新的建议处理结果集，以确定是否选项中的任何选项是针对当前患者的最佳处理结果。在图1的实施例中，临床医师可以经历修改轮廓和优化所选择的建议处理结果的循环，以任何顺序并且根据需要多次重复步骤，直到为当前患者选择最佳处理结果。

处理递送引擎106使处理计划者能够基于临床医师在处理计划引擎104中选择的处理结果来创建特定于患者的处理递送计划。在图1的实施例中，所选择的处理结果告知处理计划者要递送的临床上合适的辐射简档，包括但不限于：辐射强度、递送角度、多叶准直器状态、时间分次、解剖学、肿瘤呈现、预期处理结果、在先临床工作人员和预期的处理过程。

基于处理递送计划，处理递送引擎106生成特定于患者的递送模板，其配置辐射疗法机器，以将辐射处理递送给患者。在一个实施例中，处理递送引擎106与配置有标准通信协议的疗法机器控制接口交互。特定于患者的递送模板标识要接收辐射处理的肿瘤体积以及解剖结构。对于每个体积或结构，递送模板还可以规定要接收辐射处理的百分比体积和要递送的处理剂量。此外，该模板可以规定优化对象、处理协议、束定向、准直器/多叶准直器位置、床位置以及本领域已知的其他参数。

图2图示了根据一个实施例的用于确定由剂量预测模块122输出的建议剂量计划的系统的框图。如前所述，剂量计划规定了要递送给一个或多个肿瘤体积和周围解剖结构的辐射处理剂量。如图2所示，系统包括当前患者数据108、特征生成模块120、剂量预测模块122和剂量计划202。

如关于图1所描述的那样，当前患者数据108是与当前患者相关联的数据，其用于生成与当前患者相关联的特征。在图2的实施例中，当前患者数据108包括当前患者图像112、当前患者轮廓114、物理参数116和处方参数118。当前患者数据108被输入到特征生成模块120中，以生成与当前患者相关联的特征。

剂量预测模块122预测递送到肿瘤体积和周围解剖结构的辐射剂量。如前所述，剂量预测模块122使用从特征生成模块120接收的当前患者的所生成的特征来确定建议剂量计划集。在图2的实施例中，剂量预测模块122包括剂量计划预测模型204和数据存储206。剂量预测模块122输出剂量计划202，其是包括剂量计划预测208和多个剂量计划匹配210的建议剂量计划集。

剂量计划预测模型204是用于生成剂量计划预测208的预测模型。在图2的实施例中，剂量计划预测模型204使用已接收辐射处理的在先患者的历史数据来创建。图3图示了根据一个实施例的用于生成辐射剂量计划预测模型的系统环境300。如图所示，剂量计划预测模型生成系统300包括在先患者数据302、特征生成模块304、模型生成模块306和在先患者剂量计划数据存储308，以生成剂量计划预测模型204。

在先患者数据302是与在先患者相关联的数据，其用于生成与在先患者相关联的特征。类似于当前患者数据108，在图3的实施例中，在先患者数据302包括在先患者图像310、在先患者轮廓312、物理参数314和处方参数316。类似地，当前患者图像112、当前患者轮廓114、物理参数116和处方参数118的特性可以并入在此，分别用于在先患者图像310、在先患者轮廓312、物理参数314和处方参数316。在先患者数据302可以是从来自多个医院、诊所、癌症处理中心、或任何其他针对辐射疗法的中心的数据库收集的历史数据。除了收集在先患者数据302之外，也收集关于针对每个在先患者的剂量计划的历史数据。在图3的实施例中，在先患者数据302一旦从其他数据库被收集，就可以被存储在在先患者数据存储307中。在先患者剂量计划可以以三维点集或剂量体积直方图(DVH)而被存储在在先患者剂量计划数据存储308中。

特征生成模块304生成与在先患者相关联的特征。在图3的实施例中，特征生成模块304导入在先患者数据302，其包括在先患者图像310、在先患者轮廓312、物理参数314和处方参数316。对于存储在在先患者数据存储307中的多个在先患者，特征生成模块304使用在先患者的相应在先患者特征数据302来生成与特定在先患者相关联的特征集。类似于关于图1所描述的当前患者的所生成的特征，这些生成的特征与预测辐射剂量处理计划有关。对于每个在先患者，可以将生成的特征集存储在在先患者数据存储307中。在一些实施例中，特征生成模块304在功能上与特征生成模块120相同。

通过使用在先患者数据存储307和在先患者剂量计划数据存储308中所存储的每个在先患者的数据，模型生成模块306生成剂量计划预测模型204。在图3的实施例中，模型生成模块306访问针对每个在先患者的所生成的特征集和在先患者剂量计划，并执行回归分析以创建将所生成的特征与剂量计划相关的剂量计划预测模型204。剂量计划预测模型204可以被保存在剂量预测模块122内，使得剂量计划预测模型204可以被无数次地使用，以生成针对多个要接收辐射处理的患者的剂量计划预测。剂量计划预测模型204还可以在从其他数据库收集附加的在先患者数据302和相关联的剂量计划时、并且通过机器学习技术来更新。

回到图2，剂量计划预测模型204可以用于生成针对当前患者的剂量计划预测208。来自特征生成模块120的当前患者的所生成的特征被用作到剂量计划预测模型204中的输入。由于剂量计划预测208是使用预测模型生成的，因此剂量计划预测208可以不是在先患者的先前施用的剂量计划。在一些实施例中，由剂量计划预测模型204生成的剂量计划预测208被存储在数据存储206内作为历史数据点，并且可以用作更新剂量计划预测模型204的附加数据点。

数据存储206是在先患者的先前施用的剂量计划和与在先患者相关联的生成特征的数据存储。在一些实施例中，数据存储206可以是与在先患者数据存储307、在先患者剂量计划数据存储308相同的数据存储，或者数据存储206可以组合存储在数据存储307和308内的数据。在其他实施例中，一旦当前患者的所生成的特征被输入到剂量计划预测模型204中，并且可以从在先患者剂量计划数据存储308中标识与所得到的剂量计划预测208相似的在先患者的剂量计划集，就可以创建数据存储206。

在图2的实施例中，剂量预测模块122访问数据存储206以检索与在先患者相关联的剂量计划和所生成的特征。剂量预测模块122执行a)和b)之间的多特征比较分析：a)与当前患者相关联的所生成的特征和剂量计划预测208，以及b)与在先患者相关联的所生成的特征，以标识在剂量计划预测208的阈值差异内的在先患者的一个或多个先前施用的剂量计划。所标识的先前施用的剂量计划可能最适合当前患者，被称为剂量计划匹配210。备选地，剂量预测模块122可以基于所生成的特征来标识类似的在先患者的子集，本文中称为“剂量计划邻域”。基于在先患者轮廓、辐射递送技术、和/或不同的处理疗法，剂量计划邻域可以有益地告知临床医师各种剂量计划。在图2的实施例中，一旦剂量计划预测模型204生成剂量计划预测208，并且剂量预测模块122标识剂量计划匹配210，则剂量预测模块122将剂量计划202输出到处理结果模块124。

图4图示了根据一个实施例的用于确定由处理结果模块124输出的建议处理结果的系统的框图。如前所述，处理计划的处理结果表示由于递送到解剖结构的辐射可能引起的一个或多个不利事件的集、以及针对每个不利事件的对应结局。在图4的实施例中，系统包括剂量计划202、当前患者病史110、处理结果模块124和处理结果显示模块134。

如关于图2所描述的，剂量计划202是包括剂量计划预测208和多个剂量计划匹配210的建议剂量计划的集。剂量计划202和当前患者病史110被输入到处理结果模块124中以确定建议处理结果集。

处理结果模块124预测由剂量预测模块122确定的建议剂量计划可能导致的处理结果。如前所述，处理结果模块124使用剂量计划202和当前患者病史110来确定建议处理结果集。在图4的实施例中，处理结果模块124包括处理结果预测模型402和处理结果数据存储206。处理结果模块124输出处理结果预测136和多个处理结果匹配138，以显示在处理结果显示模块134中。

处理结果预测模型402是用于生成处理结果预测136的预测模型。在图4的实施例中，处理结果预测模型使用已接收辐射处理的在先患者的历史数据来创建。图5图示了根据一个实施例的用于生成处理结果预测模型402的系统环境500。如图所示，处理结果预测模型生成系统500包括在先患者剂量计划数据存储502、在先患者病史数据存储504、在先患者处理结果数据存储506和模型生成模块508，以生成处理结果预测模型402。

在先患者剂量计划数据存储502是在先患者的先前施用的剂量计划的数据存储。在一些实施例中，在先患者剂量计划数据存储502可以是与在先患者剂量计划数据存储308相同的数据存储。在先患者病史数据存储504是在先患者的病史的数据存储。如前所述，病史可以包括可用的疗法选项(特别是考虑对可用疗法的支付能力)、遗传结果、数字遗传学、体外实验室结果、在先处理史、并存病等。在先患者处理结果数据存储506是在先患者的先前施用的剂量计划的处理结果的数据存储。存储在数据存储502、504和506中的在先患者数据可以是从来自多个医院、诊所、癌症处理中心、或任何其他针对辐射疗法的中心的数据库收集的历史数据。在先患者剂量计划可以以三维点集或剂量体积直方图(DVH)而被存储在在先患者剂量计划数据存储502中。

通过使用在先患者剂量计划数据存储502、在先患者病史数据存储504和在先患者处理结果数据存储506中所存储的每个在先患者的数据，模型生成模块508生成处理结果预测模型402。在图5的实施例中，模型生成模块508访问针对每个在先患者的剂量计划、病史和处理结果，并执行回归分析以创建将剂量计划和病史与处理结果相关的处理结果预测模型402。处理结果预测模型402可以被保存在处理结果预测模块124内，使得处理结果预测模型402可以被无数次地使用，以生成针对多个要接收辐射处理的患者的处理结果预测。处理结果预测模型402还可以在从其他数据库收集附加的在先患者数据时、并且通过机器学习技术来更新。

回到图4，处理结果预测模型402可以用于预测针对当前患者的处理结果预测136。处理结果预测模型402接收剂量计划202和当前患者病史110，作为到处理结果预测模型402中的输入。由于处理结果预测136是使用预测模型生成的，所以处理结果预测136可以不是在先患者的先前施用的剂量计划的处理结果。在一些实施例中，由处理结果预测模型402生成的处理结果预测136被存储在数据存储404内作为历史数据点，并且可以用作更新处理结果预测模型402的附加数据点。

数据存储404是以下的数据存储：在先患者的先前施用的剂量计划的处理结果、在先患者的先前施用的剂量计划、和在先患者病史。在一些实施例中，数据存储404可以是与在先患者剂量计划数据存储502、在先患者病史数据存储504或在先患者处理结果数据存储506相同的数据存储，或者数据存储404可以组合存储在三个数据存储502、504和506中的数据。在图4的实施例中，处理结果模块124访问数据存储404，以检索与在先患者相关联的处理结果、剂量计划和病史。类似于剂量预测模块122，处理结果模块124执行a)和b)之间的多特征比较分析：a)剂量计划202、当前患者病史110和处理结果预测136，以及b)在先患者的先前施用的剂量计划和在先患者病史，以标识在处理结果预测136的阈值差异内的在先患者的先前施用的剂量计划的一个或多个处理结果。备选地，处理结果模块124可以基于剂量计划和病史来标识类似的在先患者的子集，本文中称为“处理结果邻域”。基于在先患者轮廓、在先患者剂量计划、辐射递送技术、和/或不同的处理疗法，处理结果邻域可以有益地告知临床医师多种处理结果。所标识的处理结果可能最适合当前患者，称为处理结果匹配138。在图4的实施例中，一旦处理结果预测模型402生成处理结果预测136，并且处理结果模块124标识处理结果匹配138，则处理结果模块124将建议处理结果集输出到处理结果显示模块134，以供临床医师分析。

图6图示了根据一个实施例的用于优化所选择的建议处理结果的系统600。如图6所示，系统600包括处理结果显示模块132，其包括处理结果预测136和处理结果匹配138。系统600还包括处理结果匹配导航模块128，其包括在先患者处理结果数据存储602。

处理结果显示模块132显示由处理结果模块124确定的建议处理结果集，其包括处理结果预测136和多个处理结果匹配138。处理结果显示模块132允许临床医师分析建议处理结果中的每个建议处理结果，以确定是否选项中的任何选项是针对当前患者的最佳处理结果。在图6的实施例中，处理结果显示模块132允许临床医师选择所显示的建议处理结果中的一个建议处理结果来进行修改或进一步优化。

在选择所显示的建议处理结果中的一个建议处理结果之后，临床医师可以在处理结果显示模块132内限定一个或多个过滤标准，利用一个或多个过滤标准来优化所选择的建议处理结果。临床医师可以限定过滤标准，以从处理结果中排除不利事件或对不利事件的结果设置阈值限制。例如，临床医师可以规定第一过滤标准以排除作为不利事件的骨折，并且规定第二过滤标准以将肺炎限制到1级的毒性等级(在1-4的尺度上，其中最严重的为4)。过滤标准被输入到处理结果匹配导航模块128中。

处理结果匹配导航模块128使用所选择的建议处理结果和过滤标准集来搜索在先患者处理结果数据存储602，以标识针对当前患者的处理结果匹配138的新集。新的处理结果匹配中的每个新处理结果匹配与类似于当前患者的在先患者相关联。处理结果匹配138的新集可以提供相对于所选择的建议处理结果、基于过滤标准进行优化的建议处理结果。在图6的实施例中，处理结果匹配导航模块128向处理结果匹配138发送新的处理结果匹配集，以在处理结果显示模块132中显示。临床医师可以分析新的建议处理结果集，以确定是否选项中的任何选项是针对当前患者的最佳处理结果。在图6的实施例中，临床医师可以经历修改轮廓和优化所选择的建议处理结果的循环，以任何顺序并且根据需要多次重复步骤，直到为当前患者选择最佳处理结果。

图7图示了根据一个实施例的用于可视化建议处理结果的示例性用户界面。在图7的实施例中，用户界面模块126同时显示可视化模块130与处理结果显示模块132。在图7的实施例中，用户界面模块126允许临床医师可视化、交互并修改当前患者的成像数据和建议处理结果集，以实现针对当前患者的最佳处理结果。

可视化模块130显示当前患者的成像数据。在图7的实施例中，可视化模块130导入当前患者图像112和对应的当前患者轮廓114。如前所述，当前患者图像112可以通过诸如以下的医学成像技术来产生：计算机断层摄影(CT)、磁共振成像(MRI)、X射线、荧光透视、超声波、包括正电子发射断层摄影(PET)的核医学或任何其他适合的医学成像技术。在图7的实施例中，当前患者图像112可以是多个图像，其中每个图像示出患者身体的内部的相同的垂直横截面，但是在患者身体的不同深度处。用户界面模块126可以被配置为允许临床医师滚动浏览当前患者图像112，使得患者身体各种深度处的横截面可以在具有针对每个图像的对应轮廓的情况下显示在可视化模块130中。在图1的实施例中，可视化模块130包括轮廓限定模块134。

轮廓限定模块134是轮廓化界面，其允许临床医师根据需要查看和修改当前患者轮廓114。如前所述，当前患者轮廓114是轮廓集，轮廓标识在当前患者图像112中捕获的三维肿瘤体积和位于肿瘤体积的周围区域中的解剖结构。围绕一个或多个肿瘤体积的轮廓指示辐射剂量所针对的区域。围绕一个或多个肿瘤体积的轮廓可以根据与大体肿瘤体积(GTV)、临床肿瘤体积(CTV)和计划肿瘤体积(PTV)有关的标准实践来限定，使得这些轮廓可以包括周围解剖结构的部分。用于周围解剖结构的轮廓可以突出解剖结构的一部分或全部。轮廓限定模块134将多个轮廓覆盖到当前患者图像112上，用于在可视化模块130中并发显示。如图7所示，当前患者的成像数据与多个当前患者轮廓114在可视化模块130中一起示出。图像中的每个外形均是轮廓线，并且每条轮廓线可以是不同的颜色，以表示不同的结构。可以在右侧的键中指示不同的颜色，该键列出了可视化模块130中的当前图像中的每个结构的名称。使用该键，临床医师可以快速标识哪个轮廓对应于列表中的哪个结构。在图7的实施例中，轮廓700围绕大体肿瘤体积(GTV)，轮廓701围绕计划肿瘤体积(PTV)，并且剩余轮廓突出相邻解剖结构。在一些图像中，如图7所示，各种轮廓可以彼此重叠。在图7的实施例中，当前患者轮廓114与当前患者图像112一起导入，使得轮廓容易地与显示在可视化模块130中的每个图像一起出现。在一些实施例中，轮廓限定模块134可以被配置为自动生成轮廓，或者可以提供针对当前患者图像112的提议轮廓。

在图7的实施例中，轮廓限定模块134被配置为允许临床医师添加、删除和/或修改当前患者轮廓114。轮廓限定模块134包括工具栏，其允许临床医师修改显示在可视化模块130中的现有轮廓。使用工具栏，临床医师可以改变所选择的轮廓的形状。例如，在轮廓最初限定不正确的情况下，或者为了增加肿瘤体积周围的轮廓的余裕，临床医师可能希望修改现有轮廓。轮廓限定模块134还包括结构列表，其表示所显示的当前患者图像112中示出的各种解剖结构。通过选择或取消选择结构列表中的解剖结构，轮廓限定模块134使得针对解剖结构的轮廓在可视化模块130中出现或消失。临床医师也可以添加针对解剖结构的新的轮廓，该新的轮廓可能最初未被限定过。在轮廓限定模块134中针对解剖结构添加和创建轮廓导致处理结果显示模块132更新，以包括与该解剖结构相关联的不利事件以及不利事件的对应结局。

在图7的实施例中，轮廓限定模块134被配置为检测轮廓是否已经被临床医师添加、删除和/或修改。由此，轮廓限定模块134捕获当前患者轮廓114的新集(当前患者轮廓114的新集包括添加的轮廓、经修改的轮廓以及还没有被删除的任何剩余的未修改的轮廓)，并将当前患者轮廓114的集新发送到特征生成模块120，使得随后确定新的建议处理结果集。在图7的实施例中，可视化模块130与处理结果显示模块132同步，使得轮廓限定模块134中的轮廓的修改使得处理结果显示模块132中的建议处理结果集实时更新。在一些实施例中，用户界面模块126可以要求临床医师指示什么时候当前患者轮廓114的新集准备好被捕获，使得处理结果显示模块132可以相应地更新。

处理结果显示模块132显示由处理结果模块124确定的建议处理结果集。处理结果显示模块132最初由处理结果模块124填充，并且允许临床医师可视化并比较建议处理结果。在图1的实施例中，处理结果显示模块132中显示的建议处理结果集是基于同时显示在可视化模块130中的当前患者图像112和当前患者轮廓114。临床医师可以分析建议处理结果中的每个建议处理结果，以确定是否选项中的任何选项是针对当前患者的最佳处理结果。

在图7的实施例中，处理结果显示模块132以表的格式呈现建议处理结果。每个处理结果表示由辐射处理计划可能引起的一个或多个不利事件的集和针对每个不利事件的对应结局。如图7所示，每个列标题标记建议处理结果，而每行标记与可视化模块130中的当前患者轮廓114相关联的不利事件。如图7所示，不利事件的示例可以包括“脊髓炎”、“ECOG3mo”(医生对患者表现状态的评估)、“肋骨骨折”和“肺炎”。标记为“预测”的列显示处理结果预测136，列出针对每个不利事件的预测结局。标记为“匹配01”的相邻列显示第一处理结果匹配138，列出由在先患者的先前施用的处理计划导致的每个不利事件的结局。如果存在多个处理结果匹配138，则处理结果显示模块132可以显示多个相邻列，例如“匹配02”、“匹配03”等。在一些实施例中，处理结果显示模块132可以限制处理结果匹配138的数目，以避免显示较不相似的处理结果匹配。通过同时显示处理结果匹配138与处理结果预测136，该配置允许临床医师将处理结果预测136与处理结果匹配138进行比较，以确定处理结果预测136是合理的处理结果，并且临床医师可以准确地预期如同所预测的处理结果，从而用作临床医师的置信度检查。

在图7的实施例中，表中的每个元素描述对应的建议处理结果的不利事件的结局。每个不利事件与以下结局中的一个或多个结局相关联：对每个标识的解剖结构的毒性水平的概率，以及对每个标识的解剖结构的最高可能的毒性水平。毒性水平可以被称为“毒性等级”。在图7的实施例中，为了便于显示，针对每个不利事件可以仅显示最高可能的毒性等级。例如，对于处理结果预测136，不利事件“肺炎”具有“3”的结局，表明毒性等级3的肺炎比任何其他毒性等级的肺炎更可能发生。对于一些不利事件，不利事件可以具有二元结局，诸如“是，不利事件将会发生”或“否，不会发生不利事件”。例如，对于处理结果匹配138，不利事件“肋骨骨折”具有“是”的结局，表明由于针对这位在先患者的处理计划而发生了肋骨骨折。其他不利事件可以以功能水平而非损伤水平来表征。例如，不利事件“ECOG3mo”是医生在疗法后三个月时对患者整体表现状态的评估。如图7所示，对于处理结果预测136，“ECOG3mo”具有指示功能水平1(用0-5的尺度，其中0作为最高功能水平)的结局“1”。在各种实施例中，尺度可以变化。在一些实施例中，处理结果显示模块132还可以显示对于每个建议处理结果的处理功效，诸如肿瘤复发概率、肿瘤复发类型(诸如局部复发或远处复发)、以及肿瘤复发前可能的时间长度。在图7的实施例中，在比较建议处理结果之间的不利事件结局时，可以用各种颜色或各种标记来强调结局，以指示优选结局。如图7所示，可以优选虚线框中的结局，而不是没有虚线框的结局(例如，“没有肋骨骨折”是优选结局，而不是“是，肋骨骨折”)。各种结局也可以用特定的颜色或标记加以强调，以指示不可接受的结局，这可以是临床医师特定的。

处理结果显示模块132可以包括各种按钮，各种按钮使得临床医师能够修改处理结果显示模块132中示出的信息。这些修改可以允许临床医师仅显示被认为是与当前患者相关或对当前患者重要的信息，从而便于临床医师的高效、精简的处理计划过程。在图7的实施例中，按钮包括多个不利事件按钮702、多个不利事件移除按钮704、多个处理结果移除按钮706以及多个处理结果优化按钮708。

多个不利事件按钮702表示可以被视为建议处理结果的一部分的附加的不利事件。在图7的实施例中，多个不利事件按钮702可位于建议处理结果的表的下方。如果临床医师想要针对每个建议处理结果来确定不利事件的对应结局，则临床医师可以选择不利事件按钮中的一个或多个。当选择了不利事件按钮时，该不利事件被添加为建议处理结果表中的附加行，并且针对每个建议处理结果的不利事件的对应结局将填充该行的元素。在一些实施例中，当临床医师滚动浏览每个患者图像时，多个不利事件按钮702可以自动填充可能与当前患者图像112和当前患者轮廓114相关的不利事件。如果不利事件未出现在不利事件按钮702上，临床医师也可以手动将不利事件添加到建议处理结果表中。在一些实施例中，如果系统100检测到不利事件的对应结局高于阈值限制，则可以在处理结果显示模块132中强调(例如，加亮、闪烁等)不利事件按钮，指示不利事件可能显著并且应该被视为建议处理结果的一部分。

多个不利事件移除按钮704允许临床医师从建议处理结果表中移除不利事件。在图7的实施例中，不利事件移除按钮704位于每个不利事件的行的旁边。当被选中时，与不利事件关联的整个行从表中被移除。如果不利事件被认为与当前患者不相关或不是紧要的，临床医师可以选择移除不利事件。通过从处理结果显示模块132移除不必要的不利事件，临床医师能够关注重要信息以确定当前患者的最佳处理结果。

多个处理结果移除按钮706允许临床医师从建议处理结果表中移除建议处理结果。在图7的实施例中，处理结果移除按钮706位于每个处理结果匹配138的列的上方。当被选中时，与建议处理结果相关联的整个列从表中被移除。如果临床医师确定备选的建议处理结果更适合于当前患者，则临床医师可以选择移除建议处理结果。通过从处理结果显示模块132中移除不必要的建议处理结果，临床医师能够更高效地减少建议处理结果，以确定当前患者的最佳处理结果。在一些实施例中，处理结果预测136可以或不可以通过处理结果移除按钮706来移除。

多个处理结果优化按钮708允许临床医师选择用于优化的建议处理结果。在图7的实施例中，处理结果优化按钮708位于每个建议处理结果的列标题的旁边。如果临床医师相信所选择的建议处理结果可以被修改以实现针对当前患者的最佳处理结果，则临床医师可以选择针对建议处理结果的处理结果优化按钮708。当建议处理结果被选择用于优化时，处理结果显示模块允许临床医师限定多个过滤标准，诸如从处理结果中排除不利事件或对不利事件的结局设置阈值限制。例如，临床医师可以规定第一过滤标准以排除作为不利事件的“肋骨骨折”，并且规定第二过滤标准以将“肺炎”限制到1级的毒性等级(例如，在1-4的尺度上，其中最严重的为4)。所选择的建议处理结果和过滤标准被输入到处理结果匹配导航模块128中，以标识针对当前患者的处理结果匹配138的新集。随后，处理结果匹配导航模块128向处理结果匹配138发送新的处理结果匹配集，以在处理结果显示模块132中显示。临床医师可以分析新的建议处理结果集，以确定是否选项中的任何选项是针对当前患者的最佳处理结果。在一些实施例中，如果临床医师确定建议处理结果之一对于当前患者是最佳的，则临床医师可以选择建议处理结果的处理结果优化按钮708，以将所选择的建议处理结果导出到处理递送引擎106，以基于所选择的建议处理结果来生成特定于患者的处理递送计划。

通过同时显示可视化模块和处理结果显示模块132，临床医师可以可视化到当前患者轮廓114的辐射递送与所得到的建议处理结果之间的关系。使用用户界面模块126，临床医师能够调整轮廓，并实时评估对肿瘤体积的影响和对附近解剖结构的毒性风险。临床医师可以经历滚动浏览多个当前患者图像112中的每一个当前患者图像的循环，以修改轮廓、从考虑中添加或移除不利事件、从考虑中添加或移除建议处理结果、以及优化所选择的处理结果，直到临床医师确定针对当前患者的最佳处理结果。该配置使得临床医师能够在辐射处理计划期间做出关于某些权衡的明智决定。

图8图示了根据另一实施例的用于使建议处理结果可视化的示例性用户界面。如关于图7所描述的那样，表的每个元素描述对应的建议处理结果的不利事件的结局。每个不利事件与以下结局中的一个或多个结局相关联：对每个标识的解剖结构的毒性的水平的概率，以及对每个标识的解剖结构的毒性的最高可能的水平。在图7的实施例中，为了便于显示，针对每个不利事件可以仅显示最高可能的毒性等级。在图8的实施例中，不利事件可以包括行标题旁边的切换按钮802。选择切换按钮802使结局表(诸如结局表804)针对每个建议处理结果的不利事件扩展。如图8所示，针对“肺炎”的结局表804显示毒性等级和针对每个毒性等级的对应概率。在结局表804中可以强调具有最高可能的毒性水平的毒性等级。例如，对于处理结果预测136，毒性等级3的肺炎具有50％的概率作为处理结果发生，这高于剩余毒性等级的概率。因此，如关于图7所描述的那样，为了便于显示，当切换按钮802被选择为最小化结局表804时，只有毒性等级3被显示在处理结果显示模块132中。在图8的实施例中，只有具有与毒性等级有关的对应结局的不利事件可以具有切换按钮802。

图9图示了根据一个实施例的说明针对临床医师的辐射处理计划的步骤的流程图。流程图表示使用如关于图1所描述的系统100来创建辐射处理计划的工作流程。

如900所述，患者数据引擎接收与当前患者相关联的患者数据。当前患者数据可以包括患者图像、患者轮廓、物理参数和处方参数。当前患者数据被输入到处理计划引擎中。

如902所述，处理计划引擎检测当前患者数据中的解剖结构和肿瘤体积的轮廓。在当前患者数据被导入到系统中之前，临床医师可以在每个患者图像中限定这些轮廓。

如904所述，处理计划引擎基于当前患者数据和检测到的轮廓来生成与当前患者相关联的特征。可以将所生成的特征与在先患者的类似的所生成的特征进行比较，以标识与当前患者类似的在先患者。

如906所述，处理计划引擎确定多个剂量计划。剂量计划包括剂量计划预测和多个剂量计划匹配。为了确定剂量计划预测，处理计划引擎将当前患者的所生成的特征输入到剂量计划预测模型中，剂量计划预测模型生成剂量计划预测。为了确定多个剂量计划匹配，处理计划引擎使用剂量计划预测和当前患者的所生成的特征。处理计划引擎将当前患者的所生成的特征与在先患者的所生成的特征进行比较，以标识与当前患者相似的在先患者的先前施用的剂量计划。处理计划引擎然后确定先前施用的剂量计划中的哪些在剂量计划预测的阈值差异内。阈值差异内的那些先前施用的剂量计划是剂量计划匹配。多个剂量计划匹配和剂量计划预测包括剂量计划集。

如在908中所述，处理计划引擎基于剂量计划和当前患者病史来确定多个处理结果。处理结果包括处理结果预测和多个处理结果匹配。为了确定处理结果预测，处理计划引擎将剂量计划和当前患者病史输入到处理结果预测模型中，处理结果预测模型生成处理结果预测。为了确定多个处理结果匹配，处理计划引擎使用处理结果预测、剂量计划和当前患者病史。处理计划引擎将剂量计划与在先患者的先前施用的剂量计划进行比较，以标识在先患者的先前施用的剂量计划的处理结果。处理计划引擎然后确定所标识的处理结果中的哪些在处理结果预测的阈值差异内。阈值差异内的那些所标识的处理结果是处理结果匹配。多个处理结果匹配和处理结果预测包括建议处理结果集。

如910所述，处理计划引擎呈现建议处理结果，以供临床医师分析。建议处理结果集、以及建议处理结果所基于的当前患者图像和当前患者轮廓被同时显示。通过同时显示它们，临床医师可以可视化到当前患者轮廓的辐射递送与所得到的建议处理结果之间的关系。临床医师能够调整轮廓，并实时评估对肿瘤体积的影响和对附近解剖结构的毒性风险。这使得临床医师在针对当前患者的辐射处理计划期间做出关于某些权衡的明智决定。临床医师可以修改当前患者轮廓以生成新的建议处理结果集，或者临床医师可以选择建议处理结果以用于优化，从而允许临床医师创建具有最佳处理结果的处理计划。

如912所述，临床医师可以选择建议处理结果以进行优化。如果处理结果被选择，则临床医师可以限定多个过滤标准。处理计划引擎访问数据存储，以基于所选择的处理结果和过滤标准来标识新的建议处理结果集。如910中所讨论的，新的建议处理结果集被呈现以供临床医师分析。

如914所述，临床医师能够修改当前患者轮廓。如果处理计划引擎检测到轮廓被修改，则捕获新的当前患者轮廓集。因此，904-914可以被重复。

如916所述，临床医师可以选择建议处理结果，作为当前患者的最佳处理结果。所选择的处理结果被发送到处理递送引擎，以创建将产生所选择的处理结果的辐射剂量处理计划。

如918所述，处理递送引擎向临床医师提供与所选择的处理结果相关联的辐射剂量处理计划，以用于向当前患者的处理递送。

结论性说明

已经出于说明的目的呈现了本发明的实施例的前述描述；其不旨在为穷举的或将本发明限于所公开的精确形式。相关领域技术人员可以认识到，鉴于以上公开内容，许多修改和变型是可能的。

本说明书的一些部分在对信息的操作的算法和符号表示方面描述了本发明的实施例。这些算法的描述和表示通常由数据处理领域的技术人员用于将其工作的实质有效地传达给本领域其他技术人员。当在功能上、计算上或逻辑上描述时，这些操作被理解为由计算机程序或等效电路、微代码等来实施。另外，有时将对操作的这些布置指代为模块，也已证明是方便的，而不失一般性。所描述的操作和其相关联的模块可以被体现在软件、固件、硬件或它们的任何组合中。

本文中描述的任何步骤、操作或过程可以利用一个或多个硬件或软件模块单独地或与其他设备组合地来执行或来实施。在一个实施例中，软件模块利用计算机程序产品来实施，该计算机程序产品包括含有计算机程序代码的计算机可读介质，计算机程序代码可以由计算机处理器执行，以执行所描述的任何或全部步骤、操作或过程。

本发明的实施例还可以涉及一种用于执行本文中的操作的装置。该装置可以专门出于所需要的目的而被构造，和/或其可以包括由计算机中存储的计算机程序选择性地激活或重新配置的通用计算设备。这样的计算机程序可以被存储在可以耦合到计算机系统总线的非瞬态有形计算机可读存储介质或适合于存储电子指令的任何类型的介质中。另外，在本说明书中引用的任何计算系统可以包括单个处理器，或者可以是采用用于增大计算能力的多个处理器设计的架构。

本发明的实施例还可以涉及通过本文描述的计算过程而产生的产品。这样的产品可以包括从计算过程产生的信息，其中信息被存储在非瞬态的有形的计算机可读存储介质上，并且可以包括本文描述的计算机程序产品或其他数据组合的任何实施例。

最后，在本说明书中使用的语言主要出于可读性和指导目的而被选择，并且其可以不是为了划定或限制本发明的技术方案而被选择的。因此，所旨在的是，本发明的范围不由该详细描述限制，而是确切地说，由基于申请发布的任何权利要求限制。因此，本发明的实施例的公开旨在说明、而非限制本发明的范围，本发明的范围被阐述在所附权利要求书中。

Claims (39)

1.一种用于创建针对给定患者的辐射处理计划的方法，所述方法包括：

接收成像数据，所述成像数据包括要接收辐射处理的患者的内部的表示；

重复执行处理计划过程，所述处理计划过程包括：

检测至少一个轮廓，所述至少一个轮廓标识由所述成像数据表示的一个或多个解剖结构和至少一个肿瘤体积；

基于所述至少一个轮廓和在先患者剂量处理计划，计算针对所述患者的剂量处理计划集；

基于所述至少一个轮廓、在先患者处理结果和所述剂量处理计划集，计算针对所述患者的一个或多个建议处理结果；以及

在用户界面中将建议处理结果集呈现给临床医师以用于评估；

接收来自所述临床医师的对给定建议处理结果的选择；以及

将所选择的处理结果提供给系统，所述系统用于生成针对所述患者的达到所选择的所述处理结果的处理计划。

2.根据权利要求1所述的方法，其中处理结果表示一个或多个不利事件的集，其中每个不利事件与以下结局中的一个或多个结局相关联：对每个标识的解剖结构的毒性的水平的概率，以及对每个标识的解剖结构的毒性的最高可能水平。

3.根据权利要求1或2所述的方法，其中处理结果指示以下中的一个或多个：肿瘤复发概率、诸如局部复发或远处复发的肿瘤复发类型、以及肿瘤复发前可能的时间长度。

4.根据权利要求1至3中任一项所述的方法，其中所述建议处理结果集中的第一处理结果是预测处理结果，所述预测处理结果使用处理结果模型来生成，所述处理结果模型基于在先患者剂量处理计划和与所述在先患者剂量处理计划相关联的处理结果。

5.根据权利要求4所述的方法，其中所述处理结果模型还基于与所述剂量处理计划相关联的在先患者的病史。

6.根据权利要求4所述的方法，其中计算所述建议处理结果集包括：

使用所述处理结果模型来计算所述第一处理结果；以及

确定在与所述第一处理结果的阈值差异内的在先患者处理结果集。

7.根据权利要求1至6中任一项所述的方法，还包括：

接收来自所述临床医师的对所述建议处理结果中的一个建议处理结果的选择，以用于优化，其中所选择的建议处理结果的所述优化包括应用由所述临床医师限定的一个或多个过滤标准；

确定在与所选择的建议处理结果的阈值差异内并且基于所述一个或多个过滤标准的新在先患者处理结果集；以及

在所述用户界面中向临床医师呈现所述新在先患者处理结果集，以用于评估。

8.根据权利要求7所述的方法，其中所述过滤标准包括以下中的一个或多个：从所述处理结果中排除不利事件，或对不利事件的结局的阈值限制。

9.根据权利要求1至8中任一项所述的方法，其中检测所述至少一个轮廓包括：确定先前检测到的轮廓已被修改，或检测标识由所述成像数据表示的一个或多个解剖结构和至少一个肿瘤体积的新轮廓。

10.根据权利要求1至9中任一项所述的方法，其中所述用户界面使得所述临床医师能够在所述成像数据的视觉表示上、在多个所选择的解剖结构上，手动限定一个或多个轮廓，移除先前检测到的轮廓，或者修改先前检测到的轮廓。

11.根据权利要求10所述的方法，其中所述用户界面以图形呈现：

能够由所述剂量处理计划集导致的多个不利事件；

针对所述给定患者的预测处理结果，所述预测处理结果提供针对每个不利事件的预测结局；以及

一个或多个在先患者处理结果，其中每个在先患者处理结果提供针对每个不利事件的结局，所提供的所述结局是与所述在先患者处理结果相关联的所述在先患者剂量处理计划的结果。

12.根据权利要求11所述的方法，其中检测所述用户界面中的至少一个轮廓的添加、移除或修改导致计算显示在所述用户界面中的新建议处理结果集。

13.根据权利要求11所述的方法，其中所述用户界面包括附加不利事件的列表，所述附加不利事件能够被选择以显示在所述用户界面中，使得每个所选择的不利事件的结局被显示在所述用户界面中。

14.根据权利要求11所述的方法，其中所述用户界面被配置为允许临床医师移除所述不利事件中的一个或多个不利事件，而不显示在所述用户界面中。

15.根据权利要求1至8中任一项所述的方法，其中生成的所述处理计划包括用于施用给所述给定患者的、与所选择的所述建议处理结果相关联的剂量处理计划。

16.一种非瞬态计算机可读存储介质，存储用于创建针对给定患者的辐射处理计划的可执行计算机程序指令，所述指令执行步骤，所述步骤包括：

接收成像数据，所述成像数据包括要接收辐射处理的患者的内部的表示；

重复执行处理计划过程，所述处理计划过程包括：

检测至少一个轮廓，所述至少一个轮廓标识由所述成像数据表示的一个或多个解剖结构和至少一个肿瘤体积；

基于所述至少一个轮廓和在先患者剂量处理计划，计算针对所述患者的剂量处理计划集；

基于所述至少一个轮廓、在先患者处理结果和所述剂量处理计划集，计算针对所述患者的一个或多个建议处理结果；以及

在用户界面中将建议处理结果集呈现给临床医师以用于评估；

接收来自所述临床医师的对给定建议处理结果的选择；以及

将所选择的处理结果提供给系统，所述系统用于生成针对所述患者的达到所选择的所述处理结果的处理计划。

17.根据权利要求16所述的计算机可读存储介质，其中处理结果表示一个或多个不利事件的集，其中每个不利事件与以下结局中的一个或多个结局相关联：对每个标识的解剖结构的毒性的水平的概率，以及对每个标识的解剖结构的毒性的最高可能的水平。

18.根据权利要求16或17所述的计算机可读存储介质，其中所述建议处理结果集中的第一处理结果是预测处理结果，所述预测处理结果使用处理结果模型来生成，所述处理结果模型基于在先患者剂量处理计划和与所述在先患者剂量处理计划相关联的处理结果。

19.根据权利要求18所述的方法，其中所述处理结果模型还基于与所述在先患者剂量处理计划相关联的在先患者的病史。

20.根据权利要求18所述的计算机可读存储介质，所述指令执行用于计算所述建议处理结果集的步骤，所述步骤还包括：

使用所述处理结果模型来计算所述第一处理结果；以及

确定在与所述第一处理结果的阈值差异内的在先患者处理结果集。

21.根据权利要求16至20中任一项所述的计算机可读存储介质，所述指令执行步骤，所述步骤还包括：

接收来自所述临床医师的对所述建议处理结果中的一个建议处理结果的选择，以用于优化，其中所选择的建议处理结果的所述优化包括应用由所述临床医师限定的一个或多个过滤标准；

确定在与所选择的建议处理结果的阈值差异内并且基于所述一个或多个过滤标准的新在先患者处理结果集；以及

在所述用户界面中向临床医师呈现所述新在先患者处理结果集，以用于评估。

22.根据权利要求16至21中任一项所述的计算机可读存储介质，所述指令执行用于填充所述用户界面的步骤，所述步骤包括：

呈现所述成像数据，所述成像数据包括要接收辐射处理的所述患者的所述内部的所述表示；

呈现检测到的所述至少一个轮廓，所述至少一个轮廓标识由所述成像数据表示的一个或多个解剖结构和至少一个肿瘤体积；

呈现能够由所述剂量处理计划集导致的多个不利事件；

呈现所述建议处理结果集，所述建议处理结果集包括：

针对所述给定患者的第一处理结果，所述第一处理结果提供针对每个不利事件的预测结局；以及

一个或多个附加处理结果，其中每个附加处理结果提供针对每个不利事件的结局，所提供的所述结局是与所述处理结果相关联的在先患者剂量处理计划的结果。

23.根据权利要求22所述的计算机可读存储介质，所述指令执行用于填充所述用户界面的步骤，所述步骤还包括：

检测对所检测到的至少一个轮廓的添加、移除或修改；

创建至少一个轮廓的新集，所述至少一个轮廓的新集包括：任何添加的轮廓、任何修改的轮廓以及任何未修改的先前检测到的轮廓；

在检测到时，基于轮廓的所述新集计算新建议处理结果集；

呈现所述新建议处理结果集。

24.一种用于创建针对给定患者的辐射处理计划的计算机系统，所述指令执行步骤，所述步骤包括：

存储可执行计算机程序指令的非瞬态计算机可读存储介质，所述可执行计算机程序指令包括指令，所述指令用于：

接收成像数据，所述成像数据包括要接收辐射处理的患者的内部的表示；

重复执行处理计划过程，所述处理计划过程包括：

检测至少一个轮廓，所述至少一个轮廓标识由所述成像数据表示的一个或多个解剖结构和至少一个肿瘤体积；

基于所述至少一个轮廓和在先患者剂量处理计划，计算针对所述患者的剂量处理计划集；

基于所述至少一个轮廓、在先患者处理结果和所述剂量处理计划集，计算针对所述患者的一个或多个建议处理结果；以及

在用户界面中将建议处理结果集呈现给临床医师以用于评估；

接收来自所述临床医师的对给定建议处理结果的选择；

将所选择的处理结果提供给系统，所述系统用于生成针对所述患者的达到所选择的所述处理结果的处理计划；以及

处理器，用于执行所述计算机程序指令。

25.一种用于创建针对给定患者的辐射处理计划的方法，所述方法包括：

接收成像数据，所述成像数据包括要接收辐射处理的患者的内部的表示；

重复执行处理计划过程，所述处理计划过程包括：

检测至少一个轮廓，所述至少一个轮廓标识由所述成像数据表示的一个或多个解剖结构和至少一个肿瘤体积；

基于所述至少一个轮廓和在先患者剂量处理计划，计算针对所述患者的剂量处理计划集；

基于所述至少一个轮廓、在先患者处理结果和所述剂量处理计划集，计算针对所述患者的一个或多个建议处理结果；以及

在用户界面中将建议处理结果集呈现给临床医师以用于评估。

26.根据权利要求25所述的方法，还包括：

将由所述临床医师选择的处理结果提供给系统，所述系统用于生成针对所述患者的处理计划。

27.根据权利要求25或26所述的方法，其中处理结果表示一个或多个不利事件的集，其中每个不利事件与以下结局中的一个或多个结局相关联：对每个标识的解剖结构的毒性的水平的概率，以及对每个标识的解剖结构的毒性的最高可能的水平。

28.根据权利要求25至27中任一项所述的方法，其中处理结果指示以下中的一个或多个：肿瘤复发概率、诸如局部复发或远处复发的肿瘤复发类型、以及肿瘤复发前可能的时间长度。

29.根据权利要求25至28中任一项所述的方法，其中所述建议处理结果集中的第一处理结果是预测处理结果，所述预测处理结果使用处理结果模型来生成，所述处理结果模型基于在先患者剂量处理计划和与所述在先患者剂量处理计划相关联的处理结果。

30.根据权利要求29所述的方法，其中所述处理结果模型还基于与所述剂量处理计划相关联的在先患者的病史。

31.根据权利要求29所述的方法，其中计算所述建议处理结果集包括：

使用所述处理结果模型来计算所述第一处理结果；以及

确定在与所述第一处理结果的阈值差异内的在先患者处理结果集。

32.根据权利要求25至31中任一项所述的方法，还包括：

接收来自所述临床医师的对所述建议处理结果中的一个建议处理结果的选择，以用于优化，其中所选择的建议处理结果的所述优化包括应用由所述临床医师限定的一个或多个过滤标准；

确定在与所选择的建议处理结果的阈值差异内并且基于所述一个或多个过滤标准的新在先患者处理结果集；以及

在所述用户界面中向临床医师呈现所述新在先患者处理结果集，以用于评估。

33.根据权利要求32所述的方法，其中所述过滤标准包括以下中的一个或多个：从所述处理结果中排除不利事件，或对不利事件的结局的阈值限制。

34.根据权利要求25至33中任一项所述的方法，其中所述用户界面使得所述临床医师能够在所述成像数据的视觉表示上、在多个所选择的解剖结构上，手动限定一个或多个轮廓，移除先前检测到的轮廓，或者修改先前检测到的轮廓。

35.根据权利要求34所述的方法，其中所述用户界面以图形呈现：

能够由所述剂量处理计划集导致的多个不利事件；

针对所述给定患者的预测处理结果，所述预测处理结果提供针对每个不利事件的预测结局；以及

一个或多个在先患者处理结果，其中每个在先患者处理结果提供针对每个不利事件的结局，所提供的所述结局是与所述在先患者处理结果相关联的所述在先患者剂量处理计划的结果。

36.根据权利要求35所述的方法，其中检测所述用户界面中的至少一个轮廓的添加、移除或修改导致计算显示在所述用户界面中的新建议处理结果集。

37.根据权利要求35所述的方法，其中所述用户界面包括附加不利事件的列表，所述附加不利事件能够被选择以显示在所述用户界面中，使得每个所选择的不利事件的结局被显示在所述用户界面中。

38.根据权利要求35所述的方法，其中所述用户界面被配置为允许临床医师移除所述不利事件中的一个或多个不利事件，而不显示在所述用户界面中。

39.根据权利要求25至38中任一项所述的方法，其中生成的所述处理计划包括用于施用给所述给定患者的、与所选择的所述建议处理结果相关联的剂量处理计划。