JP7412083B2 - 治療計画支援装置及び方法 - Google Patents

Description

本発明の実施形態は、治療計画支援装置及び方法に関する。

放射線治療（Radiation Therapy: RT）では、最初に決定した治療計画に基づいて最後までやりきる治療が一般的である。したがって、最初に決定する治療計画の良し悪しが、ＲＴ後の治療効果や副作用の発生に影響する。情報技術の発展に伴い、治療計画時のＣＴ画像から得られる画像情報と線量などの情報に基づき、ＲＴ後の治療効果や副作用の発生確率の予測結果を得ることが可能となってきている。しかし近年、治療計画を容易にする技術の発展に伴い、治療期間中における治療効果や副作用の発生に基づいて治療計画を見直す治療方法（以下、Adaptive RTという）が注目されている。上述の予測結果は、治療計画時に作成した治療計画の良し悪しの意思決定支援を目的としているため、治療期間中の治療効果や副作用の発生に基づいてAdaptive RTを適用の判断することは難しい。

Zhi Cheng, et al, "Evaluation of classification and regression tree (CART) model in weight loss prediction following head and neck cancer radiation therapy", Advances in Radiation Oncology (2018), December 7, 2017, volume 3, issue 3, 346－355

本発明が解決しようとする課題は、治療期間中のAdaptive RTの適用判断を高精度かつ容易に支援できることである。

本実施形態に係る治療計画支援装置は、取得部と、生成部とを含む。取得部は、放射線治療に係る第１の治療計画に関する情報を取得する。生成部は、前記第１の治療計画に関する情報と、前記第１の治療計画に基づく放射線治療を実施する際に取得された医用画像とを用いて、第２の治療計画に関する情報を生成する。

図１は、第１の実施形態に係る治療計画支援装置のブロック図である。 図２は、第１の実施形態に係る治療計画支援装置で利用する機械学習モデルの学習時の概念を示す図。 図３は、第１の実施形態に係る治療計画支援装置で利用する機械学習モデルの利用時の概念を示す図。 図４は、第１の実施形態に係る治療計画支援装置の動作を示すフローチャートである。 図５は、第１の実施形態に係る治療計画支援装置の動作の変形例を示すフローチャートである。 図６は、第１の実施形態に係る予後予測情報の第１の提示例を示す図である。 図７は、第１の実施形態に係る予後予測情報の第２の提示例を示す図である。 図８は、第１の実施形態に係る治療計画支援装置を含む第２の実施形態に係る治療計画装置のブロック図である。

以下、図面を参照しながら本実施形態に係わる治療計画支援装置及び方法を説明する。以下の実施形態では、同一の参照符号を付した部分は同様の動作をおこなうものとして、重複する説明を適宜省略する。以下、一実施形態について図面を用いて説明する。

（第１の実施形態）
図１は、第１の実施形態に係る治療計画支援装置１の構成を示すブロック図である。治療計画支援装置１は、処理回路１１と、メモリ１３とを含む。処理回路１１は、ハードウェア資源として、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）等のプロセッサで構成される。処理回路１１は、取得機能１１１と、生成機能１１３と、予測機能１１５と、学習機能１１７と、提示機能１１９とを含む。なお、処理回路１１は、上記機能を実現可能なＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）、ＣＰＬＤ（Complex Programmable Logic Device）、ＳＰＬＤ（Simple Programmable Logic Device）などにより実現されてもよい。

取得機能１１１は、放射線治療に係る第１の治療計画に関する情報を取得する。第１の治療計画は、最初に立てた治療計画でもよいし、Adaptive RTにより変更された治療計画であってもよい。

生成機能１１３は、第１の治療計画に関する情報と、第１の治療計画に基づく放射線治療を実施する際に取得された医用画像とを用いて、想定される第２の治療計画に関する情報を生成する。医用画像としては、コーンビームＣＴ装置やＸ線コンピュータ断層撮影装置、磁気共鳴イメージング装置、核医学診断装置等により生成される画像が用いられればよい。以下、生成機能１１３により用いられる医用画像は、コーンビームＣＴ装置やＸ線コンピュータ断層撮影装置等のＣＴ撮影装置により生成されたコーンビームＣＴ画像（以下、ＣＢＣＴ画像とも呼ぶ）又はＣＴ画像であるとする。生成機能１１３は、ＣＴ画像およびＣＢＣＴ画像から画像特徴量を算出してもよい。画像特徴量の算出方法としては、一般的な手法を用いればよい。また、画像特徴量の具体例は後述する。また生成機能１１３は、最初に立てられる治療計画を含む第１の治療計画を設計してもよい。

予測機能１１５は、第１の治療計画に沿って治療を進めた場合に想定される予後予測である第１の予後予測情報と、生成機能１１３により生成された第２の治療計画に沿って治療を進めた場合に想定される予後予測である第２の予後予測情報とを生成する。予後予測は、例えば、放射線照射後の縮小の度合いを予測する腫瘍レスポンスや副作用の有無である。腫瘍レスポンスは、例えば、腫瘍の完治確率または治療前の大きさからの縮小度合いにより示される。なお、治療前よりも腫瘍が拡大している場合はマイナス値で表せばよい。副作用の有無は、例えば、体重減少の有無により示される。

学習機能１１７は、第１の予後予測情報および第２の予後予測情報を生成するためのモデルを学習させる。ここでは、ニューラルネットワークに代表される機械学習モデルを学習することで学習済みモデルを生成することを想定する。なお、機械学習に限らず、学習機能１１７により生成されるモデルはルックアップテーブル（ＬＵＴ）であってもよい。

提示機能１１９は、第１の予後予測情報および第２の予後予測情報をユーザに提示する。提示方法としては、第１の予後予測情報および第２の予後予測情報をディスプレイ（図示せず）に表示してもよいし、第１の予後予測情報および第２の予後予測情報をスピーカ（図示せず）を介して音声により出力（再生）してもよい。

メモリ１３は、ハードウェア資源として、例えば、ＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）等で構成される。メモリ１３は、第１の治療計画に関する情報、機械学習モデル、学習用データを記憶することを想定する。また、予測機能１１５により算出された第１の予後予測情報および第２の予後予測情報を記憶してもよい。処理回路１１とメモリ１３とは、互いにバスを介して通信可能に接続されている。

次に、治療計画支援装置１で利用する機械学習モデルの学習時の概念について図２を参照して説明する。
図２は、学習前の機械学習モデル２１０に対する学習用データの入力を示す。学習用データは、第１の治療計画時に得られる各種情報と、第１の治療終了後の治療効果や副作用発生の情報との組である。

機械学習モデル２１０には、第１の治療計画時における、治療計画情報２０１、ＣＴ画像特徴量２０３および患者関連情報２０５が入力データとして入力される。治療計画情報２０１は、治療計画情報に含まれる項目は、例えば、治療部位や放射線の線量分布、放射線の照射角度や照射回数などの照射方法、放射線の治療条件が挙げられる。ＣＴ画像特徴量２０３は、第１の治療計画を立てる場合に用いたＣＴ画像についての輝度値またはＣＴ値、形状、テクスチャ、統計量などの数値データを想定する。なお、ＣＴ画像は、治療計画を立てる場合に放射線治療開始前に撮影されるマルチスライスＣＴ画像である。患者関連情報２０５は、例えば患者の年齢、性別、治療部位、体型情報、ガンのステージ情報、既往歴、および患者の家族の病例などが挙げられる。

一方、機械学習モデル２１０の学習に使われる正解データは、第１の予後情報２０７である。第１の予後情報２０７は、第１の治療計画に基づいて、上述した予後の情報を含み、すなわち患者に副作用が発生したか否かの副作用に関する情報、および、腫瘍の大きさが縮小したか、現状維持なのか、または再発したかといった治療効果に関する情報を含む。第１の予後情報２０７としては、第１の治療計画に基づいて患者に対して放射線治療を行い、当該患者を経過観察することで得られる予後の情報を用いればよい。

メモリ１３は、ある患者の治療計画の事例から生成された学習用データを記憶する。つまり、メモリ１３は、第１の治療計画に基づいて患者を放射線治療する際の治療計画情報２０１、ＣＴ画像特徴量２０３および患者関連情報２０５を入力データとし、当該患者に関する予後情報２０７を正解データとした１組の学習用データを記憶すればよい。

学習機能１１７により処理回路１１が、モデル学習プログラムに従い、学習用データを用いて機械学習モデル２１０を機械学習し、学習済みモデルを生成する。機械学習モデル２１０としては、ニューラルネットワーク、ディープラーニング、Random Forest、サポートベクタマシンまたはカーネル回帰等を想定するが、これに限らず他の機械学習モデルであってもよい。

なお、学習済みモデルは、例えば工場出荷時において予め用意した学習用データに基づいて機械学習モデル２１０を学習させることで生成してもよいし、工場出荷時には未学習の状態で、出荷先（例えば病院）において、治療計画支援装置１が医用情報サーバに接続することで当該学習用データを取得し、取得した学習用データに基づいて、学習機能１１７により機械学習モデル２１０を学習させてもよい。さらに、学習機能１１７により、新たに生成した学習用データに基づいて学習済みモデルを更新できるようにしてもよい。

次に、治療計画支援装置１で利用する学習済みモデルの利用時の概念について図３を参照して説明する。
図２の機械学習により得られた学習済みモデル３０７の利用時には、第２の治療計画を想定した治療計画情報３０３と、第１の治療計画に基づく放射線治療中に撮影したＣＢＣＴ画像特徴量３０５と、第１の治療計画時の患者関連情報２０５とが、学習済みモデル３０７に入力される。

ここで生成機能１１３により処理回路１１が、第１の治療計画時の治療計画情報２０１と、第１の治療計画に基づく放射線治療中のＣＢＣＴ画像３０１とを用いて第２の治療計画を想定した治療計画情報３０３を生成する。具体的には、ＣＢＣＴ画像３０１を治療計画用のＣＴ画像とみなし、第１の治療計画情報２０１において考慮した腫瘍の大きさなどの画像特徴量（パラメータ）や照射位置を決める輪郭情報をＣＢＣＴ画像３０１に基づいて更新することで、第２の治療計画を想定した治療計画情報３０３が生成されればよい。輪郭情報の更新には、第１の治療計画時のＣＴ画像とＣＢＣＴ画像３０１とのレジストレーション（画像の位置合わせ）を用いても良い。なお、第２の治療計画は、第２の治療計画を生成する直前の第１の治療計画に沿った治療状況（放射線の積算照射量など）を勘案し、第１の治療計画における残りの照射量を元に計画される。
ＣＢＣＴ画像特徴量３０５は、例えば、生成機能１１３により、ＣＴ画像特徴量２０３と同様の特徴量をＣＢＣＴ画像３０１から算出することで生成される。

このように、機械学習モデルを学習させた入力データの種類は変えずに、入力データの値を第２の治療計画情報３０３に関するデータとすることで、学習済みモデル３０７自体は第１の治療計画に基づく第１の予後情報２０７の予測結果を出力するように学習されているものの、学習済みモデル３０７からの出力として、結果的に第２の治療計画における予後予測情報３０９（以下、第２の予後予測情報３０９）を出力することができる。
なお、本実施例では第２の治療計画を想定した第２の治療計画情報３０３を用いて、第２の治療計画における予後予測情報３０９を出力することを説明したが、第２の治療計画情報３０３の代わりに第１の治療計画情報２０１を学習済みモデル３０７に入力することで、第１の治療計画での治療を継続した場合の、予後予測情報を出力することができる。

次に本実施形態に係る治療計画支援装置１の動作例について図４のフローチャートを参照して説明する。
ステップＳ４０１では、ＣＴ撮影装置（図示せず）により、治療計画用のＣＴ画像を撮影する。
ステップＳ４０２では、ステップＳ４０１で撮影したＣＴ画像に基づいて、第１の治療計画が立てられる。なお、第１の治療計画については、生成機能により処理回路１１が第１の治療計画を設計してもよいし、外部（例えば、治療計画装置）で設計されてもよい。
第１の治療計画が立てられた後、当該第１の治療計画に沿って患者に対する治療が実施される。ここでは、患者が病院に来院し、治療室に入ったとする（ステップＳａ）。
ステップＳ４０３では、ＣＴ撮影装置により、当該放射線治療を実施する前のＣＢＣＴ画像が撮影される。

ステップＳ４０４では、第１の治療計画に基づき、その日分の放射線治療が実施される。例えば、１日何分間の所定線量の照射を、何日おきに何回実施するといった計画に沿って行われる。なお、治療計画情報は、放射線治療装置（図示せず）に伝送される。放射線治療装置は、治療計画に従い放射線を患者の腫瘍に対して照射する。
ステップＳ４０５では、ユーザからのAdaptive RTの適用可能性の判断指示があるか否かが判定される。例えば、取得機能１１１により、ユーザからのAdaptive RTのために治療計画を立て直す指示、またはユーザからAdaptive RTを適用した方が良いのかどうかを検討するための予後予測実行指示を取得した場合に、Adaptive RTの適用可能性の判断指示があったと判定すればよい。ユーザからの判断指示があればステップＳ４０７に進み、ユーザからのAdaptive RTの適用可能性の判断指示がなければステップＳ４０６に進む。

ステップＳ４０６では、第１の治療計画に基づく放射線治療が終了したか、つまり第１の治療計画により計画される規定回数の放射線照射を終了したかどうかが判定される。例えば、処理回路１１が、規定回数に対する放射線照射回数の情報を取得し、規定回数と放射線照射回数とが一致していれば、規定回数の放射線照射が終了したと判定すればよい。規定回数の放射線照射が終了した場合は、処理を終了し、規定回数の放射線照射が終了していない場合は、次の治療のためステップＳａに戻り、第１の治療計画に基づく放射線治療を継続する。

ステップＳ４０７では、予測機能１１５により処理回路１１が、Adaptive RTを適用するか否かを判定するために、予後予測が実施される。具体的には、予測機能１１５により処理回路１１は、ユーザからの指示の直前に実施された放射線治療の際に撮影されたＣＢＣＴ画像に基づいて、第２の治療計画を想定した治療計画情報を生成する。予測機能１１５により処理回路１１は、第１の治療計画に基づく治療計画情報、ＣＴ画像特徴量および患者関連情報を学習済みモデルに入力し、学習済みモデルの出力として第１の予後予測情報を得る。また、予測機能１１５により処理回路１１は、第２の治療計画に基づく治療計画情報、ステップＳ４０３で取得したＣＢＣＴ画像に関するＣＢＣＴ画像特徴量および患者情報を学習済みモデルに入力し、学習済みモデルの出力として第２の予後予測情報とを取得する。

ステップＳ４０８では、提示機能１１９により処理回路１１が、第１の予後予測情報と第２の予後予測情報とを提示する。第１の予後予測と第２の予後予測との提示は、例えばディスプレイに表示することを想定するが、これに限らず音声で通知してもよいし、ハードコピーされ紙媒体で出力されてもよい。

ステップＳ４０９では、処理回路１１が、Adaptive RTを適用するか否かの指示を取得する。言い換えれば、ユーザがAdaptive RTを適用するため、例えばディスプレイに表示されるAdaptive RTの文字または決定ボタンをタッチするあるいは操作ボタンを押下することにより発生する指示信号に基づき、処理回路１１は、Adaptive RTを適用する指示を取得した（第２の治療計画が選択された）と判定する。Adaptive RTを適用する指示を取得した場合はステップＳ４１０に進み、Adaptive RTを適用する指示を取得しない、すなわちAdaptive RTが適用されない場合はステップＳ４０６に戻り、処理を繰り返す。
なお、治療計画支援装置１がAdaptive RTを適用するか否かを自動的に判定してもよい。例えば、処理回路１１が、第１の予後予測情報と第２の予後予測情報とに基づいて、第２の予後予測情報が第１の予後予測情報よりも結果が良好な場合（例えば、副作用の発生確率が閾値以下の場合）に、Adaptive RTを適用すると判定し、ユーザにAdaptive RTの適用を推奨する旨を提示してもよい。

ステップＳ４１０では、生成機能１１３により処理回路１１が、第１の治療計画から第２の治療計画に切り換える。その後、第２の治療計画に基づいて放射線治療が実施される。なお、第２の治療計画は、ステップＳ４０７で用いたＣＢＣＴ画像に基づく第２の治療計画として想定した治療計画情報を用いてもよいし、新たに治療計画用としてマルチスライスＣＴ画像を撮影し、当該マルチスライスＣＴ画像に基づいて第２の治療計画を立ててもよい。

なお、図４のフローチャートでは、ユーザの指示をトリガとして予後予測を実施することを想定するが、バックグラウンドで自動的に予後予測を実施してもよい。

予後予測をバックグラウンドで実施する場合の治療計画支援装置の動作例について図５のフローチャートを参照して説明する。ステップＳ４０１～ステップＳ４０４，ステップＳ４０６，ステップＳ４０８～ステップＳ４１０については図４と同様の処理であるので説明を省略する。

ステップＳ５０１では、予測機能１１５により処理回路１１が、ステップＳ４０３における放射線治療前のＣＢＣＴ画像を用いて、例えば、放射線照射用のＣＢＣＴ画像が撮影される度に、当該ＣＢＣＴ画像を用いて第１の予後予測および第２の予後予測を実施し、第１の予後予測情報および第２の予後予測情報をそれぞれ得る。

ステップＳ５０２では、例えば予測機能１１５により処理回路１１が、第１の予後予測情報および第２の予後予測情報を提示するか否かを判定する。例えば、第１の予後予測と第２の予後予測との差分が閾値以上である場合に第１の予後予測情報および第２の予後予測情報を提示すると判定されればよい。具体的には、予後予測が副作用の発生確率である場合、２つの発生確率の差分が閾値以上（例えば、１５％以上）である場合に、第１の予後予測情報及び第２の予後予測情報を提示する。または、第１の予後予測よりも第２の予後予測の方が結果が好ましい場合（副作用の発生確率が低いなど）に、第１の予後予測情報及び第２の予後予測情報を提示すると判定されてもよい。さらには、第１の予後予測情報及び第２の予後予測情報のうちの少なくともどちらか一方が、予後予測が閾値以下、例えば副作用の発生確率が閾値以下となった場合に、第１の予後予測情報および第２の予後予測情報を提示すると判定されてもよい。
第１の予後予測情報および第２の予後予測情報を提示すると判定された場合、ステップＳ４０８に進む。一方、第１の予後予測の方が第２の予後予測よりも状況が好ましい場合は、このまま第１の治療計画に基づいて治療を進めればよいため、ステップＳ４０６に戻り処理を繰り返す。

なお、予後予測の結果に限らず、予後予測の実施後は常に第１の予後予測情報および第２の予後予測情報を提示するようにしてもよいし、所定回数の治療が完了するごと（例えば、２回ごと、５回ごと）に第１の予後予測および第２の予後予測を提示するようにしてもよい。

次に、予後予測情報の第１の提示例について図６を参照して説明する。
図６は、第１の予後予測における副作用の発生確率と、Adaptive RTを適用した場合の第２の予後予測における副作用の発生確率とを表示させる例である。図６の例では、第１の予後予測を＜重篤な副作用発生確率＞として表示しており、治療後３ヶ月での重篤な肺臓炎の発生確率が「８７％」である。一方、第２の予後予測を＜Adaptive RTを適用した場合＞として表示しており、治療後３ヶ月での重篤な肺臓炎の発生確率が「６５％」である。よってこの場合、Adaptive RTを適用した方が副作用の発生確率が低くなることが分かる。これにより、治療計画支援装置のユーザは、提示された２つの発生確率を参照して、Adaptive RTを適用するか否かを容易に判断することができる。

次に、予後予測情報の第２の提示例について図７を参照して説明する。
図７は、第１の予後予測情報と第２の予後予測情報とのうち、予測結果が良好な予後予測のみを提示するようにする。すなわち、例えば、第２の予後予測の方が第１の予後予測よりも副作用の発生確率が低ければ、Adaptive RTを適用した場合である第２の予後予測のみを提示する。一方、第１の予後予測の方が第２の予後予測よりも副作用の発生確率が低ければ、第１の予後予測のみを提示する。

なお、処理回路１１は、第１の予後予測のほうが第２の予後予測よりも副作用の発生確率が低ければ、現状の治療計画のまま治療を進めればよいため、予後予測情報の提示を行わずともよい。また、処理回路１１は、第２の予後予測のほうが第１の予後予測よりも副作用の発生確率が低い場合に第２の予後予測を提示してもよく、さらに、ユーザにAdaptive RTの適用を推奨する旨のメッセージ（または音声など）を行ってもよい。
図７に示す別例によれば、ユーザは２つの予後予測を比較することなく、提示された１つの予後予測に基づいて、Adaptive RTの適用判断を行うことができる。

以上に示した第１の実施形態によれば、第１の治療計画に基づく治療を実施中に撮影されるＣＢＣＴ画像に基づいて、Adaptive RTを適用した場合の第２の治療計画を想定した予後予測を学習済みモデルを用いて生成する。すなわち、再度治療計画用のＣＴ画像を撮像することなく、第２の治療計画に基づく予後予測を得ることが可能になる。これによって、医師などのユーザは、Adaptive RTを適用すると予後予測がどのように変化するかを容易に把握することができる。また、第２の治療計画に基づく予後予測を得る際に再度ＣＴ画像を撮像する必要がないので、患者の負担を軽減することも可能である。よって、ユーザがAdaptive RTに関して精通したものでなくとも提示される結果から正確かつ容易に、治療計画を変更の是非について判断することができる。結果として、より適切な治療計画を立てることができ、患者のＱＯＬも向上させることができる。すなわち、治療期間中のAdaptive RTの適用判断を高精度かつ容易に支援できる。

（第２の実施形態）
第２の実施形態では、第１の実施形態に係る治療計画支援装置の実装例として、治療計画装置に第１の実施形態に係る治療計画支援装置を含めた例を図８のブロック図に示す。なお、第２の実施形態では、治療計画支援装置を治療計画装置に搭載する例を示すが、これに限らず、放射線治療情報管理システム（ＯＩＳ：Oncology Information System）、および治療装置に搭載されてもよい。

図８に示すように、第２の実施形態に係る治療計画装置２は、処理回路１１、画像処理回路５０、通信インタフェース（ＩＦ）６０、ディスプレイ７０、入力インタフェース（ＩＦ）８０およびメモリ９０を有する。処理回路１１、画像処理回路５０、通信インタフェース６０、ディスプレイ７０、入力インタフェース８０及びメモリ９０は、互いにバスを介して通信可能に接続されている。

処理回路１１は、治療計画支援装置１に含まれる各機能を実現する。
患者情報データベース３０は、複数の患者の患者情報を記憶するデータベースである。患者情報は、患者基本情報と治療結果情報とを含む。患者基本情報は、患者を特定するための基本的な情報であり、例えば、患者ＩＤ、患者名、性別及び年齢の項目を含む。治療結果情報は、患者に実際に施された治療の結果に関する情報である。

画像処理回路５０は、ハードウェア資源として、ＣＰＵやＧＰＵ等のプロセッサとＲＯＭやＲＡＭ等のメモリとを有する。画像処理回路５０は、治療計画画像に種々の画像処理を施す。例えば、画像処理回路５０は、３次元の治療計画画像にボリュームレンダリングや、サーフェスボリュームレンダリング、画像値投影処理、ＭＰＲ（Multi-Planer Reconstruction）処理、ＣＰＲ（Curved MPR）処理等の３次元画像処理を施して表示用の２次元の医用画像を生成する。なお、画像処理回路５０は、上記画像処理を実現可能なＡＳＩＣやＦＰＧＡ、ＣＰＬＤ、ＳＰＬＤにより実現されても良い。

通信インタフェース６０は、図示しない有線又は無線を介して、放射線治療装置や画像保存通信システム（ＰＡＣＳ：Picture Archiving and Communication System）、病院情報システム（ＨＩＳ：Hospital Information System）、放射線科情報システム（ＲＩＳ：Radiology Information System）、放射線治療情報管理システム（ＯＩＳ：Oncology Information System）等との間でデータ通信を行う通信インタフェースを有する。

ディスプレイ７０は、種々の情報を表示する。具体的には、ディスプレイ７０は、表示インタフェース回路と表示機器とを有する。表示インタフェース回路は、表示対象を表すデータを映像信号に変換する。映像信号は、表示機器に供給される。表示機器は、表示対象を表す映像信号を表示する。表示機器としては、例えば、ＣＲＴディスプレイや液晶ディスプレイ、有機ＥＬディスプレイ、ＬＥＤディスプレイ、プラズマディスプレイ、又は当技術分野で知られている他の任意のディスプレイが適宜利用可能である。

入力インタフェース８０は、具体的には、入力機器と入力インタフェース回路とを有する。入力機器は、ユーザからの各種指令を受け付ける。入力機器としては、キーボードやマウス、各種スイッチ等が利用可能である。入力インタフェース回路は、入力機器からの出力信号をバスを介して処理回路１１に供給する。

メモリ９０は、種々の情報を記憶するＨＤＤやＳＳＤ、集積回路記憶装置等の記憶装置である。例えば、メモリ９０は、学習前の機械学習モデル、学習済みモデル、学習用データを記憶する。ハードウェアとしてメモリ９０は、ＣＤ－ＲＯＭドライブやＤＶＤドライブ、フラッシュメモリ等の可搬性記憶媒体との間で種々の情報を読み書きする駆動装置等であっても良い。

以上に示した第２の実施形態によれば、治療計画支援装置を治療計画装置に搭載することで、第１の実施形態と同様に、Adaptive RTを適用すると予後予測がどのように変化するかをより正確に判断し、必要がある場合は治療計画を変更することができる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１ 治療計画支援装置
２ 治療計画装置
１１ 処理回路
１３ メモリ
３０ 患者情報データベース
５０ 画像処理回路
６０ 通信インタフェース
７０ ディスプレイ
８０ 入力インタフェース
９０ メモリ
１１１ 取得機能
１１３ 生成機能
１１５ 予測機能
１１７ 学習機能
１１９ 提示機能
２０１，３０３ 治療計画情報
２０３ ＣＴ画像特徴量
２０５ 患者関連情報
２０７ 予後情報
２１０ 機械学習モデル
３０１ ＣＢＣＴ画像
３０５ ＣＢＣＴ画像特徴量
３０７ 学習済みモデル
３０９ 予後予測情報

Claims (9)

1. 放射線治療に係る第１の治療計画に関する情報を取得する取得部と、
   前記第１の治療計画に関する情報と、前記第１の治療計画に基づく放射線治療を実施する際に取得された医用画像とを用いて、第２の治療計画に関する情報を生成する生成部と、
   前記第１の治療計画に沿って治療を進めた場合に想定される第１の予後予測情報を出力するモデルに従い、前記第２の治療計画に沿って治療を進めた場合に想定される第２の予後予測情報を出力する予測部と、
   前記第１の予後予測情報と前記第２の予後予測情報との差分が閾値以上である場合に、前記第１の予後予測情報と前記第２の予後予測情報とを提示する提示部と、
   を具備し、
   前記モデルは、過去の治療計画に関する情報と、当該過去の治療計画時の医用画像に関する情報と、当該過去の治療計画により治療された患者の患者情報とを入力データとし、当該治療計画に基づく予後情報を正解データとして学習することで生成され、
   前記予測部は、前記第２の治療計画を想定した治療計画に関する情報と、前記第１の治療計画により治療中の画像に関する情報と、前記第１の治療計画により治療中の患者の患者情報とを前記モデルに入力することで、前記第２の予後予測情報を出力し、
   前記第２の治療計画は、前記第１の治療計画における治療状況に基づき、許容可能な残りの照射量を元に計画される、
   治療計画支援装置。
2. 前記予測部は、前記第２の治療計画に関する情報と、患者情報と、前記医用画像の画像特徴量とを用いて、前記モデルに従って前記第２の予後予測情報を出力する、
   請求項１に記載の治療計画支援装置。
3. 前記予測部は、前記第１の予後予測情報と前記第２の予後予測情報とを出力する、
   請求項１または請求項２に記載の治療計画支援装置。
4. 前記モデルは、前記第１の治療計画時に得られる情報と前記第１の治療計画に基づき治療した後の第１の予後情報とに基づいて機械学習させることにより生成される、
   請求項１から請求項３のいずれか１項に記載の治療計画支援装置。
5. 前記提示部は、前記第１の予後予測情報と前記第２の予後予測情報とのうちの予後予測の結果が良い方を提示する、
   請求項１から請求項４のいずれか１項に記載の治療計画支援装置。
6. 前記提示部は、前記第１の予後予測情報よりも前記第２の予後予測情報の方が予後予測の結果が良い場合、前記第１の治療計画による治療中に前記第２の治療計画に変更することを示すAdaptive RTの適用を推奨するメッセージを提示する、
   請求項１から請求項５のいずれか１項に記載の治療計画支援装置。
7. 前記第１の予後予測情報と前記第２の予後予測情報とは、副作用の発生確率に関する情報または腫瘍レスポンスに関する情報を含む、
   請求項１から請求項６のいずれか１項に記載の治療計画支援装置。
8. 前記医用画像は、コーンビームＣＴ画像である、
   請求項１から請求項７のいずれか１項に記載の治療計画支援装置。
9. 放射線治療に係る第１の治療計画に関する情報を取得し、
   前記第１の治療計画に関する情報と、前記第１の治療計画に基づく放射線治療を実施する際に取得された医用画像とを用いて、第２の治療計画に関する情報を生成し、
   前記第１の治療計画に沿って治療を進めた場合に想定される第１の予後予測情報を出力するモデルに従い、前記第２の治療計画に沿って治療を進めた場合に想定される第２の予後予測情報を出力し、
   前記第１の予後予測情報と前記第２の予後予測情報との差分が閾値以上である場合に、前記第１の予後予測情報と前記第２の予後予測情報とを提示し、
   前記モデルは、過去の治療計画に関する情報と、当該過去の治療計画時の医用画像に関する情報と、当該過去の治療計画により治療された患者の患者情報とを入力データとし、当該治療計画に基づく予後情報を正解データとして学習することで生成され、
   前記第２の治療計画を想定した治療計画に関する情報と、前記第１の治療計画による治療中の画像に関する情報と、前記第１の治療計画により治療中の患者の患者情報とが前記モデルに入力されることで、前記第２の予後予測情報が出力され、
   前記第２の治療計画は、前記第１の治療計画における治療状況に基づき、許容可能な残りの照射量を元に計画される、
   治療計画支援方法。