[go: up one dir, main page]

TWI881651B - 計劃的優化方法、用於優化計劃的運算裝置及電腦可讀取媒體 - Google Patents

計劃的優化方法、用於優化計劃的運算裝置及電腦可讀取媒體 Download PDF

Info

Publication number
TWI881651B
TWI881651B TW113100329A TW113100329A TWI881651B TW I881651 B TWI881651 B TW I881651B TW 113100329 A TW113100329 A TW 113100329A TW 113100329 A TW113100329 A TW 113100329A TW I881651 B TWI881651 B TW I881651B
Authority
TW
Taiwan
Prior art keywords
node
state
current time
plan
medical
Prior art date
Application number
TW113100329A
Other languages
English (en)
Other versions
TW202528018A (zh
Inventor
陳志明
Original Assignee
緯創資通股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 緯創資通股份有限公司 filed Critical 緯創資通股份有限公司
Priority to TW113100329A priority Critical patent/TWI881651B/zh
Priority to US18/434,789 priority patent/US20250226079A1/en
Priority to EP24161700.0A priority patent/EP4583116A1/en
Application granted granted Critical
Publication of TWI881651B publication Critical patent/TWI881651B/zh
Publication of TW202528018A publication Critical patent/TW202528018A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/90—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to alternative medicines, e.g. homeopathy or oriental medicines

Landscapes

  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Urology & Nephrology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本發明提供一種計劃的優化方法、用於優化計劃的運算裝置及電腦可讀取媒體。取得當前時間的多個醫療變數，這些醫療變數中的至少一者不同於先前時間的醫療變數，當前時間的那些醫療變數中的一者對應於先前時間的先前狀態。透過輸入當前時間的那些醫療變數至機器學習模型，以決定計劃資訊，其中計劃資訊包括至少一次計劃資訊，每一次計劃資訊對應於後續時間的至少一治療手段紀錄。藉此，可提升模型的推論準確度。

Description

計劃的優化方法、用於優化計劃的運算裝置及電腦可讀取媒體
本發明是有關於一種優化技術，且特別是有關於一種計劃的優化方法、用於優化計劃的運算裝置及電腦可讀取媒體。
放射治療與其他醫學治療一樣，存在一些風險。然而，可透過仔細計劃和實施治療來控制和最小化這些風險。
手動放射治療計劃可能非常耗時，不僅可能導致治療計劃不一致，也可能容易出現人為錯誤。自動放射治療計劃(Automated Radiotherapy Planning，ARP)可透過使用演算法優化治療計劃來幫助減少這些錯誤和不一致，甚至可以幫助減少制定治療計劃所需的時間。然而，現今自動化計劃並不完美，仍需要人工監督。
本發明提供一種計劃的優化方法、用於優化計劃的運算 裝置及電腦可讀取媒體，可提升計劃的準確度。
本發明實施例的計劃的優化方法包括(但不僅限於)下列步驟：取得當前時間的多個醫療變數，這些醫療變數中的至少一者不同於先前時間的醫療變數，當前時間的那些醫療變數中的一者對應於先前時間的先前狀態；以及透過輸入當前時間的那些醫療變數至機器學習模型，以決定計劃資訊，其中計劃資訊包括至少一次計劃資訊，且每一次計劃資訊對應於後續時間的至少一治療手段紀錄。
本發明實施例的用於優化計劃的運算裝置包括(但不僅限於)儲存器及處理器。儲存器儲存程式碼。處理器耦接儲存器。處理器載入程式碼並執行：取得當前時間的多個醫療變數，這些醫療變數中的至少一者不同於先前時間的醫療變數且，當前時間的那些醫療變數中的一者對應於先前時間的先前狀態；以及透過輸入當前時間的那些醫療變數至機器學習模型，以決定計劃資訊，其中計劃資訊包括至少一次計劃資訊，且每一次計劃資訊對應於後續時間的至少一治療手段紀錄。
本發明實施例的非暫態的電腦可讀取媒體經由處理器載入程式碼並執行下列步驟：取得當前時間的多個醫療變數，這些醫療變數中的至少一者不同於先前時間的醫療變數，且當前時間的那些醫療變數中的一者對應於先前時間的先前狀態；以及透過輸入當前時間的那些醫療變數至機器學習模型，以決定計劃資訊，其中計劃資訊包括至少一次計劃資訊，且每一次計劃資訊對應於後 續時間的至少一治療手段紀錄。
基於上述，本發明實施例的計劃的優化方法、用於優化計劃的運算裝置及電腦可讀取媒體可動態更新醫療參數，並據以改變後續的治療手段紀錄。藉此，可提升機器學習模型的準確度及可靠度。
為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。
10:運算裝置
11:儲存器
12:輸入裝置
13:處理器
S210~S220、S310~S330:步驟
I:初始狀態
A1~An、A1-1~A1-m、A2-1~A1-p、N1:活動節點
S1~Sn、S1-1~S1-n、S2-1~S2-q:狀態節點
T1:第一期間
t0~t3:時間點
N0:預條件節點
T2:第二期間
T3:第三期間
N2:效果節點
EE:外源影響
圖1是依據本發明一實施例的運算裝置的元件方塊圖。
圖2是依據本發明一實施例的計劃的優化方法的流程圖。
圖3是依據本發明一實施例的醫療變數的產生方法的流程圖。
圖4是依據本發明一實施例說明次計劃資訊的示意圖。
圖5是依據本發明一實施例說明次計劃資訊的產生的示意圖。
圖6是依據本發明一實施例說明時序關係的示意圖。
圖1是依據本發明一實施例的運算裝置10的元件方塊圖。請參照圖1，運算裝置10包括(但不僅限於)儲存器11、輸入裝置12及處理器13。運算裝置10可以是電腦主機、伺服器、智慧型手機、平板電腦、穿戴式裝置、智能家電、車載裝置、醫療輔 助系統或其他電子裝置。
儲存器11可以是任何型態的固定或可移動隨機存取記憶體(Radom Access Memory，RAM)、唯讀記憶體(Read Only Memory，ROM)、快閃記憶體(flash memory)、傳統硬碟(Hard Disk Drive，HDD)、固態硬碟(Solid-State Drive，SSD)或類似元件。在一實施例中，儲存器11用以儲存程式碼、軟體模組、組態配置、資料(例如，機器學習參數、醫療變數、因果關係(Causal Relationships)、或時間參數)或檔案，並待後文詳述其實施例。
輸入裝置12可以是麥克風、鍵盤、滑鼠、觸控面板或傳輸介面(例如，USB、Lightning或通訊收發器)。在一實施例中，輸入裝置12用以取得醫療變數。醫療變數待後續實施例詳述。例如，提供使用者介面，並透過輸入裝置12接收文字、語音、影像或其他類型檔案的輸入。
處理器13耦接儲存器11及通訊收發器12。處理器13可以是中央處理單元(Central Processing Unit，CPU)、圖形處理單元(Graphic Processing unit，GPU)，或是其他可程式化之一般用途或特殊用途的微處理器(Microprocessor)、數位信號處理器(Digital Signal Processor，DSP)、可程式化控制器、現場可程式化邏輯閘陣列(Field Programmable Gate Array，FPGA)、特殊應用積體電路(Application-Specific Integrated Circuit，ASIC)、神經網路加速器或其他類似元件或上述元件的組合。在一實施例中，處理器13用以執行運算裝置10的所有或部份作業，且可載入並執行儲存器11 所儲存的各程式碼、軟體模組、檔案及資料。在一些實施例中，處理器13的功能可透過軟體或晶片實現。
下文中，將搭配運算裝置10中的各項裝置、元件及模組說明本發明實施例所述的方法。本方法的各流程可依照實施情形而調整。
圖2是依據本發明一實施例的計劃的優化方法的流程圖。請參照圖2，處理器13取得當前時間的多個醫療變數(步驟S210)。具體而言，當前時間可對應於時間點或時間區間，並對應於處理器13執行當下的時機。例如，今天、這禮拜或當前上午。然而，依據不同設計需求，時間點及時間區間的定義可能不同，且端視應用者的需求而改變。
另一方面，醫療變數可以是檢體資料、臨床資料、用藥紀錄、手術紀錄、檢驗報告、會診紀錄、治療紀錄、急診紀錄、疾病紀錄及/或出/入院醫療紀錄。患者相關變數可包括身分(例如，年齡或性別)、病史(例如，先前治療、手術和既有疾病)、腫瘤特徵(例如，位置、大小、分期或病理)、及/或危害器官(Organ-at-Risk，OAR)約束條件(例如，周圍關鍵器官或正常組織的約束或劑量限制)。治療相關變數可包括治療方式(例如，放射方式的選擇)、光束(Beam)參數(例如，能量、強度、入射角或光束形狀)、及/或劑量處方(例如，照射劑量和每一照射的劑量)。影像相關變數可包括影像特徵(例如，解析度、成像方式或品質)、及/或分割/分類資訊(例如，輪廓或體積)。已放射治療計劃域為例，狀態空間可以包括諸如腫瘤 的位置和大小、傳遞到腫瘤和周圍健康組織的輻射劑量以及患者的整體健康情況等變數。
關於透過輸入裝置12取得醫療變數的應用情境，例如，使用者唸出檢體資料的內容，麥克風接收聲音訊號，且這聲音訊號可轉換成語音資料(例如，經訊號處理所得出)；又例如，觸控面板或鍵盤接收手術紀錄的輸入操作；再例如，自隨身碟取得會診紀錄。
然而，醫療變數的類型及/或取得方式還有很多種，且本發明實施例不加以限制。
當前時間的醫療變數中的至少一者不同於先前時間的醫療變數。先前時間早於當前時間。先前時間可對應於時間點或時間區間，並對應於處理器13執行前的時機。例如，昨天、上禮拜或去年。然而，依據不同設計需求，時間點及時間區間的定義可能不同，且端視應用者的需求而改變。此外，當前時間的醫療變數中的一者對應於先前時間的先前狀態。狀態屬於狀態空間。狀態空間由問題域中的變數的所有可能值組合組成。問題域中的變數可以包括與患者、治療和影像資料相關的各種因素。例如，前述醫療變數。也就是說，狀態包括一或多個醫療變數。先前狀態例如是上禮拜、昨天或早上拍攝的醫療影像及/或前次治療手段紀錄的細節，但不以此為限。
圖3是依據本發明一實施例的醫療變數的產生方法的流程圖。請參照圖3，處理器13可取得一或多張醫療影像(步驟S310)。 具體而言，醫療影像可透過電腦斷層掃描(Computed Tomography)、磁振造影掃描(Magnetic Response Imaging)或其他成像方式產生。醫療影像的取得方式可參照前述針對醫療變數的取得方式，於此不再贅述。
處理器13可辨識醫療影像中的多個物件(步驟S320)。具體而言，處理器13可基於語意分割(Semantic Segmentation)的演算法(例如，RefineNet、SegNet或PSPNet)、基於神經網路的演算法(例如，YOLO(You only look once)、基於區域的卷積神經網路(Region Based Convolutional Neural Networks，R-CNN)、或快速R-CNN(Fast CNN))或是基於特徵匹配的演算法(例如，方向梯度直方圖(Histogram of Oriented Gradient，HOG)、尺度不變特徵轉換(Scale-Invariant Feature Transform，SIFT)、Harr、或加速穩健特徵(Speeded Up Robust Features，SURF)的特徵比對)辨識結構物件的類型及/或物件的位置/輪廓。
在上述的部分演算法中，可標記訓練樣本中的目標物件(例如，腫瘤或組織)，並使用已標記的訓練樣本訓練機器學習相關模型(例如，語意分割模型或CNN模型)。藉此，可透過已訓練的機器學習模型推論醫療影像中的物件。例如，標記這物件的類型及其輪廓或占用影像區域。
在一實施例中，處理器13可對醫療影像進行尺寸調整、縮放、正規化像素強度或其他影像預處理。在一實施例中，處理器13可對醫療影像進行降噪、平滑化或形態學(morphological)操作， 並據以改進語意分割或物件辨識的準確度及品質。
在一實施例中，語意分割或物件辨識的結果可做為醫療變數。
處理器13可依據多個物件對應的治療效果分群那些物件，以產生分群結果(步驟S330)。具體而言，治療效果相近或相同的物件將分配至相同群組。而分群結果為一或多個群組，且每一群組中的多個物件對應的治療效果相同或相近。
在一實施例中，處理器13可估測每一物件對應的治療效果。因果分割(Causal segmentation)可用於辨識醫療影像中的語義片段(例如，區域或結構)的群組，且這些群組根據其估計的因果效果表現出不同的治療效果。透過在每個片段中應用因果推論技術，可以辨識對治療或干預(Intervention)具有不同反應的群組。例如，處理器13可透過貝葉斯結構方程模型(Bayesian Structural Equation Modeling，BSEM)估測條件平均治療效果(Conditional Average Treatment Effect，CATE)，且這條件平均治療效果為某一物件對應的治療效果。在因果分割的上下文中，貝葉斯結構方程模型可用於指定一個因果模型，這模型表示治療、結果變數和每個細分中其他相關變數之間的關係。此外，這模型可以捕獲變數之間的因果途徑和依賴關係，從而可以估測治療效果。又例如，傾向得分匹配(Propensity score matching)演算法可依據預測接收治療的機率對接受治療和未接受治療的個體進行匹配。再例如，工具變數(Instrumental variables)演算法可使用與治療相關但與結果不直接 相關的工具變數來估計治療的因果效果。更例如，斷點迴歸設計(Regression discontinuity design)比較高於和低於接受治療門檻值的個體。
處理器13可透過分群演算法對估測的治療效果分群。分群演算法(又稱聚類演算法)可以是k-平均演算法(K-means)、高斯混合模型(Gaussian Mixture Model,GMM)、聚類演算法(Mean-Shift)、階層式(Hierarchical)分群法、譜(Spectral)分群演算法、DBSCAN(Density-based spatial clustering of applications with noise)演算法或其他分群演算法。分群演算法可對治療效果分類，並將相似或相同治療效過歸類至同一群組。
此外，醫療變數包括分群結果。即，將物件的分群結果作為醫療變數的其中一者。在一些應用情境中，針對特定群組提供對應干預措施或治療方式，可符合客製化需求並提供有效的醫療干預。因此，這分群結果可用於優化治療計劃。
請參照圖2，處理器13透過輸入當前時間的多個醫療變數至機器學習模型，以決定計劃資訊(步驟S220)。具體而言，計劃資訊包括一或多個次計劃資訊，每一次計劃資訊對應於後續時間的一或多個治療手段紀錄，且後續時間晚於當前時間。後續時間可對應於時間點或時間區間，並對應於處理器13執行後的時機。例如，明天、下禮拜或當天下午。然而，依據不同設計需求，時間點及時間區間的定義可能不同，且端視應用者的需求而改變。又例如，計劃資訊包括三個次計劃資訊，且這三個次計劃資訊分別對應 於一個月後、三個月後和半年後的後續時間。
不同類型的治療手段紀錄可能涉及不同工具類型、劑量、數量、方向等參數。以放射治療為例，內容包括目標區域(例如，放療的特定解剖區域或腫瘤的位置及範圍)、輻射劑量、及治療技術(例如，外照射治療、近距離放射治療或其他技術組合)；時間包括治療十時程表(例如，治療頻率和持續時間)；治療方式：例如是光子療法(X射線或伽馬射線)或粒子療法(質子或碳離子療法)；治療實施參數：處方提供有關如何實施輻射的說明，包括輻射束的能量和強度、放射束入射角以及特定於所選技術的任何其他治療參數；器官限制：處方可能包括對目標區域周圍關鍵器官或正常組織的限制或劑量限制，以確保在治療過程中不超過其耐受性。
此外，針對特定病灶的多種治療方法中，不同治療手段紀錄(涉及工具類型、劑量、數量、方向等參數)可能導致不同治療效果。一般而言，需要仰賴醫療專業人員人為決定，且針對特定患者的整體計劃為固定不變。例如，計劃中對應於不同時間點的次計劃是一開始就決定且不再變更。然而，後續時間點的狀態可能改變。例如，腫瘤大小或位置的變化、患者解剖結構的變化、設備問題、患者依從性、急性副作用、或緊急情況導致狀態改變。
而本發明實施例可透過機器學習模型推論當前時間的醫療變數(對應於先前時間的先前狀態)對應的計劃資訊，並據以改變對應於後續時間的次計劃資訊。即，連續時間動態改變後續時間的治療手段紀錄。這機器學習模型受訓練並理解輸入樣本(例如，醫 療變數)及輸出結果(例如，一或多個次計劃資訊/治療手段紀錄的內容)的關聯性。機器學習模型例如是因果圖(Causal Graph)模型、CNN模型、RNN模型或其他模型。
在一些應用情境中，一筆計劃資訊包括多筆次計劃資訊。也就是，對應於多個後續時間的治療手段紀錄。例如，半年後、一年後及兩年後的治療手段紀錄。治療手段紀錄的實施將影響治療效果。
圖4是依據本發明一實施例說明次計劃資訊的示意圖。請參照圖4，初始狀態I可視為先前時間的先前狀態。活動節點(Action Node)A1為第一時間對應的活動節點，且活動節點用於執行機器學習模型的推論。例如，依據醫療變數決定對應的治療手段紀錄。此外，狀態節點(State Node)S1為第一時間對應的狀態節點。這狀態節點對應於實施活動節點A1所決定的次計劃資訊中的治療手段紀錄後所取得的狀態。依此類推，活動節點Ai為第i時間(在第1時間之後，對應於前述當前時間，且i為正整數)對應的活動節點，活動節點An為第i時間(在第i時間之後，並對應於前述後續時間，且n為大於i的正整數)對應的活動節點，狀態節點Si為第i時間對應的狀態節點，且狀態節點Sn為第n時間對應的狀態節點。
第i時間可以是連續時間中的任何一個時間點。即便第i時間之前使用活動節點A1決定所有後續時間的次計劃資訊(固定)，經第i時間的活動節點Ai的重新規劃，都能改變後續時間的次計 劃資訊。處理器13可只修改計劃資訊中的其餘部分的次計劃資訊，以因應環境的變化或意外事件，同時仍然實現計劃的原始目標。例如，在圖4中，活動節點Ai發生狀態變化，從初始狀態I到活動節點Ai的子路徑是固定的，但從狀態節點Si到狀態節點Sn的子路徑是改變的。
在一實施例中，機器學習模型為因果圖(Causal Graph)模型。處理器13可透過因果圖模型決定當前時間的多個醫療變數對應的因果關係(Causal Relationships)。因果圖是由因果關係組成的圖結構表達。因果關係代表由第一變數到第二變數的因果性。例如，第二變數是因實施第一變數所造成的，但不以此為限。反應於當前時間的多個醫療變數中的至少一者不同於先前時間的醫療變數(例如，環境變化或意外事件導致狀態轉變)，處理器13可透過因果圖模型產生不同於先前時間對應的因果關係，並據以改變先前時間對應的一或多個次計劃資訊中的治療手段紀錄。也就說，即便先前時間點已決定一或多個後續時間對應的次計劃資訊，經因果圖模型依據當前時間的醫療變數(可能受環境變化或其他事件影響)推論，可改變醫療變數之間的因果關係，從而影響後續時間的次計劃資訊對應的因果關係。前述隨時間的推移而改變因果關係的方式可稱為連續時間動態因果計劃圖(Continuous Time Dynamic Causal Planning Graph，CTDCPG)。
例如，圖5是依據本發明一實施例說明次計劃資訊的產生的示意圖。請參照圖5，因果圖模型可考慮因果圖的當前狀態和 可用操作(例如，治療手段)，並選擇可能導致所需狀態的操作。接著，更新因果圖，以反映所選操作對問題域中的醫療變數的影響。這個過程一直持續到因果圖達到滿足預期目標或目的的狀態。例如，在放射治療計劃域中，狀態空間可包括例如腫瘤的位置和大小、傳遞到腫瘤和周圍健康組織的輻射劑量以及患者的整體健康情況等醫療變數。圖中的每一狀態節點S1-1~S1-n、S2-1~S1-q都表示這些醫療變數的特定值組合。狀態節點S1-1~S1-n(n為正整數)對應於第1時間的活動節點A1-1所決定的次計劃資訊的n種治療手段紀錄。依此類推，每一活動節點A1-2~A1-m(m為正整數)有各自對應的多個治療手段紀錄的狀態節點。狀態節點S2-1~S2-q(q為正整數)對應於第2時間的活動節點A2-1所決定的次計劃資訊的n種治療手段紀錄。依此類推，每一活動節點A2-2~A1-p(p為正整數)有各自對應的多個治療手段紀錄的狀態節點。
尋找治療手段紀錄/次計劃資訊通常涉及確定可以達到預期結果的不同干預措施集合。處理器13可使用各種搜索演算法來搜索治療手段紀錄/次計劃資訊。在一實施例中，處理器13使用窮舉(Exhaustive)搜索作為搜索演算法，以確保找到最佳解決方案。這演算法的工作原理是考慮所有可能的狀態和轉變組合，並據以選擇且產生最佳結果的組合(包括一或多個後續時間的次計劃資訊)。
此外，最佳結果/解決方案的決策相關於路徑的目標函數。在一實施例中，處理器13可定義多目標函數(涉及對應目標的問 題)。目標函數可以是結合不同指標(例如，腫瘤控制、副作用最小化、治療時間或資源利用率)的複合度量。目標函數的具體制定將取決於自動治療計劃系統的目標和優先順序以及治療過程的具體要求。
狀態不僅會因外生因素而發生變化，還會因對採取的干預或操作而發生變化。因此，狀態轉變之間的時間不僅取決於潛在的隨機過程，還取決於干預的時機。
圖6是依據本發明一實施例說明時序關係的示意圖。請參照圖6，處理器13可設定第一期間T1為第一機率分布。這第一期間T1為預條件節點(Precondition Node)N0的時間點t0至活動節點(Action Node)N1的時間點t1之間的期間。預條件節點N0對應於先前狀態的輸入。這先前狀態相對於當前時間的最後的一個狀態轉變，並對應於初始狀態或經實施特定治療手段後的狀態。例如，患者首次就醫的健康報告。活動節點N1用於觸發當前時間的多個醫療變數對應的因果關係的干預(Intervention)行為，且干預行為是透過因果圖模型改變那些醫療變數對應的因果關係。例如，干預行為阻斷、新增或變更因果關係，並據以啟動所選的活動節點。
假設在最後一個狀態轉變(例如，在預條件節點N0)和干預行為/函數啟動(在活動節點N1)之間有一個恆定的第一期間T1。在一實施例中，這第一期間T1的機率密度函數(Probability Density Function，PDF)可表示為狄拉克(Delta)分布(例如，第一機率分布)：f1(T1)=δ(T1-t)...(1)， 其中f1(T1)是第一期間T1的機率密度函數，t是上次狀態轉變(例如，預條件節點N0)和干預(例如，活動節點N1)之間的特定恆定時間值。Delta分布表示一個機率密度函數，這函數僅在t的特定值處為非零，而在其他地方為零。在一實施例中，處理器13設定第一期間T1為固定常數。
處理器13可設定對應於當前時間的第二期間T2屬於第二機率分布。第二期間T2為干預行為的延遲並對應於觸發干預行為的時間點t1至實際執行干預行為的時間點t2的期間。活動節點N1本身的延遲分布將取決於干預函數/行為和活動節點N1的具體實現和特徵。第二期間T2可能因運算時間、處理速度和治療方案確定的複雜性等因素而異。在一實施例中，第二期間T2例如是常態分布(Normal Distribution)或均勻分布(Uniform Distribution)，甚至是基於經驗資料或專業知識的自定義分布。在一實施例中，第二期間T2屬於伽瑪分布(Gamma Distribution)。
處理器13可設定第三期間T3屬於第三機率分布。這第三期間T3為活動節點N1的時間點t2至效果節點(Effect Node)N2的時間點t3之間的期間。此外，效果節點N2對應於當前時間的新狀態的輸入。這新狀態相對於實施活動節點N1的干預行為及/或改變因果關係/次計劃資訊的下次狀態轉變，並對應於經實施活動節點N1所決策的特定治療手段後的狀態。在一些應用情境中，外源影響(Exogenous)EE(例如，事件發生或環境變化)導致新狀態。效果節點N2的時間點的時間點t3是指審查或評估治療效果或反應的時 間。它代表觀察或衡量干預行為/函數的結果或影響的時刻。它可能是治療會話期間或之後發生效果節點N2的狀態轉變的特定時間點。透過決定效果節點N2的時間點t3，可理解治療干預的時間和有效性。
在一實施例中，第三期間T3屬於指數分布。這分布取決於上次干預行為以來的時間。數學表示為：f2(T2)=λ e^(-λT3)...(2)，其中λ為干預間隔時間衰減速率的參數，T3是自上次干預行為以來經過的時間。基於這分布可知，自上次干預行為以來的時間越長，發生狀態轉變的可能性越大。指數分布的參數，例如確定分布形狀的速率參數，可以使用統計方法從數據中估測。針對用於自動治療計劃的因果圖模型，可自患者對治療干預的反應時間的歷史數據中估測速率參數。「患者對治療干預的反應時間」是指自患者接受治療干預到患者對這治療干預表現出反應之間的時間。這可能包括患者接受放射治療和腫瘤開始縮小之間的時間。或者，領域專家可以利用他們的知識和專長，依據先前的經驗和研究結果來設置這速率參數。然而，參數估測的方法仍取決於具體的應用以及可用的數據和資源。
在一實施例中，前述機率分布可依據患者的歷史資料進行估測。例如，假設患者的關鍵器官附近有腫瘤，治療計劃包括在幾週內提供小劑量的放射治療。在這種情況下，固定延遲(例如前述第一期間)可以設定為兩次治療之間的幾天，以使患者的身體恢 復並最大限度地減少併發症的風險。伽瑪分布可用於對干預行為之間的時間進行建模，速率參數是依據患者對治療干預的反應時間的歷史數據估測的。指數分布可用於對自上次干預行為以來經過的時間進行建模，並根據相同的數據估計速率參數。在一實施例中，可使用統計方法來估測伽瑪和指數分佈的參數，並有助於提高期間估測的準確性。
相較於人為決定前述期間，本發明實施例可提升模型推論的準確性及效率。例如，人為決定者可能無法存取患者的反應數據，或者可能無法依據患者不斷變化的狀況準確估計治療干預之間的適當期間。然而，本發明實施例可準確估測各節點的時間點，以在合適的時間輸入狀態、執行干預行為或決定次計劃資訊。例如，假設一名癌症患者接受放射治療，人為決定者確定兩治療療程間隔為兩週。然而，患者對治療的反應隨著時間的推移而顯著變化，且他們的病情可能會在治療期間改善或惡化。在這種情況下，人為決定的時間間隔可能不是最佳的，將難以估測出準確的次計劃資訊，並使患者無法接受最有效的治療。相較之下，本發明實施例使用統計方法來估測節點之間的期間，這有助於提高時間間隔估測的準確性，提升模型估測的準確度，並可適時反映外源影響。
在一實施例中，處理器13可設定強度矩陣(Intensity Matrix)。這強度矩陣對應於效果節點的狀態轉變的機率，先前狀態的輸入(例如，圖6的預條件節點N0)或當前時間的新狀態的輸入(例如，圖6的效果節點N2)對應於狀態轉變。強度矩陣的多個 元素中的每一者對應於二狀態的狀態轉變的瞬時速率(Instantaneous Rate)。
以Q表示的強度矩陣是一個方塊矩陣(Square Matrix)，其中第(i，j)個單位元素表示系統從狀態i轉變到狀態j的瞬時速率。強度矩陣的對角線元素表示系統保持相同狀態的瞬時速率。強度矩陣將取決於用於第三期間對應的機率分布，並可用於定義因果圖模型的結構方程式(Structural Equation)。
在一實施例中，強度矩陣中對應於先前狀態為第一狀態的狀態轉變的一或多個元素的瞬時速率對應於屬於某一機率分布的期間。強度矩陣中對應於先前狀態為第二狀態的狀態轉變的一或多個元素的瞬時速率對應於轉變至新狀態且不執行干預行為。強度矩陣中對應於先前狀態為第三狀態的狀態轉變的一或多個元素的瞬時速率對應於狀態維持下不執行干預行為。
例如，假設三個變數：X1、A和X2，其中X1和X2分別表示干預行為前後的系統狀態(對應於一或多個醫療變數)，A表示干預行為的時間點。例如，變數X2代表反應物的濃度，且諸如溫度或壓力的變化等外部因素可能導致變數X2改變其狀態。類似地，其他反應物或催化劑的存在也可能影響反應速率。抑制劑或活化劑也可以分別透過減慢或加速反應來影響反應速率。最後，溶液的pH值還可以透過改變反應物的化學性質來影響反應速率。這些外部因素都可視為外源影響。
假設干預行為和狀態X2的狀態轉變之間的第二期間遵 循速率參數λ的指數分布，則可定義強度矩陣Q為：
Figure 113100329-A0305-12-0019-1
 其中元素Q11=-λ，元素Q12=λ，元素Q13=0，元素Q22=-μ，元素Q23=μ，且Q33=-ν。從元素Q11對應的狀態到元素Q12對樣的狀態的轉變機率為λ/λ=1。λ表示干預行為和狀態X2的狀態轉變之間的時間發生速率。例如，λ=0.1。此外，由於上次狀態轉變和干預行為之間的時間已經發生，因此系統必須已轉換到元素Q12對應的狀態。此處，μ是變數X2在沒有干預行為的情況下轉變到新狀態的瞬時速率，且ν是變數X2在沒有干預的情況下保持相同狀態。例如，μ為0.2，且ν為0.3。元素Q23表示變數X2由於其他一些外源影響(不是來自狀態X1或A)而從狀態2轉變到狀態3的速率。因此，無論是否受外源影響，第二行的總和為零，並表示離開狀態2的總速率。然而，若變數X2自狀態2轉變至新狀態的速率不為均勻分布，則第二行的總和可不為零。由於變數X2只能通過干預變數A轉變到新狀態，因此沒有干預行為就沒有從變數X1到變數X2的直接轉變。因此，第三行(對應於元素Q33)的對角線元素表示變數X2保持相同狀態而不受變數X1或變數A任何影響的速率。因此，第三行不需要總和為零。
在強度矩陣Q的第一行中的非對角線元素(即，元素Q12、Q13)反映出一個事實，即干預行為可能導致系統從狀態1過渡到狀態2或狀態3，具體取決於變數A的值。因此，強度矩陣Q的 第一行中的非對角線元素的總和不一定為零。強度矩陣Q的第二行的非對角線元素(即，元素Q23)反映出干預行為後的變數X2轉變至新狀態的瞬時速率。此外，強度矩陣Q的對角線元素表示系統保持每種狀態的瞬時速率。
在一實施例中，處理器13可過連續時間結構方程式模型(Continuous Time Structural Equation Modeling，CTSEM)訓練因果圖模型，並決定預條件節點及活動節點對應的因果關係、或活動節點及效果節點對應的因果關係。以圖6為例，預條件節點N0對應於先前狀態的輸入，活動節點N1用於觸發當前時間的多個醫療變數對應的因果關係的干預行為，且效果節點N2對應於當前時間的新狀態的輸入。活動節點N1及效果節點N2對應的因果關係是在效果節點N2為「真(TRUE)」的情況下，才啟動活動節點N1。
因此，可使用微分方程對結構方程式進行建模。這微分方程描述活動節點N1對應的醫療變數隨時間的變化率而受到效果節點N2對應的醫療變數的影響。效果節點N2和活動節點N1之間的固定延遲在等式中被視為常數：d(活動節點)/dt=f3(最後狀態)...(4)，其「最後狀態」表示最後一個狀態節點(例如，圖6的效果節點N2)。函數f3描述最後一個狀態如何影響活動節點N1對應的醫療變數隨時間的變化率。
圖6的預條件節點N0可具有多個狀態或值，且每一狀態或值表示一個特定的條件或要求。預條件節點N0中的這些狀態可 對應於影響活動節點N1啟動或選擇的不同變數值或配置。依據預條件節點N0的特定狀態或值，可啟動或選擇不同的活動節點N1。每一活動節點都對應於特定的次計劃資訊(例如，治療手段紀錄對應的方式或技術)。
圖6的活動節點N1的值通常表示與這活動節點N1關聯的干預函數/行為所做的輸出或決策。例如，步驟S220所決定的計劃資訊、次計劃資訊及/或治療手段紀錄。干預行為依據當前系統狀態、患者狀況和治療目標等各種因素確定要執行的具體治療會話計劃或行動。活動節點N1的值可表示治療會話計劃和干預時間。活動節點N1封裝干預行為做出的決定，其中包括要執行的具體治療會話計劃以及應執行的時間。
結構方程式可表示活動節點N1和效果節點N2之間的因果關係。反應於外源影響EE的干擾，活動節點N1的決策造成效果節點N2轉變至新狀態。這結構方程式可透過微分方程式來實現：d(下一個狀態)/dt=f4(活動節點，干預行為和效果節點之間的第三期間)...(5)，其中f4是將下一個狀態變數的變化率描述為活動節點對應的醫療變數和時間變數的函數。
在因果圖模型中，每一效果節點通常表示系統的特定結果或狀態。因此，每一效果節點都與一個值相關聯，且這值表示系統在執行干預行為後轉換到的狀態或結果。須說明的是，在活動節點上執行的干預行為所做的決策不直接決定要轉換到多個效果節 點中的何者。效果節點表示治療的不同方面或結果，它們通常連接到活動節點，並據以捕獲執行所決定的治療手段紀錄的可能後果。每一效果節點可能代表特定的治療結果，例如腫瘤控制、正常組織毒性或劑量分佈。
在一些應用情境中，可任意設置初始狀態/條件，或基於先驗知識或數據決定初始狀態/條件。在某些情況下，初始狀態可能不適合作為計劃決策的參考。例如，患者的病情快速變化或影像資料品質較差的情況。在這些情況下，現今的自動規劃系統可能需要依賴其他資訊來源，例如患者的病史或來自患者或醫務人員的回饋，以產生適當的治療計劃。然而，透過結合因果圖模型及強度矩陣，可使系統不用完全依賴初始狀態/條件，但可即時反應當前狀態。
在一應用情境中，患者的腫瘤大小或形狀在治療過程中發生變化。在這種情況下，原來的治療計劃可能不再是最佳的，並可能需要新的計劃來應對腫瘤的變化。因此，需要依據更新的資訊(例如，當前時間的醫療變數)快速產生新計劃。然而，手動規劃可能需要更長的時間且容易出錯。例如，假設一名患者最初被診斷出患有小肺部腫瘤，且醫師依據腫瘤的大小和位置制定治療計劃。然而，在治療過程中，腫瘤不斷變大，使得原來的計畫效果減弱。這種腫瘤生長的新因素可觸發次計劃的產生或改變。而本發明實施例可重新評估患者的狀況並產生考慮到較大腫瘤尺寸的新計劃。這新計劃可能涉及調整放射劑量或改變治療角度，以確保有效靶 向腫瘤，同時最大限度地減少對周圍健康組織的損害。然而，若計劃是手動完成的，則產生新計劃的過程可能需要更長的時間且容易出錯。計劃者需要手動檢查患者的最新狀況並相應地調整計劃。這過程可能非常耗時，且不如本發明實施例的模型推論準確且有效率。
本發明的另一實施例提出一種非暫態的電腦可讀取媒體，其儲存載入到處理器中的電腦程式，以執行上述計劃的優化方法的各個步驟(如圖2~圖6所示實施例)。此電腦程式可包括多個程式碼，且處理器13載入並執行這些程式碼之後，可完成上述的計劃的優化方法以及實現運算裝置10的功能。
綜上所述，在本發明實施例的計劃的優化方法、用於優化計劃的運算裝置及電腦可讀取媒體中，反應於不同的醫療變數而透過機器學習模型決定計劃資訊，並據以改變次計劃資訊的治療手段紀錄。設定因果圖模型中的節點之間的期間，讓計劃的決策能及時反應最新的變數。此外，定義強度矩陣，並透過結構方程式定義節點之間的因果關係。藉此，可提升模型的準確度及計劃決策的效率。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
S210~S220:步驟

Claims (18)

  1. 一種計劃的優化方法，包括：取得一當前時間的多個醫療變數，其中該些醫療變數中的至少一者不同於一先前時間的醫療變數，且該當前時間的該些醫療變數中的一者對應於該先前時間的一先前狀態；以及透過輸入該當前時間的該些醫療變數至一機器學習模型，以決定一計劃資訊，其中該計劃資訊包括至少一次計劃資訊，且每一該次計劃資訊對應於一後續時間的至少一治療手段紀錄，該先前時間早於該當前時間，且該後續時間晚於該當前時間，該機器學習模型為一因果圖(Causal Graph)模型，且決定該計劃資訊的步驟包括：透過該因果圖模型決定該當前時間的該些醫療變數對應的因果關係(Causal Relationships)，其中反應於該當前時間的該些醫療變數中的至少一者不同於該先前時間的醫療變數，透過該因果圖模型產生不同於該先前時間對應的因果關係，並據以改變該先前時間對應的至少一次計劃資訊中的治療手段紀錄；以及決定一預條件節點及一活動節點對應的因果關係、或該活動節點及一效果節點對應的因果關係，該預條件節點對應於該先前狀態的輸入，該活動節點用於觸發該些醫療變數對應的因果關係的一干預行為，且該效果節點對應於該當前時間的一新狀態的輸入。
  2. 如請求項1所述的計劃的優化方法，其中透過該因果圖模型決定該當前時間的該些醫療變數對應的因果關係的步驟包括：設定一第一期間屬於一第一機率分布，其中該第一期間為一預條件節點(Precondition Node)至一活動節點(Action Node)之間的期間，該預條件節點對應於該先前狀態的輸入，該活動節點用於觸發該些醫療變數對應的因果關係的一干預(Intervention)行為，且該干預行為是透過該因果圖模型改變該些醫療變數對應的因果關係；設定對應於該當前時間的一第二期間屬於一第二機率分布，其中該第二期間為該干預行為的延遲並對應於觸發該干預行為至實際執行該干預行為的期間；以及設定一第三期間屬於一第三機率分布，其中該第三期間為該活動節點至該效果節點(Effect Node)之間的期間，且該效果節點對應於該當前時間的一新狀態的輸入。
  3. 如請求項2所述的計劃的優化方法，其中該第一機率分布為一狄拉克分布(Delta Distribution)，該第二機率分布為一伽瑪分布(Gamma Distribution)，且該第三機率分布為一指數分布(Exponential Distribution)。
  4. 如請求項1所述的計劃的優化方法，其中透過該因果圖模型決定該當前時間的該些醫療變數對應的因果關係的步驟包括：設定一強度矩陣(Intensity Matrix)，其中該強度矩陣對應於該 效果節點的一狀態轉變的機率，該先前狀態的輸入或該當前時間的一新狀態的輸入對應於該狀態轉變，且該強度矩陣的多個元素中的每一者對應於二狀態的該狀態轉變的一瞬時速率(Instantaneous Rate)。
  5. 如請求項4所述的計劃的優化方法，其中該強度矩陣中對應於該先前狀態為一第一狀態的該狀態轉變的至少一該元素的該瞬時速率對應於屬於一機率分布的期間，該強度矩陣中對應於該先前狀態為一第二狀態的該狀態轉變的至少一該元素的該瞬時速率對應於轉變至新狀態且不執行一干預行為，且該強度矩陣中對應於該先前狀態為一第三狀態的該狀態轉變的至少一該元素的該瞬時速率對應於狀態維持下不執行該干預行為。
  6. 如請求項1所述的計劃的優化方法，其中透過該因果圖模型決定該當前時間的該些醫療變數對應的因果關係的步驟包括：透過一連續時間結構方程式模型(Continuous Time Structural Equation Modeling，CTSEM)訓練該因果圖模型。
  7. 如請求項1所述的計劃的優化方法，其中取得該當前時間的該些醫療變數的步驟包括：取得一醫療影像；辨識該醫療影像中的多個物件；以及依據該些物件對應的治療效果分群該些物件，以產生一分群結果，其中該些醫療變數包括該分群結果。
  8. 如請求項7所述的計劃的優化方法，其中依據該些物件對應的治療效果分群該些物件的步驟包括：估測每一該物件對應的治療效果；以及透過一分群演算法對估測的治療效果分群。
  9. 如請求項8所述的計劃的優化方法，其中估測每一該物件對應的治療效果的步驟包括：透過一貝葉斯結構方程模型(Bayesian Structural Equation Modeling，BSEM)估測一條件平均治療效果(Conditional Average Treatment Effect，CATE)，其中該條件平均治療效果為一該物件對應的治療效果。
  10. 一種用於優化計劃的運算裝置，包括：一儲存器，儲存一程式碼；以及一處理器，耦接該儲存器，載入該程式碼並執行：取得一當前時間的多個醫療變數，其中該些醫療變數中的至少一者不同於一先前時間的醫療變數，且該當前時間的該些醫療變數中的一者對應於該先前時間的一先前狀態；以及透過輸入該當前時間的該些醫療變數至一機器學習模型，以決定一計劃資訊，其中該計劃資訊包括至少一次計劃資訊，且每一該次計劃資訊對應於一後續時間的至少一治療手段紀錄，該先前時間早於該當前時間，該後續時間晚於該當前時間，該機器學習模型為一因果圖模型，且該處理器更執行：透過該因果圖模型決定該當前時間的該些醫療變數對應 的因果關係，其中反應於該當前時間的該些醫療變數中的至少一者不同於該先前時間的醫療變數，透過該因果圖模型產生不同於該先前時間對應的因果關係，並據以改變該先前時間對應的至少一次計劃資訊中的治療手段紀錄；以及決定一預條件節點及一活動節點對應的因果關係、或該活動節點及一效果節點對應的因果關係，該預條件節點對應於該先前狀態的輸入，該活動節點用於觸發該些醫療變數對應的因果關係的一干預行為，且該效果節點對應於該當前時間的一新狀態的輸入。
  11. 如請求項10所述的用於優化計劃的運算裝置，其中該處理器更執行：設定一第一期間為一第一機率分布，其中該第一期間為一預條件節點至一活動節點之間的期間，該預條件節點對應於該先前狀態的輸入，該活動節點用於觸發該些醫療變數對應的因果關係的一干預行為，且該干預行為是透過該因果圖模型改變該些醫療變數對應的因果關係；設定對應於該當前時間的一第二期間屬於一第二機率分布，其中該第二期間為該干預行為的延遲並對應於觸發該干預行為至實際執行該干預行為的期間；以及設定一第三期間屬於一第三機率分布，其中該第三期間為該活動節點至該效果節點之間的期間，且該效果節點對應於該當前 時間的一新狀態的輸入。
  12. 如請求項11所述的用於優化計劃的運算裝置，其中該第一機率分布為一狄拉克分布，該第二機率分布為一伽瑪分布，且該第三機率分布為一指數分布。
  13. 如請求項10所述的用於優化計劃的運算裝置，其中該處理器更執行：設定一強度矩陣，其中該強度矩陣對應於該效果節點的一狀態轉變的機率，該先前狀態的輸入或該當前時間的一新狀態的輸入對應於該狀態轉變，且該強度矩陣的多個元素中的每一者對應於二狀態的該狀態轉變的一瞬時速率。
  14. 如請求項13所述的用於優化計劃的運算裝置，其中該強度矩陣中對應於該先前狀態為一第一狀態的該狀態轉變的至少一該元素的該瞬時速率對應於屬於一機率分布的期間，該強度矩陣中對應於該先前狀態為一第二狀態的該狀態轉變的至少一該元素的該瞬時速率對應於轉變至新狀態且不執行一干預行為，且該強度矩陣中對應於該先前狀態為一第三狀態的該狀態轉變的至少一該元素的該瞬時速率對應於狀態維持下不執行該干預行為。
  15. 如請求項10所述的用於優化計劃的運算裝置，其中該處理器更執行：透過一連續時間結構方程式模型訓練該因果圖模型。
  16. 如請求項10所述的用於優化計劃的運算裝置，其中該處理器更執行：取得一醫療影像；辨識該醫療影像中的多個物件；以及依據該些物件對應的治療效果分群該些物件，以產生一分群結果，其中該些醫療變數包括該分群結果。
  17. 如請求項16所述的用於優化計劃的運算裝置，其中該處理器更執行：估測每一該物件對應的治療效果；以及透過一分群演算法對估測的治療效果分群。
  18. 一種非暫態的電腦可讀取媒體，經由一處理器載入程式碼並執行下列步驟：取得一當前時間的多個醫療變數，其中該些醫療變數中的至少一者不同於一先前時間的醫療變數，該當前時間的該些醫療變數中的一者對應於該先前時間的一先前狀態，且該先前時間早於該當前時間；以及透過輸入該當前時間的該些醫療變數至一機器學習模型，以決定一計劃資訊，其中該計劃資訊包括至少一次計劃資訊，每一該次計劃資訊對應於一後續時間的至少一治療手段紀錄，且該後續時間晚於該當前時間，該機器學習模型為一因果圖模型，且決定該計劃資訊的步驟包括：透過該因果圖模型決定該當前時間的該些醫療變數對應 的因果關係，其中反應於該當前時間的該些醫療變數中的至少一者不同於該先前時間的醫療變數，透過該因果圖模型產生不同於該先前時間對應的因果關係，並據以改變該先前時間對應的至少一次計劃資訊中的治療手段紀錄；以及決定一預條件節點及一活動節點對應的因果關係、或該活動節點及一效果節點對應的因果關係，該預條件節點對應於該先前狀態的輸入，該活動節點用於觸發該些醫療變數對應的因果關係的一干預行為，且該效果節點對應於該當前時間的一新狀態的輸入。
TW113100329A 2024-01-04 2024-01-04 計劃的優化方法、用於優化計劃的運算裝置及電腦可讀取媒體 TWI881651B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW113100329A TWI881651B (zh) 2024-01-04 2024-01-04 計劃的優化方法、用於優化計劃的運算裝置及電腦可讀取媒體
US18/434,789 US20250226079A1 (en) 2024-01-04 2024-02-06 Plan optimization method, computing apparatus used for optimizing plan, and computer-readable medium
EP24161700.0A EP4583116A1 (en) 2024-01-04 2024-03-06 Plan optimization method, computing apparatus used for optimizing plan, and computer-readable medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW113100329A TWI881651B (zh) 2024-01-04 2024-01-04 計劃的優化方法、用於優化計劃的運算裝置及電腦可讀取媒體

Publications (2)

Publication Number Publication Date
TWI881651B true TWI881651B (zh) 2025-04-21
TW202528018A TW202528018A (zh) 2025-07-16

Family

ID=90362091

Family Applications (1)

Application Number Title Priority Date Filing Date
TW113100329A TWI881651B (zh) 2024-01-04 2024-01-04 計劃的優化方法、用於優化計劃的運算裝置及電腦可讀取媒體

Country Status (3)

Country Link
US (1) US20250226079A1 (zh)
EP (1) EP4583116A1 (zh)
TW (1) TWI881651B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW202228147A (zh) * 2020-12-31 2022-07-16 大陸商中硼（廈門）醫療器械有限公司 放射線照射系統及其控制方法
US20220367051A1 (en) * 2021-05-14 2022-11-17 Accenture Global Solutions Limited Methods and systems for estimating causal effects from knowledge graphs
CN116189881A (zh) * 2023-02-24 2023-05-30 北京航空航天大学 一种任务态功能磁共振个体化调控策略制定方法及系统
CN117219259A (zh) * 2023-08-29 2023-12-12 广东工业大学 基于脑区时序因果关系结构的脑疾病病因诊断方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9764162B1 (en) * 2013-10-28 2017-09-19 Elekta, Inc. Automated, data-driven treatment management system for adaptive radiotherapy workflows
US12005270B2 (en) * 2018-06-26 2024-06-11 The Medical College Of Wisconsin, Inc. Systems and methods for accelerated online adaptive radiation therapy
WO2020229532A1 (en) * 2019-05-14 2020-11-19 Koninklijke Philips N.V. Systems and methods to support personalization of cancer treatment for patients undergoing radiation therapy

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW202228147A (zh) * 2020-12-31 2022-07-16 大陸商中硼（廈門）醫療器械有限公司 放射線照射系統及其控制方法
US20220367051A1 (en) * 2021-05-14 2022-11-17 Accenture Global Solutions Limited Methods and systems for estimating causal effects from knowledge graphs
CN116189881A (zh) * 2023-02-24 2023-05-30 北京航空航天大学 一种任务态功能磁共振个体化调控策略制定方法及系统
CN117219259A (zh) * 2023-08-29 2023-12-12 广东工业大学 基于脑区时序因果关系结构的脑疾病病因诊断方法及系统

Also Published As

Publication number Publication date
TW202528018A (zh) 2025-07-16
US20250226079A1 (en) 2025-07-10
EP4583116A1 (en) 2025-07-09

Similar Documents

Publication Publication Date Title
US12186588B2 (en) Knowledge based multi-criteria optimization for radiotherapy treatment planning
US11996178B2 (en) Parameter search in radiotherapy treatment plan optimization
US11557390B2 (en) Radiotherapy treatment plan modeling using generative adversarial networks
US20210327593A1 (en) Radiation therapy planning using integrated model
US8976929B2 (en) Automatic generation of patient-specific radiation therapy planning parameters
Hrinivich et al. Artificial intelligence‐based radiotherapy machine parameter optimization using reinforcement learning
CN108771794B (zh) 用于生成辐射处理计划中的剂量计算的系统和方法
US20180304097A1 (en) System and method for radiation therapy treatment planning
Liu et al. A deep learning-based dose prediction method for evaluation of radiotherapy treatment planning
Guthier et al. A fast multitarget inverse treatment planning strategy optimizing dosimetric measures for high‐dose‐rate (HDR) brachytherapy
CN114446441B (zh) 基于计划库调用的自适应放疗的方法和装置
CN115666718A (zh) 放射疗法治疗规划
Vazquez et al. A deep learning-based approach for statistical robustness evaluation in proton therapy treatment planning: a feasibility study
EP3936187A1 (en) An artificial intelligence system to support adaptive radiotherapy
WO2023196533A1 (en) Automated generation of radiotherapy plans
TWI881651B (zh) 計劃的優化方法、用於優化計劃的運算裝置及電腦可讀取媒體
CN119361139A (zh) 基于深度学习的放射性正常组织损伤概率预测方法及系统
CN116864051A (zh) 一种剂量预测方法、系统、装置及存储介质
CN117423426A (zh) 治疗计划剂量预测模型的构建方法、装置及设备
KR102448395B1 (ko) 치아 영상 부분 변환 방법 및 장치
Ecker et al. EviGUIDE-a tool for evidence-based decision making in image-guided adaptive brachytherapy for cervical cancer
CN119008032B (zh) 基于云计算的放疗监测管理系统及方法
CN120393306A (zh) 基于智能体的剂量预测方法、装置、设备及存储介质
DeJesus et al. Machine and Deep Learning for Patient-Specific Quality Assurance in Intensity Modulated Radiotherapy Using Log Files: Current Techniques and Emerging Directions
CN117298465A (zh) 一种用于确定粒子弧形放射射野下能量层的方法及装置