一种基于下界剂量预测与大语言模型自纠错引擎的放疗计划的确定方法及装置

本发明涉及人工智能，尤其涉及一种基于下界剂量预测与大语言模型自纠错引擎的放疗计划的确定方法及装置。

背景技术：

1、放射治疗计划设计是放射治疗（放疗）的重要环节，其决定了放疗设备的运行以及患者接受照射的剂量分布，从而确保了患者的疗效。放疗计划设计是一个耗时且不稳定的过程，依赖计划师经验且涉及反复调参数，复杂计划可耗时数小时，在患者较多临床压力大的情况下，不利于患者的精准高品质放疗计划设计，不利于患者疗效。

2、目前有基于剂量预测和自动模版的放疗自动计划方法，实现了自动计划功能。现有的自动计划技术缺点在于稳定性差，如果剂量预测不准确，则产生次优计划，无法进行调整，需要人工重新计划设计，将消耗更加严重的人工和时间成本，不利于患者精准治疗。

3、因此，亟需一种基于下界剂量预测与大语言模型自纠错引擎的放疗计划的确定方法，以提高放疗计划剂量预测的效率及准确性。

技术实现思路

1、本发明提供一种基于下界剂量预测与大语言模型自纠错引擎的放疗计划的确定方法及装置，以提高放疗剂量预测自动计划的效率及有效性。

2、第一方面，本发明提供一种基于下界剂量预测与大语言模型自纠错引擎的放疗计划的确定方法，该方法包括：

3、将待处理的医学影像及勾画数据输入至下界剂量模型，得到每个危及器官的下界预测剂量；

4、对于每个危及器官，采用密集约束提取下界预测剂量的剂量体积直方图中的参考剂量点，基于各参考剂量点设置优化目标；

5、对于每个肿瘤计划靶区，采用密集约束基于临床处方剂量设置参考剂量点，基于参考剂量点设置优化目标；

6、基于大语言模型对优化目标进行迭代调整，直至满足终止条件，得到放疗计划。

7、可选地，所述基于大语言模型对优化目标进行迭代优化，包括：

8、提取危及器官和肿瘤计划靶区的感兴趣区域的多个剂量体积直方图指标；

9、将所述多个剂量体积直方图指标输入至大语言模型，得到所述各参考剂量点的优化目标的修改值；

10、基于所述各参考剂量点的优化目标的修改值对放疗计划中各参考剂量点的优化目标进行更新。

11、可选地，所述将所述多个剂量体积直方图指标输入至大语言模型，得到所述各参考剂量点的优化目标的修改值，包括：

12、将每个感兴趣区域的序号和剂量体积直方图参数作为一个词元输入至大语言模型；所述剂量体积直方图参数包括剂量体积直方图中的多个剂量点；

13、通过大语言模型的多头注意力模块对各感兴趣区域的词元向量进行关联性计算；

14、将多头注意力模块输出的特征向量，通过多层感知机分类头进行投影和降维后，得到每个感兴趣区域的参考剂量点的优化目标的修改值；所述修改值包括优化权重的修改值。

15、可选地，所述方法还包括：

16、监测大语言模型输出的优化目标修改建议，当检测到以下任一情况时，触发安全器干预：

17、若危及器官的剂量快速达到优化目标，且大语言模型建议减弱所述危及器官的优化目标，则将提示词修改为不减弱危及器官的优化目标并反传回大语言模型；

18、若计划靶区的剂量已达到优化目标，且大语言模型建议降低所述计划靶区的优化目标，则将提示词修改为不降低计划靶区的优化目标并反传回大语言模型。

19、可选地，所述方法还包括：

20、任一危及器官对应的下界剂量模型通过以下方式进行训练：

21、将所述危及器官训练样本中的医学影像与勾画数据输入至待训练的下界剂量模型，得到预测剂量；

22、将预测剂量与真实剂量分别使用感兴趣区域进行掩膜操作，仅保留感兴趣区域内的剂量数据；

23、利用优化器最小化损失函数，更新所述下界剂量模型的权重参数，直至损失函数收敛，保存训练完成的下界剂量模型。

24、可选地，所述对于每个危及器官的感兴趣区域，采用密集约束提取下界预测剂量的剂量体积直方图中的参考剂量点，设置各参考剂量点的优化目标，包括：

25、对于每个危及器官，采用密集约束提取下界预测剂量的剂量体积直方图中覆盖整个区间的多个参考剂量点，设置优化目标为各优化剂量点小于等于参考剂量，权重为第一值；提取下界预测剂量的剂量体积直方图中的d0参考剂量点，设置优化目标为d0优化剂量点小于等于参考剂量，权重为第二值；其中，第二值大于第一值；

26、所述对于每个肿瘤计划靶区，采用密集约束提取临床处方剂量作为参考剂量，基于各参考剂量设置优化目标，包括：

27、对于每个肿瘤计划靶区，采用密集约束基于临床处方剂量，设置优化目标为优化剂量低剂量区大于等于处方剂量，权重为第三值；采用密集约束基于临床处方剂量，设置优化目标为优化剂量高剂量区小于等于处方剂量，权重为第三值；其中，第三值大于第二值。

28、第二方面，本发明还提供一种基于下界剂量预测与大语言模型自纠错引擎的放疗计划的确定装置，该装置包括：

29、预测模块，用于将待处理的医学影像及勾画数据输入至下界剂量模型，得到每个危及器官的下界预测剂量；

30、目标初始化模块，用于对于每个危及器官，采用密集约束提取下界预测剂量的剂量体积直方图中的参考剂量点，基于各参考剂量点设置优化目标；

31、目标初始化模块，还用于对于每个放疗计划靶区，采用密集约束基于临床处方剂量设置参考剂量点，基于参考剂量设置优化目标。

32、迭代优化模块，用于基于大语言模型对优化目标进行迭代优化，直至满足终止条件，得到放疗计划。

33、可选地，所述迭代优化模块，还用于提取危及器官和肿瘤计划靶区的感兴趣区域的多个剂量体积直方图指标；

34、将所述多个剂量体积直方图指标输入至大语言模型，得到所述各参考剂量点的优化目标的修改值；

35、基于所述各参考剂量点的优化目标的修改值对放疗计划中各参考剂量点的优化目标进行更新。

36、可选地，所述迭代优化模块，还用于将每个感兴趣区域的序号和剂量体积直方图参数作为一个词元输入至大语言模型；所述剂量体积直方图参数包括剂量体积直方图中的多个剂量点；

37、通过大语言模型的多头注意力模块对各感兴趣区域的词元向量进行关联性计算；

38、将多头注意力模块输出的特征向量，通过多层感知机分类头进行投影和降维后，得到每个感兴趣区域的参考剂量点的优化目标的修改值；所述修改值包括优化权重的修改值。

39、可选地，所述装置还包括监测模块，用于监测大语言模型输出的优化目标修改建议，当检测到以下任一情况时，触发安全器干预：

40、若危及器官的剂量快速达到优化目标，且大语言模型建议减弱所述危及器官的优化目标，则将提示词修改为不减弱危及器官的优化目标并反传回大语言模型；

41、若计划靶区的剂量已达到优化目标，且大语言模型建议降低所述计划靶区的优化目标，则将提示词修改为不降低计划靶区的优化目标并反传回大语言模型。

42、可选地，所述装置还包括模型训练模块，用于将所述危及器官训练样本中的医学影像与勾画数据输入至待训练的下界剂量模型，得到预测剂量；

43、将预测剂量与真实剂量分别使用感兴趣区域进行掩膜操作，仅保留感兴趣区域内的剂量数据；

44、利用优化器最小化损失函数，更新所述下界剂量模型的权重参数，直至损失函数收敛，保存训练完成的下界剂量模型。

45、可选地，所述目标初始化模块，还用于

46、对于每个危及器官，采用密集约束提取下界预测剂量的剂量体积直方图中覆盖整个区间的多个参考剂量点，设置优化目标为各优化剂量点小于等于参考剂量，权重为第一值；提取下界预测剂量的剂量体积直方图中的d0参考剂量点，设置优化目标为d0优化剂量点小于等于参考剂量，权重为第二值；其中，第二值大于第一值；

47、对于每个肿瘤计划靶区，采用密集约束基于临床处方剂量，设置优化目标为优化剂量低剂量区大于等于处方剂量，权重为第三值；采用密集约束基于临床处方剂量，设置优化目标为优化剂量高剂量区小于等于处方剂量，权重为第三值；其中，第三值大于第二值。

48、第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述的基于下界剂量预测与大语言模型自纠错引擎的放疗计划的确定方法。

49、第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的基于下界剂量预测与大语言模型自纠错引擎的放疗计划的确定方法。

50、第五方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的基于下界剂量预测与大语言模型自纠错引擎的放疗计划的确定方法。

51、本发明实施例提供一种基于下界剂量预测与大语言模型自纠错引擎的放疗计划的确定方法，通过更加具有临床意义的下界剂量预测模型，实现了对危及器官剂量的高精度保守估计，解决了传统预测剂量分布预测存在的冗余计算与精度不足问题；在此基础上提出的密集约束初始化方法，将预测的下界剂量与处方剂量转化为覆盖全剂量体积直方图区间的优化目标，可以显著提升计划优化的起始质量与收敛效率；进一步结合大语言模型，可以实现优化参数的智能化动态调整，突破了传统自动计划模板僵化的局限。