LENAS：用于三维放疗剂量预测的基于学习的神经架构搜索与集成

放射治疗计划需要在给予靶区剂量的同时保护正常组织，使其成为一个复杂的过程。为了简化计划流程并提升其质量，对基于知识的计划（KBP）的需求日益增长。集成学习在各种深度学习任务中展现出令人印象深刻的威力，并极有潜力改善 KBP 的性能。然而，集成学习的有效性严重依赖于基学习器的多样性与个体准确性。此外，模型集成的复杂性是一个主要问题，因为它在推理时需要维护多个模型，导致计算成本与存储开销增加。在本研究中，我们提出一种名为 LENAS 的新型基于学习的集成方法，它将神经架构搜索与知识蒸馏相结合用于三维放疗剂量预测。我们的方法首先从一个巨大的架构空间中详尽搜索每个模块，以识别出多个具有良好性能且显著差异的架构。为缓解模型集成引入的复杂性，我们采用教师-学生范式，利用多个已学习网络的多样化输出作为监督信号来指导学生网络的训练。此外，为保留高层语义信息，我们设计了一种混合损失来优化学生网络，使其能恢复教师网络内嵌的知识。所提方法已在两个公开数据集 OpenKBP 和 AIMIS 上进行了评估。大量实验结果表明了我们的方法的有效性及其相对于最先进方法的优越性能。