標的放射性核種療法における線量予測のための半教師あり学習：合成データ研究

科学分野:

• 医用物理学
• 放射線学
• 人工知能

背景:

• 正確な放射線線量推定は、効果的な標的放射性核種療法（TRT）にとって不可欠です。
• 深層学習（DL）は線量測定において可能性を示していますが、臨床現場では利用できないことが多い大規模なラベル付きデータセットが必要です。
• この制限は、TRTにおけるDLベースの線量測定の普及を妨げています。

研究 の 目的:

• TRTにおける放射線線量予測のための半教師あり学習（SSL）フレームワークの開発と評価。
• 容易に入手可能な治療前PETデータを活用することにより、大規模なラベル付きデータセットへの依存を減らす。
• 線量予測のための従来の分類ベースSSLアプローチの適応と拡張。

主な方法:

• 少量の線量ラベルを持つ治療前PETデータを利用する半教師あり学習（SSL）フレームワークの探索。
• 線量予測における回帰タスクのための分類ベースSSLメソッドの適応と拡張。
• 検証のためのPET画像とモンテカルロ線量計算をシミュレートする合成データセットの開発。

主要な成果:

• ラベル付きデータの割合が異なる条件下での複数の回帰適合SSLメソッドの評価。
• 異なる臓器にわたる線量予測において、9%-11%の全体的な平均絶対誤差を達成。
• 完全に教師ありの方法に匹敵するパフォーマンスを示した。

結論:

• 提案されたSSLメソッドは、TRTにおける臓器レベルの線量予測に有望な結果を示しています。
• SSLは、DLベースの線量測定のための限られたラベル付き臨床データという課題を効果的に解決します。
• このアプローチは、TRTにおける個別化線量測定の実現可能性を高めます。