一个基于放射性和剂量学的机器学习回归模型,用于Lu-DOTATATE治疗中的预治疗规划

科学领域:

• 核医学是一种核医学.
• 辐射疗法 辐射疗法
• 医学成像医学成像
• 机器学习 机器学习

背景情况:

• 标准化剂量测量对于个性化核分子放射治疗至关重要.
• 定义治疗剂量窗口对于优化患者的治疗结果至关重要.
• 对处于风险的器官 (OARs) 准确的吸收剂量限制需要了解剂量效应关系.

研究的目的:

• 开发和标准化用于神经内分泌瘤 (NET) 患者治疗177Lu-DOTATATE的OAR的预测剂量测量模型.
• 利用具有放射性和剂量学特征的机器学习 (ML) 回归算法来预测OAR中吸收的剂量.

主要方法:

• 在两个中心收集了20名NET患者的治疗前和治疗后数据,这些患者接受了177Lu-DOTATATE治疗.
• 从CT扫描和蒙特卡洛生成的剂量图中提取了3412个放射性和剂量特性.
• 开发了一种ML回归模型来预测肝脏,脏和脏中吸收的剂量.

主要成果:

• 预测模型实现了0.61 Gy (肝脏),1.58 Gy (脏),1.30 Gy (左脏) 和1.35 Gy (右脏) 的平均绝对剂量误差 (MAE).
• 梯度提升和额外的树回归算法显示了特定器官的最佳预测性能.
• 结合放射量学特征,预测精度平均提高了57.34%.

结论:

• 放射学和剂量学的结合显示了个性化分子放射治疗 (PMR) 响应评估和OAR剂量预测的前景.
• 放射量学特征可以帮助预测疾病复发,并为临床决策提供信息,包括剂量升级.