生物动力学数据在分子放射治疗中的适应性:一种机器学习方法

科学领域:

• 核医学是一种核医学.
• 放射性药物生物分布分析
• 生物统计学 生物统计学

背景情况:

• 分析方法 (AM) 用于时间活动曲线 (TAC) 分析和模型拟合.
• 机器学习 (ML) 算法越来越多地应用于分类和回归任务.
• 在差异化甲状腺癌 (DTC) 中进行TAC分析的ML调查是合理的.

研究的目的:

• 开发和评估ML系统,用于对TAC进行适当的适应模型的分类.
• 从TAC数据中评估ML在预测曲线 (τ) 下面面积的能力.
• 为了将ML性能与传统AM进行比较,用于生物动力学参数估计.

主要方法:

• 开发了两个ML系统,用于适应模型分类和生物动力学参数预测.
• 使用合成TAC模拟DTC患者[131I]NaI生物分布的系统进行了训练和测试.
• 性能指标包括分类准确度 (CA) 和曲线下的面积 (Δτ) 的百分比差异,与在不同数据点 (N) 上的AM相比.

主要成果:

• 无论数据点的数量 (N) 是多少,ML 实现了约98%的一致分类准确度.
• 分析方法显示了可变的准确性,以N改进,而ML显示了与AM相比,曲线下面区域预测的误差范围明显较小 (±25%),降至-67%).
• 真实患者数据显示ML和AM之间的良好一致性为 τ估计.

结论:

• 在TAC分析中,ML系统证明了改进适合模型分类的可行性.
• 与传统分析方法相比,ML在预测生物动力学参数方面提供了更高的准确性和可靠性.
• 这项研究支持了ML作为核医学成像分析中宝贵的工具的潜力.