基于机器学习的估计患者的体重从辐射剂量指标在计算机断层扫描的估计

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 机器学习 机器学习

背景情况:

• 准确的患者体重 (BW) 对于辐射剂量管理至关重要,但在诊断成像过程中往往无法获得.
• 使用扫描参数进行BW估计的现有方法存在局限性.
• 机器学习 (ML) 为开发准确的BW预测模型提供了一个有希望的方法.

研究的目的:

• 开发和评估基于ML的BW预测模型,使用来自计算机断层扫描 (CT) 扫描的特征.
• 评估这些模型对辐射剂量管理的准确性和适用性.
• 确定可预测BW的关键剂量指标.

主要方法:

• 利用了3996名接受正子发射断层扫描CT扫描的患者的数据集.
• 从CT图像和元数据中提取了11个与剂量相关的特征,包括有效直径 (ED) 和水当量直径 (WED).
• 采用7个ML模型和3个回归模型来预测BW,计算平均绝对误差 (MAE) 和相关系数.

主要成果:

• 一种轻度梯度增强机器模型实现了最高的精度,MAE为1.99公斤,估计和实际BW之间有很强的相关性 (ρ = 0.972).
• 该模型预测了73%的患者的BW在±5%的误差范围内.
• 水等值直径 (WED) 是BW估计最有影响力的特征,其次是有效直径 (ED) 和性别.

结论:

• 开发的ML方法显著优于BW估计的现有方法.
• 该模型依赖于可访问的剂量指标,提高了其用于辐射剂量管理的临床实用性.
• 这种基于CT的强大BW估计方法有可能改善辐射剂量管理实践.