通过机器学习进行计算机断层扫描的有效剂量估计

科学领域:

• 医疗成像医学成像
• 辐射物理学 辐射物理学
• 医疗保健中的机器学习

背景情况:

• 计算机断层扫描 (CT) 扫描是必不可少的诊断工具,但患者的辐射暴露需要谨慎管理.
• 准确估计有效剂量 (E) 对于确保CT成像中的患者安全至关重要.
• 目前用于剂量估计的方法可能很复杂或需要专门的软件.

研究的目的:

• 开发和评估机器学习模型,从CT扫描中预测有效剂量 (E).
• 仅使用患者和CT获取参数来估计E,而无需使用剂量跟踪软件.
• 将机器学习算法的性能与传统剂量估计方法进行比较.

主要方法:

• 使用了69 037个CT获取数据集与剂量跟踪软件 (DTS) 进行培训和验证.
• 训练并优化了各种机器学习算法,包括随机森林,神经网络和支持矢量机器.
• 使用平均绝对误差 (MAE),平均绝对百分比误差 (MAPE) 和R平方来评估模型性能,包括对外部数据集的测试.

主要成果:

• 随机森林回归器获得了最佳性能,在测试组中MAE为0.416 mSv,MAPE为7%.
• 机器学习模型的表现明显优于传统方法,如k因子 (MAE:2.06 mSv) 和多重线性回归 (MAE:0.98 mSv).
• 随机森林模型在外部数据集上表现出强烈的概括性,产生0.215mSv的MAE和7.1%的MAPE.

结论:

• 机器学习模型可以使用随时可用的患者和扫描仪参数在CT成像中准确估计有效剂量 (E).
• 这种方法为复杂的剂量跟踪软件提供了可行的替代方案,用于快速可靠的剂量评估.
• 这些发现支持将机器学习整合到临床实践中,以改善放射安全和剂量管理.