基于人工神经网络的模型,用于预测心脏病学家在CATHLAB中的过度剂量
Reza Fardid1,2, Fatemeh Farah1, Hossein Parsaei3
1Department of Radiology, School of Paramedical Sciences, Shiraz University of Medical Sciences, Shiraz, Iran.
Journal of medical physics
|February 10, 2025
概括
一个人工神经网络 (ANN) 模型准确地预测了心脏病学家使用剂量区域产品 (DAP) 在导管实验室中的辐射暴露. 这种先进的模型增强了干预心脏病专业人员的安全协议.
科学领域:
- 医学物理 医学物理
- 辐射保护 辐射保护
- 人工智能在医学中的应用
背景情况:
- 导管实验室中的心脏病专家面临着相当大的职业辐射暴露.
- 由于高压力任务而忽视剂量计的使用,需要对辐射剂量进行预测模型.
研究的目的:
- 开发和验证一个人工神经网络 (ANN) 模型,用于预测心脏病学家的过度外围辐射剂量.
- 对ANN的有效性进行评估,与用于辐射剂量预测的传统模型相比.
主要方法:
- 一个ANN模型被训练使用来自蒙特卡洛模拟的数据与不同的X射线光谱和管方向.
- 输入特征包括剂量区域产物 (DAP),能量频谱和管角.
- 一个多层感知神经网络被用于预测.
主要成果:
- 该ANN模型实现了高预测精度,相关系数 (R值) 为0.95和根平均平方误差 (RMSE) 为3.68μSv.
- 该ANN模型显著优于线性回归模型 (R值=0.48,RMSE=18.15μSv).
结论:
- 在临床环境中,ANN模型为预测职业辐射剂量提供了一个强大而准确的工具.
- 开发的模型可以增强安全协议,并为心脏病学家提供实时暴露评估.
- 未来的工作重点应该是将这些模型集成到实时监控系统中.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
7.0K
