通过神经网络重建 beagles 中的90摄入量:对历史吸入记录的数据驱动评估

科学领域:

• 辐射健康 辐射健康
• 生物动力学和剂量测量
• 机器学习应用 机器学习应用

背景情况:

• 内部放射性核素暴露剂量估计依赖于重建初始摄入活动,通常没有先前数据.
• 当前的生物动力学模型使用了通用参数,无法考虑个体代谢和解剖学变异,导致摄入重建中的随机性.
• 机器学习 (ML) 提供了一种强大的方法来模型复杂,非线性和随机过程固有的摄入重建.

研究的目的:

• 应用人工神经网络 (ANN) 来估计从生物测试测量中对 beagles 的初始-90 (90Sr) 摄入活动.
• 评估ML模型对输入数据质量的性能和灵敏度,包括个体特征.
• 为了评估历史实验数据的可用性,用于ML驱动的摄入重建.

主要方法:

• 人工神经网络被用来建模生物测试测量和初始90Sr摄入活动之间的关系.
• 为了测试可行性和数据要求,设计了三种不同的数据方案,具有不同的预处理和模型复杂性.
• 模型性能使用根平均二次误差 (RMSE) 来评估预测误差和偏差相对差异 (VRD) 来评估偏差.

主要成果:

• 在暴露后14天内使用生物试验数据证明了可行的摄入重建.
• 来自历史保留函数的总结统计数据对于个性化的ML建模是不够的.
• 历史剂量估计,尽管有局限性,当多个时间点可用时,作为有效的替代特征.

结论:

• ANNs提供了一种可靠的方法来重建初始的90Sr摄入活动,提高剂量估计的准确性.
• 个体特征和审慎使用历史数据提高了生物动力学中的ML模型性能.
• 这项研究验证了用于先进计算剂量计的历史 beagle 吸入数据的完整性和实用性.