使用机器学习模型,从腹部和头部CT检查中快速估计患者特定器官剂量,而无需对内部器官进行细分
Wencheng Shao1, Liangyong Qu2, Xin Lin1
1Institute of Radiation Medicine Fudan University Shanghai China.
Precision radiation oncology
|October 30, 2025
概括
这项研究提出了一种使用支持向量回归 (SVR) 模型来预测CT扫描器官剂量的新方法,没有器官细分. 这种方法可以通过更快,更容易获得的X射线暴露风险评估来提高患者的安全性.
科学领域:
- 医疗成像医学成像
- 放射学 放射学是一门学科.
- 计算生物学 计算生物学
背景情况:
- 计算机断层扫描 (CT) 对于疾病检测至关重要,但涉及X射线暴露的风险.
- 评估CT相关癌症风险通常需要器官细分来预测剂量,限制临床使用.
- 这项研究解决了对CT成像中精简器官剂量预测方法的需求.
研究的目的:
- 开发和验证一种无分割的方法,用于从CT扫描中预测患者特定器官剂量.
- 用皮肤轮的放射性特征来估计器官剂量.
- 提高CT检查中辐射剂量评估的效率和可访问性.
主要方法:
- 支持向量回归 (SVR) 模型使用CT扫描皮肤轮中提取的放射性特征进行训练.
- 蒙特卡洛模拟为培训和验证提供了基准器官剂量.
- 使用平均绝对百分比误差 (MAPE) 和确定系数 (R2) 评估模型的准确性.
主要成果:
- SVR模型在预测大脑,眼睛,透镜,肠道,脏和肝脏的器官剂量方面表现出很高的准确性.
- 达到低的MAPE值 (例如,大脑的1.5%) 和高的R2值 (例如,大脑的0.9).
- 内部器官的变化对预测准确性影响最小.
结论:
- 开发的SVR模型提供了一种高效,用户友好的工具,用于从CT扫描中快速,无细分的器官剂量预测.
- 这种方法显著提高了患者特异性辐射剂量评估的临床效率和可访问性.
- 该方法通过准确的风险评估,促进了CT成像的更安全的使用.
