基于混合患者体型向量的神经网络预测胸部 CT 扫描器官剂量研究成果

为提升计算效率、准确性和通用性，研究人员开展胸部 CT 器官剂量预测研究，成果显著助力临床。

　　本研究旨在开发一种基于神经网络的方法，用于预测胸部 CT 扫描中患者特定的器官剂量。研究人员利用混合患者体型向量，以提高计算效率、准确性和通用性。研究回顾性分析了 705 例胸部 CT 扫描数据集，构建了器官剂量估算的预测模型。该方法采用高维混合向量来表示患者体型，这些向量结合了有关横向尺寸、前后尺寸和水当量直径（D_w）的多层参数。这些向量被用于训练全连接神经网络，该网络旨在将高维患者体型特征与通过蒙特卡罗模拟（Monte Carlo simulations）获得的参考器官剂量相关联。研究使用单独的测试队列评估神经网络的性能，通过平均绝对百分比误差（MAPE）和决定系数（R2）等指标来评估预测的准确性和通用性。对于左肺、右肺、心脏和脊髓，训练后的神经网络分别实现了 2.94%、2.79%、7.04% 和 6.76% 的 MAPE 值，以及 0.98、0.99、0.93 和 0.91 的 R2 值。左肺和右肺的参考值与预测值之间的最大差异小于 10%，心脏和脊髓的最大差异小于 20%。在 5 折交叉验证中，MAPE 的最大扰动不超过 1%，R2 的最大扰动不超过 0.05。通过纳入混合患者体型向量，神经网络模型在器官剂量估算方面比传统的特定体型剂量估算具有更高的准确性，为临床实践中的在线快速器官剂量筛查铺平了道路。