PET-CT检查中基于无监督异常检测的剂量管理可行性研究：提升患者安全与法规遵从性的创新方法

本文探讨了无监督异常检测方法（如OCSVM、Hotelling's T2 、MSPC等）在PET-CT检查剂量管理中的应用，通过分析患者体重、PET剂量和剂量长度积（DLP）数据，有效识别输入错误和异常剂量（如过高/过低辐射）。研究证明Hotelling's T2 和MSPC的T2 统计量表现最优（召回率1.0，AUC 1.0），为优化诊断参考水平（DRL）和提升法规遵从性提供了可行方案。

　　

引言

随着2020年日本《医疗法》修订，PET-CT检查中辐射剂量的记录与管理成为强制性要求。本研究聚焦于通过无监督异常检测技术减少剂量记录中的输入错误，同时探索剂量优化策略。PET-CT检查中，CT扫描的剂量长度积（DLP）与患者体重呈强相关性（r=0.7456），而PET药物剂量通常基于体重计算，这为多变量异常检测提供了理论基础。

材料与方法

数据集：研究纳入2020年1月至2023年10月的4008例数据（训练集3509例，测试集499例），包含体重、PET剂量和DLP。异常标签通过对比FileMaker?记录与放射信息系统（RIS）数据人工标注。
方法选择：采用五种无监督模型：

1. OCSVM：基于RBF核的聚类方法，参数γ=1e^?5
   ，ν=0.01。
2. Hotelling's T²
   ：假设数据服从多元正态分布，计算马氏距离。
3. MSPC：通过主成分分析（PCA）生成T²
   和Q统计量（累积贡献率82.1%）。
4. 隔离森林：基于决策树的路径长度评估异常。
5. 局部离群因子（LOF）：基于数据密度的欧氏距离分析。

阈值设定：结合分位数法（0.3%）和标签法确定阈值，优先保证高召回率。

结果

• 性能对比：Hotelling's T²
  和MSPC的T²
  统计量表现最佳，召回率、精确度和F1得分均为1.0，ROC-AUC和PR-AUC达1.0。
• 异常案例：测试集中两例输入错误（编号155、421）均被成功检测，其DLP或PET剂量与体重显著偏离（如DLP误录为1467 mGy·cm）。
• 意外发现：非异常病例（如婴儿放疗计划病例）因超高DLP（1086.3 mGy·cm）被标记，提示模型可辅助剂量优化讨论。

讨论

方法优势：

1. Hotelling's T²
   和MSPC通过协方差矩阵捕捉变量间非线性关系，优于单变量阈值法（如未检出DLP接近正常范围的案例638）。
2. 模型可识别临床操作异常（如FDG延迟注射、CT重复扫描导致的剂量倍增）。

局限性：

• 数据仅来自单一机构，异常样本量不足（测试集仅2例）。
• 对极端体重患者（如<10 kg或>80 kg）的泛化能力待验证。

结论

无监督异常检测为PET-CT剂量管理提供了高效工具，不仅能减少输入错误，还能识别潜在的超标剂量，助力诊断参考水平（DRL）优化和患者安全保障。未来需通过多中心数据验证模型的普适性，并结合人工审核优化阈值策略。