基于机器学习算法的乳腺X线摄影和断层合成成像中标准化腺体剂量预测与不确定性评估

本研究针对乳腺X线摄影(DM)和数字乳腺断层合成(DBT)中标准化腺体剂量(DgN)预测难题，采用机器学习算法结合126例患者来源的数字乳腺模型，开发出预测精度达1%的自动相关确定回归模型，将剂量评估不确定性控制在9%以内，为个性化乳腺放射诊疗剂量优化提供新方法。

　　

乳腺X线检查作为乳腺癌筛查的黄金标准，其辐射剂量控制一直是医学物理领域的关键问题。传统剂量评估模型基于简化假设——将乳腺视为均匀腺体组织构成的半圆形结构，皮肤厚度统一设定为5mm。然而随着三维乳腺成像技术的发展，这种"理想化"模型暴露出明显缺陷：最新研究表明，真实乳腺中腺体组织呈非均匀分布，且皮肤平均厚度仅为1.45mm。更棘手的是，临床数据显示传统模型会高估30%的平均腺体剂量(MGD)，这种偏差在数字乳腺断层合成(DBT)和专用乳腺CT(BCT)中虽略有降低，但仍显著影响诊疗方案的精准制定。

比利时鲁汶大学(KU Leuven)医学物理团队在《Physica Medica》发表的研究，创新性地将机器学习与患者特异性乳腺模型相结合。研究人员利用126例临床BCT图像构建的数字乳腺体模，通过蒙特卡洛模拟获得剂量基准值，采用自动相关确定回归(Automatic Relevance Determination Regression)算法，首次实现了对标准化腺体剂量(DgN)及其不确定性的同步预测。这项研究不仅突破了传统均匀模型局限，更建立了考虑腺体空间分布特征的剂量评估新范式。

关键技术方法包括：1)基于126例临床BCT图像构建压缩/非压缩态数字乳腺体模；2)蒙特卡洛模拟计算DgN基准值；3)自动相关确定回归算法开发；4)5折交叉验证评估模型性能；5)数据填补算法处理特征缺失情况。研究特别关注压缩乳腺厚度、腺体体积分数(VGF)、腺体体积、腺体分布质心及颅尾向标准差等解剖特征的影响。

【Digital breast phantoms】部分显示，研究采用的体模数据库包含150例未压缩乳腺和60例压缩乳腺的BCT扫描数据，新增66例压缩体模使总数达126例。这些体模精确再现了真实乳腺的解剖特征，包括不规则的轮廓形态和腺体空间分布。

【k-fold cross validation】结果显示：DgN_DBT与压缩乳腺厚度呈现强负相关(PCC=-0.87)，与VGF相关性仅为0.03。预测模型平均差异仅1%，50%案例差异小于3%。包含腺体分布特征时不确定性为9%，排除后升至17%。数据填补算法可部分降低不确定性，但无法完全恢复原始性能。管电压升高能改善预测准确性。

【Discussion】部分强调，相比Massera等人先前基于均匀模型的神经网络预测，本研究提出的方法首次整合了患者特异性腺体分布信息。虽然临床获取完整腺体分布数据存在困难，但即使仅使用VGF和压缩厚度等常规参数，模型仍保持较高预测精度(半数案例差异<9%)。

【Conclusions】指出该方法将DgN预测不确定性控制在9%以内，测试集平均差异仅1%，50%案例差异小于5%。这一突破使个性化乳腺放射剂量评估成为可能，为优化乳腺X线摄影和DBT的辐射防护提供新工具。研究开发的算法代码已开源共享，促进医学物理领域的协作创新。

这项研究的核心价值在于：首次将机器学习与真实解剖特征相结合，破解了传统模型高估剂量的难题；建立的预测框架既保留临床实用性（仅需常规参数即可预测），又通过不确定性量化增强了结果可靠性；开源策略加速了研究成果向临床实践的转化。随着乳腺成像技术发展，这种数据驱动的方法有望成为放射剂量评估的新标准。