统一多尺度：用于预测质子和碳离子辐照后细胞存活的可解释深度学习
生物物理
2026-01-22 v1 机器学习
摘要
辐射场物理特征与生物损伤之间的关系是放射治疗和辐射防护的核心，但能量沉积的空间尺度与生物效应之间的联系仍未被完全理解。为了解决这一问题，我们开发了一个可解释的深度学习模型，用于预测质子和碳离子辐照后的细胞存活情况，该模型利用序列注意力机制突出相关特征，并深入揭示不同能量沉积尺度的贡献。我们的模型在 PIDE 数据集上进行了训练和测试，除 LET 外，还结合了使用 MC-Startrack 和 Open-TOPAS 模拟的纳剂量学和微剂量学量，从而实现多尺度表征。在实现高预测精度的同时，我们的方法还强调了决策过程的透明性。我们展示了在预测体外实验 RBE 方面的高准确性。多个尺度被同时利用，没有单一空间尺度占据主导地位。在较小空间域上定义的量通常具有更大的影响，而 LET 的作用较小。
引用
@article{arxiv.2601.15106,
title = {One scale to rule them all: interpretable multi-scale Deep Learning for predicting cell survival after proton and carbon ion irradiation},
author = {Giulio Bordieri and Giorgio Cartechini and Anna Bianchi and Anna Selva and Valeria Conte and Marta Missiaggia and Francesco G. Cordoni},
journal= {arXiv preprint arXiv:2601.15106},
year = {2026}
}