PSMA靶向放射性核素治疗中的预测剂量学:一项PBPK建模与机器学习研究
医学物理
2026-02-02 v4
摘要
预测剂量学是实现个性化放射性核素治疗(RPT)的核心,尤其是在前列腺特异性膜抗原(PSMA)靶向诊疗中。在这项工作中,我们开发了一个三层计算框架,将基于生理的药代动力学(PBPK)建模与机器学习(ML)相结合,以预测肿瘤和主要器官中的物理(AUC、吸收剂量)和生物(BED、EQD2)剂量学终点。在第一层,我们使用F-18、Ga-68和Cu-64标记的PSMA PET示踪剂与Lu-177 PSMA治疗配对的PBPK模拟生成了640名虚拟患者,在现实的生物学变异性和PET样噪声下产生了15360条肿瘤和器官时间-活度曲线(TAC)。在第二层,TAC被转化为定量动力学特征,并映射到物理和生物剂量指标。在第三层,ML模型(随机森林、极端随机树、岭回归、梯度提升和XGBoost)被训练用于从PET衍生特征预测RPT剂量,并使用平均绝对百分比误差(MAPE)和R2评估性能。基于Cu-64 PSMA-617的PET产生了最稳健的预测,肿瘤剂量MAPE低至8%,正常器官为10%至20%,而F-18 DCFPyL显示出体积依赖性性能,Ga-68 PSMA-11则表现出更高的变异性。SHAP分析揭示,峰值摄取、清除和早期动力学特征主导了跨器官和终点的预测性能。这个PBPK-ML框架实现了可扩展的、生理学知情的预测剂量学,并为PSMA靶向RPT的试验设计和患者个体化治疗计划提供了基础。这些结果表明,治疗前PET可以作为治疗后剂量学的可靠替代指标,从而实现PSMA靶向RPT的可扩展个性化。
引用
@article{arxiv.2510.21054,
title = {Predictive Dosimetry in PSMA-Targeted Radiopharmaceutical Therapies: A PBPK Modeling and Machine Learning Study},
author = {Hamid Abdollahi and James Fowler and Carlos Uribe and Arman Rahmim},
journal= {arXiv preprint arXiv:2510.21054},
year = {2026}
}