Predictive Dosimetry in PSMA-Targeted Radiopharmaceutical Therapies: A PBPK Modeling and Machine Learning Study
Notice bibliographique
Résumé
Predictive dosimetry is central to enabling personalized radiopharmaceutical therapy (RPT), particularly in prostate specific membrane antigen (PSMA) targeted theranostics. In this work, we develop a three layer computational framework that integrates physiologically based pharmacokinetic (PBPK) modeling with machine learning (ML) to predict both physical (AUC, absorbed dose) and biological (BED, EQD2) dosimetric endpoints in tumors and major organs. In the first layer, we generated 640 virtual patients using PBPK simulations of F-18, Ga-68, and Cu-64 labeled PSMA PET tracers paired with Lu-177 PSMA therapy, producing 15360 tumor and organ time activity curves (TACs) under realistic biological variability and PET-like noise. In the second layer, TACs were transformed into quantitative kinetic features and mapped to physical and biological dose metrics. In the third layer, ML models (Random Forest, Extra Trees, Ridge, Gradient Boosting, and XGBoost) were trained to predict RPT doses from PET derived features, with performance evaluated using mean absolute percentage error (MAPE) and R2. Cu-64 PSMA-617 based PET yielded the most robust predictions, achieving tumor dose MAPE as low as 8 percent and 10 to 20 percent for normal organs, while F-18 DCFPyL showed volume dependent performance and Ga-68 PSMA-11 exhibited higher variability. SHAP analysis revealed that peak uptake, clearance, and early kinetic features dominated predictive performance across organs and endpoints. This PBPK ML framework enables scalable, physiology informed predictive dosimetry and provides a foundation for trial design and patient specific treatment planning in PSMA targeted RPT. These results demonstrate that pre therapy PET can serve as a reliable surrogate for post therapy dosimetry, enabling scalable personalization of PSMA targeted RPT.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».