Predicción de dosis preterapéutica basada en IA de PET con 68Ga-PSMA para la terapia con radionúclidos dirigida con 177Lu-PSMA (PADL)

A pesar del éxito inicial de la TRT, han surgido preocupaciones sobre los riesgos de un equilibrio inadecuado entre la dosis terapéutica y los efectos secundarios. Actualmente, los protocolos de administración de los radiofármacos se evalúan sobre una base poblacional y la actividad a administrar se determinó para un grupo de pacientes específico en base a estudios anteriores. Sin embargo, la Directiva del Consejo Europeo (2013/59 Euratom) exige que los tratamientos de TRT se planifiquen de acuerdo con la dosis de radiación óptima adaptada a cada paciente, como ha sido durante mucho tiempo el caso de la radioterapia de haz externo (EBRT) o la braquiterapia. Un requisito esencial de la planificación del tratamiento con TRT es estimar la dosis absorbida antes del tratamiento.

El conocimiento previo de la biodistribución del agente terapéutico a través de las imágenes previas a la terapia ayuda a optimizar el equilibrio entre la destrucción del tumor y la irradiación de tejidos sanos. Se han propuesto conceptos, como el modelado farmacocinético de base fisiológica (PBPK), para estimar la farmacocinética espaciotemporal de los agentes de imagen y luego extrapolarlos a los agentes de tratamiento.

Una alternativa es generar un mapa 3D de actividad integrada en el tiempo (TIA) por paciente basado en la PBPK y las imágenes previas a la terapia. El TIA proporciona información sobre el número de desintegraciones que tienen lugar en cada vóxel durante la duración total de la terapia. PBPK es un modelo basado en órganos, por lo que el cálculo del TIA 3D plantea la cuestión de las segmentaciones de órganos en las imágenes nucleares previas a la terapia, que deben ser sólidas, automáticas y precisas. La dosis absorbida por el paciente se puede estimar antes del tratamiento utilizando el TIA 3D y la anatomía del paciente (imagen CT) mediante simulación Monte Carlo (MC). . Este proyecto abordará dos desafíos principales: (a) la segmentación metabólica sólida y precisa en medicina nuclear para el cálculo de TIA 3D, y (b) la predicción rápida de dosis basada en MC y un enfoque de aprendizaje profundo.