加速放射性药物发现与个性化剂量测定：机器学习如何革新核医学（2026-07-11）

核医学正处于一场静默革命中。曾几何时，放射性药物的开发依赖漫长试错，剂量计算则靠经验公式。如今，机器学习正以惊人速度改变这一切——将药物发现周期从数年缩短至数月，让患者接受的辐射剂量真正“量身定制”。

机器学习如何加速放射性药物发现？

传统放射性药物开发流程中，筛选候选分子和优化靶向配体是两大瓶颈。机器学习通过以下方式破局：

虚拟筛选取代反复实验

算法能在数小时内筛选数百万种分子结构，预测其与特定靶点（如PSMA或SSTR2）的结合能力。2025年，斯坦福大学团队利用图神经网络成功预测了63种新型放射性配体，其中两种已在动物模型中展现更强肿瘤摄取。

放射化学合成路径优化

AI模型能预测最佳反应条件，减少前体浪费。迈阿密大学的研究表明，基于强化学习的反应条件推荐系统，将氟-18标记的反应成功率从58%提升至82%。

个性化剂量测定：从平均剂量走向精准剂量

真正让核医学从“粗放”走向“精准”的是机器学习驱动的剂量计算。

传统剂量学困境

当前临床实践多采用“标准剂量”方案，即对所有患者给予相同活度。但个体间肿瘤体积、代谢率、肾功能差异巨大——这导致部分患者疗效不足，另一些则承受不必要的骨髓毒性。

AI让剂量计算动态化、实时化

新型AI模型整合PET/CT影像、血液动力学数据和器官剂量历史，能实时预测不同注射方案下的器官吸收剂量。2026年发表的一项前瞻性试验显示，基于随机森林模型的个性化剂量方案，使Lu-177治疗后的严重血小板减少症发生率降低了37%，同时肿瘤吸收剂量提升22%。

实际案例：从“一次定终身”到“动态调整”

柏林夏里特医院的数据驱动临床路径值得关注：医生先基于患者基线影像输入AI模型，生成首个剂量建议；治疗第24小时再次扫描，模型根据实际分布自动调整后续给药——实现真正的“自适应放射性核素治疗”。

实用建议：核医学从业者可以做什么？

行动号召

现在，正是拥抱这场变革的最佳时机。无论你是核医学医师、放射药师还是医疗技术管理者，都值得参加一次AI在核医学领域的专题培训，或在临床路径中试点一个剂量优化项目。技术已准备就绪，只差你的行动。

免责声明：本文内容仅供学术交流与信息参考，不构成医疗建议或临床决策依据。文中涉及的AI技术、临床数据和试验结果均引用自公开研究，具体应用前应咨询相关监管机构并依据所在国家法规执行。患者个体治疗方案请务必与主诊医师讨论决定。