Bewertung von Gesundheitsrisiken durch Niedrigdosen ionisierender Strahlung

Ionisierende Strahlung (IR) ist eine Art Energie, die Elektronen aus Atomen entfernen kann, wodurch Ionen entstehen. Diese Art der Strahlung umfasst sowohl elektromagnetische Typen, wie Röntgen- und Gammastrahlen, als auch Teilchenarten wie Alpha-Teilchen, Elektronen und Protonen. Menschen sind in verschiedenen Umgebungen oft ionisierender Strahlung ausgesetzt, und diese Quellen können natürlich oder menschengemacht sein. Natürliche Quellen sind die Luft, die wir atmen, kosmische Strahlen aus dem Weltraum und sogar Lebensmittel und Wasser. Menschengemachte Quellen können unterschiedlich sein und betreffen bestimmte Personengruppen mehr als andere. Zum Beispiel haben medizinische Fachkräfte, Mitarbeiter der Kernindustrie, Menschen, die in verschmutzten Gebieten leben, und Patienten, die Röntgen- oder CT-Scans erhalten, ein höheres Risiko für Strahlenexposition.

In den USA sind medizinische Verfahren wie CT-Scans und Röntgenuntersuchungen die Hauptquellen künstlicher Strahlung. Radon in Innenräumen, ein natürlich vorkommendes Gas, das sich in Häusern ansammeln kann, trägt ebenfalls zur Exposition bei. Der durchschnittliche Mensch in den USA erhält jährlich eine Strahlendosis von etwa 6,3 Millisievert (mSv), was sich in den letzten zwei Jahrzehnten verdoppelt hat. Es ist wichtig, die Gesundheitsrisiken, die mit niedrigen Strahlendosen verbunden sind, zu bewerten, das sind solche unter 100 Milligrays (mGy). Während klar ist, dass hohe Dosen ionisierender Strahlung schädlich sein können, sind die Auswirkungen niedriger Dosen noch umstritten.

Forscher nutzen häufig epidemiologische Studien, um die Auswirkungen von Strahlung auf die menschliche Gesundheit zu bewerten. Diese Studien vergleichen typischerweise die Krebsraten zwischen Menschen, die Strahlung ausgesetzt waren, und solchen, die dies nicht waren. Sie betrachten unterschiedliche Wege zur Risikomessung, einschliesslich des Excessive Relative Risk (ERR) und des Excess Absolute Risk (EAR). Trotz zahlreicher Studien bleibt es eine Herausforderung, die Gesundheitsrisiken niedriger Strahlenexpositionen zu interpretieren.

Es gibt fünf Hauptmodelle, die Wissenschaftler verwenden, um die Auswirkungen von Niedrigdosisstrahlung zu verstehen. Dazu gehören das Linear-Without-Threshold-Modell, das Threshold-Modell, das Supra-Linearity-Modell, das Linear-Quadratic-Modell und das Hormesis-Modell. Jedes Modell hat seine Befürworter, und es gibt keinen Konsens unter den Wissenschaftlern, welches das richtige ist. Das Linear-Without-Threshold (LNT)-Modell wird häufig von Behörden verwendet, um das Strahlenrisiko zu bewerten. Es legt nahe, dass jede Menge Strahlung das Tumorrisiko erhöhen kann, ohne eine sichere Grenze. Das Threshold-Modell hingegen behauptet, dass sehr niedrige Mengen an Strahlung keinen Schaden verursachen. Das Supra-Linearity-Modell argumentiert, dass kleine Dosen schädlicher sein können als vom LNT-Modell vorhergesagt. Das Hormesis-Modell legt nahe, dass sehr niedrige Dosen sogar positive Effekte haben könnten. Das Linear-Quadratic-Modell umfasst Aspekte sowohl von Supra-Linearity als auch von Hormesis.

Forschungsarbeiten zeigen unterschiedliche Beweise für diese Modelle, wobei einige Studien das LNT-Modell unterstützen, während andere auf verschiedene Modelle hindeuten. Beispielsweise neigen Studien aus bestimmten Kernkraftanlagen zu den Threshold- und LNT-Modellen. Andere Studien zu medizinischen Expositionen und Radonwerten liefern widersprüchliche Ergebnisse. Die Bestimmung des genauen Modells ist entscheidend, da es die Entscheidungen und Regelungen im Gesundheitswesen beeinflusst.

Die meisten Studien haben sich auf traditionelle statistische Methoden verlassen, die zu verzerrten Ergebnissen führen können, abhängig davon, wie Daten gruppiert oder analysiert werden. Als Reaktion auf diese Herausforderungen haben Forscher eine neue Methode eingeführt, die tiefe neuronale Netze (DNNs) zur Schätzung der Gesundheitsrisiken nutzt.

Tiefe neuronale Netze sind fortschrittliche Rechenmodelle, die komplexe Muster aus Daten lernen können. Sie basieren nicht auf vordefinierten Formeln, was es ihnen ermöglicht, sich an unterschiedliche Beziehungsarten in den Daten anzupassen. Diese Fähigkeit macht DNNs zu einem vielversprechenden Werkzeug zur Bewertung des Tumorrisikos bei niedrigen Strahlendosen.

In dieser Pilotstudie wird das DNN verwendet, um Daten aus Lebensdauerstudien (LSS) zu analysieren und die Dosis-Wirkungs-Beziehung bei niedrigen Dosen zu rekonstruieren. Simulierte Daten mit bekannten Parametern und verschiedenen Dosis-Wirkungs-Modellen wurden generiert, um die Genauigkeit des DNN zu testen. Die LSS-Daten, die die Krebsinzidenz von 1958 bis 1998 abdecken, wurden mit einem DNN analysiert, das darauf ausgelegt ist, Gesundheitsrisiken basierend auf verschiedenen Faktoren, einschliesslich Strahlendosis und anderen individuellen Eigenschaften, vorherzusagen.

Das DNN besteht aus mehreren Schichten von Knoten, die jeweils Daten verarbeiten, um Muster zu finden. Durch das Training des Netzwerks mit den Daten können Forscher schätzen, wie verschiedene Strahlungsniveaus mit der Krebsinzidenz in Beziehung stehen. Die Studie verwendet verschiedene Modelle, um zu verstehen, wie Strahlung die Gesundheit beeinflusst, einschliesslich der Bewertung des ERR, der das zusätzliche Krebsrisiko durch Strahlenexposition misst.

Unterschiedliche Dosis-Wirkungs-Modelle zeigen an, wie das Krebsrisiko sich mit unterschiedlichen Strahlungsniveaus ändern könnte. Das Supra-Linearity-Modell zeigt ein positives Risiko, das abnimmt, während die Dosis zunimmt. Das LNT-Modell geht von einem stetigen Risikoanstieg ohne sichere Dosis aus, während das Threshold-Modell bei niedrigen Dosen kein Risiko anzeigt. Das Linear-Quadratic-Modell kombiniert lineare und nichtlineare Effekte, und das Hormesis-Modell legt nahe, dass das Risiko bei niedrigen Dosen ansteigt.

Der Ansatz der tiefen neuronalen Netze ermöglichte es den Forschern, diese Modelle effektiver zu unterscheiden. Das DNN zeigte starke Ergebnisse bei der Identifizierung der richtigen Dosis-Wirkungs-Beziehungen für die simulierten Daten. Als es auf reale Daten aus der LSS-Kohorte angewendet wurde, zeigte das DNN ein quadratisches Risikomodell, im Gegensatz zum oft verwendeten Linear-Without-Threshold-Modell. Das deutet darauf hin, dass das LNT-Modell Risiken bei niedrigen Dosen überschätzen könnte, während es sie bei höheren Dosen unterschätzt.

Die Verwendung von DNNs stellt einen bedeutenden Fortschritt im Verständnis von Dosis-Wirkungs-Beziehungen bei Strahlenexposition dar. Diese Netzwerke können komplexe Datenmuster aufdecken, die traditionelle Methoden möglicherweise übersehen, und wertvolle Einblicke bieten, die öffentliche Gesundheitsentscheidungen und Richtlinien zum Stralschutz informieren könnten.

Obwohl DNNs bei der Identifizierung von Beziehungen zwischen Dosen und Risiken gute Ergebnisse liefern, haben sie auch ihre Einschränkungen. Eine grosse Sorge ist ihre „Black-Box“-Natur, das heisst, es kann schwierig sein zu verstehen, wie sie zu ihren Schlussfolgerungen gelangen. Diese mangelnde Transparenz birgt Risiken in Bereichen wie dem Gesundheitswesen, wo es wichtig ist, den Entscheidungsprozess zu verstehen.

Um diese Herausforderung anzugehen, streben Forscher an, die Vorteile von DNNs mit der Verständlichkeit einfacherer Modelle zu kombinieren. Indem sie DNNs verwenden, um die Entwicklung transparenterer Modelle zu informieren und zu leiten, hoffen die Wissenschaftler, die Dosis-Wirkungs-Bewertungen in Strahlenstudien zu verbessern. Dieser Ansatz könnte unser Verständnis der Gesundheitsrisiken im Zusammenhang mit Niedrigdosisstrahlung verbessern und letztendlich zu besseren Sicherheitspraktiken führen.

Zusammenfassend lässt sich sagen, dass das Verständnis der gesundheitlichen Auswirkungen ionisierender Strahlung für die öffentliche Sicherheit entscheidend ist. Während traditionelle Methoden wertvolle Einblicke gegeben haben, eröffnet die Einführung von tieferen Lerntechniken wie DNNs neue Horizonte für die genaue Bewertung der Risiken von Niedrigdosisstrahlung. Durch die Enthüllung komplexer Beziehungen in den Daten können diese Modelle unseren Ansatz zum Strahlenschutz erheblich verbessern und zukünftige Forschungs- und Politikentscheidungen informieren.