综述：机器学习在NaI(Tl)伽马射线光谱学中的应用：用于放射性核素识别——一项系统性综述

《Radiation Medicine and Protection》：Machine learning application in NaI(Tl) Gamma-ray spectroscopy for radionuclide identification : A systematic review

放射性同位素识别中NaI(Tl)探测器面临低能分辨率、噪声干扰和环境影响等问题，传统分析方法存在局限。本文系统综述21项研究，发现深度学习模型（如CNN、混合架构）在复杂条件下（屏蔽效应、低计数谱）识别精度可达95%以上，混合模型兼具鲁棒性与可解释性。传统方法（如SVM）仍适用于小样本或实时场景。主要挑战包括数据稀缺性、模型泛化性和可解释性，需推进标准化数据集和物理启发的机器学习框架。ML技术显著缩小了NaI(Tl)与高分辨率探测器性能差距，为核安全与环保监测提供便携自动化解决方案

　　

袁森|费托|吴慧琳|强周|鲍路阳

中国疾病预防控制中心辐射防护与核应急重点实验室，国家辐射防护研究院，中国疾病预防控制中心，北京100088，中国

摘要

使用NaI(Tl)伽马射线光谱技术进行放射性核素识别在核安全、环境监测和医学领域至关重要。尽管NaI(Tl)探测器具有成本效益高和效率高的优点，但由于能量分辨率低、光谱噪声以及环境因素的影响，其分析方法受到限制。本系统综述评估了机器学习（ML）在解决这些限制方面的进展，汇总了通过PRISMA指南检索到的21项研究。研究结果表明，深度学习模型——特别是卷积神经网络（CNN）、混合架构以及其他先进的深度网络——在分析低分辨率光谱方面表现出色，在复杂条件下（如屏蔽效应、低计数光谱）的准确率可超过95%。将CNN与传统算法结合的混合模型显示出更强的鲁棒性和可解释性。对于小型数据集或实时应用，传统的ML方法（如SVM）仍然适用。主要挑战包括数据稀缺、模型泛化能力以及可解释性问题，这需要标准化的数据集和基于物理原理的ML框架。机器学习技术弥补了NaI(Tl)探测器与高分辨率探测器之间的性能差距，实现了便携化和自动化的解决方案。未来的研究应重点关注混合模型、数据集标准化以及适用于现场部署的优化措施，以提高核安全和环境监测能力。