综述：人工智能在职业健康辐射暴露中的作用：文献范围综述

这篇综述系统评价了人工智能（AI）在职业辐射暴露管理中的应用，涵盖评估、监测、控制及防护领域。通过PRISMA指南筛选59篇文献，发现AI技术（如机器学习ML、深度学习DL）能显著提升辐射风险评估精度，但需解决数据质量、算法可解释性等挑战。研究强调跨学科合作对实现AI在辐射安全中潜力的重要性。

　　

引言

人工智能（AI）凭借其模拟人类认知的能力，正深刻变革职业辐射安全管理领域。辐射作为穿透性极强的能量形式，对医疗、核工业等从业人员构成潜在威胁，可能引发癌症、生殖障碍等健康风险。传统防护依赖人工监测，而AI通过分析海量数据、识别模式并预测风险，为动态防护提供新范式。

材料与方法

研究遵循PRISMA框架，检索Web of Science、Scopus和PubMed截至2024年4月的文献。基于PICO原则设计检索策略，关键词涵盖AI、职业辐射暴露等。纳入标准聚焦AI在辐射评估、监测及防护的应用，采用混合方法评价工具（MMAT）评估文献质量。最终59篇文献入选，其中76%为高质量研究。

结果与讨论

监督与评估

16项研究开发了智能剂量管理系统。例如，Tan（1989）构建专家系统辅助新加坡卫生部辐射许可决策；Saifullah（2022）设计物联网（IoT）监测系统，通过声光警报引导人员避险。神经网络在剂量率地图插值（Mól 2011）和个人等效剂量估算（Pathan 2024）中表现优异，误差率低于传统方法。

检测与监测

32项研究突出AI的实时响应能力。Latner（2002）的γ射线远程监测系统可追踪移动车辆辐射；Durbin（2021）利用K近邻算法区分有机闪烁体中的γ射线和中子，识别准确率达92%。深度学习模型（Hwang 2022）能预测塑料闪烁体探测器的能谱-剂量关系，为核电站应急响应提供支持。

防护与控制

10项研究探索AI在防护装备优化中的应用。Chen（2020）通过DL检测福岛核电站工作人员防护服穿戴合规性；Zhu（2022）设计频率选择表面（FSS）逆推算法，定制电磁辐射屏蔽材料。机器人手套箱（Tokatli 2021）则通过AI减少人工操作时的辐射接触。

挑战与展望

尽管AI展现出巨大潜力，仍需突破四大瓶颈：

1. 数据壁垒：高质量辐射暴露数据集稀缺，需建立行业共享数据库；
2. 算法黑箱：复杂神经网络（如CNN）的决策过程需增强可解释性；
3. 标准融合：AI输出需符合国际放射防护委员会（ICRP）限值标准；
4. 人才缺口：亟需既懂辐射物理又精通AI的复合型人才。

结论

AI正重塑职业辐射防护体系，从静态监测转向智能预测。未来需通过跨学科协作攻克技术瓶颈，同时建立伦理框架确保AI决策透明可靠。随着量子计算等新技术融合，下一代智能防护系统或将实现“零接触”辐射管理愿景。