螺旋CT扫描中螺距变化对头腹部辐射剂量的影响：基于体模的剂量学分析与机器学习模型应用

本研究针对CT扫描中螺距(pitch)参数对辐射剂量指标CTDIvol 和DLP的影响展开系统研究，通过体模实验结合主成分分析(PCA)和K-means聚类算法，发现成人腹部CT在pitch=1.5时PC1评分最高，证实螺距调整可显著影响辐射剂量，为临床剂量优化提供了机器学习辅助决策的新思路。

　　

随着CT技术的广泛应用，辐射剂量管理已成为全球关注的焦点问题。儿童群体对辐射更为敏感，而螺距(pitch)作为螺旋CT的关键参数，其与辐射剂量的量化关系尚未完全明确。现有研究表明，螺距与剂量呈反比关系，但缺乏系统性评估和智能分析方法。

为解决这一问题，研究人员采用西门子Somatom Go. Up 16层CT扫描仪，使用16cm头部和32cm腹部水等效体模，分别模拟成人和儿童扫描场景。通过设置0.35-1.5区间的螺距值，记录CTDI_vol
(CT剂量指数)和DLP(剂量长度乘积)数据，并创新性地引入主成分分析(PCA)和K-means聚类等无监督机器学习方法进行多维数据分析。该研究发表在《Journal of Radiation Research and Applied Sciences》上。

关键技术包括：1) 采用标准体模进行剂量学测量；2) 使用SPSS进行非参数检验和相关性分析；3) 应用OriginPro 2022进行PCA降维(解释88.34%方差)和双聚类分析；4) 对比设备自动设定与人工调整螺距的剂量差异。

研究结果显示：

1. 剂量参数变化：成人头部CT在pitch=0.35时CTDI_vol
   达55.80mGy，腹部CT在pitch=1.5时DLP最高(85.30mGy×cm)。相关性分析显示成人腹部组pitch与CTDI_vol
   /DLP均呈强负相关(r=-0.865)。
2. PCA分析：PC1(58.93%方差)主要载荷来自DLP，PC2(29.41%)反映剂量分布特征。
3. 聚类特征：自动设定值中，成人头/腹+和儿童头+聚为类1，儿童腹+归入类2，提示儿童腹部扫描的剂量特性差异。

讨论部分指出，该研究首次将机器学习应用于CT剂量分析：

1. 验证了螺距与剂量的反比关系，与McNitt-Gray等学者的发现一致；
2. PCA有效识别DLP为关键变异源，为剂量监测提供重点指标；
3. 聚类模型实现了扫描协议的智能分类，特别发现儿童腹部扫描的独特剂量模式；
4. 研究局限性包括单设备数据和儿科pitch不可调等问题。

结论强调，螺距调整可显著影响CTDI_vol
和DLP值，而PCA与K-means聚类能有效解析复杂剂量数据。该研究为实施ALARA(合理最低)原则提供了量化依据，建立的机器学习模型可拓展至其他影像设备的剂量优化研究，对辐射防护具有重要实践意义。