深度学习预测医学放射性核素77Br生产截面的创新研究

本文针对加速器生产医用放射性核素77Br的截面预测难题，研究人员通过改进Python深度学习算法，结合EXFOR数据库实验数据，对77Se(p,n)77Br等四种核反应路径进行截面计算。结果表明，深度学习预测结果较传统TALYS代码更贴近实验值，为优化Auger电子治疗核素生产提供了新方法。

　　

在核医学快速发展的今天，放射性核素在诊断和治疗中扮演着越来越重要的角色。其中，溴-77（⁷⁷Br）因其56小时的半衰期和独特的衰变特性，从最初的SPECT（单光子发射计算机断层扫描）成像逐渐转向Auger电子治疗领域。然而，其生产过程中的截面预测一直是个难题——传统核反应代码如TALYS的计算结果常与实验值存在偏差，而实验测量又耗时耗力。这直接影响了⁷⁷Br的生产效率和放射性核素纯度，制约了其在癌症治疗中的应用。

针对这一瓶颈，来自中国的研究团队在《Applied Radiation and Isotopes》发表了一项创新研究。他们另辟蹊径，将深度学习这一前沿技术引入核物理领域，通过改进Python编程的神经网络算法，对⁷⁷Br的四种主要生产路径（包括⁷⁷Se(p,n)⁷⁷Br、⁷⁵As(α,2n)⁷⁷Br等）的截面进行预测。研究采用EXFOR数据库的实验数据作为训练集，并首次系统对比了深度学习、TALYS代码与实验数据的吻合程度。

关键技术方法
研究主要依托Keras和TensorFlow构建深度学习模型，辅以numpy、pandas等工具进行数据分析。核反应截面数据来自EXFOR数据库和TENDL-2023库，通过人工神经网络对⁷⁷Br的四种生产路径进行训练预测，并与TALYS 1.96代码的默认参数计算结果进行对比验证。

研究结果

Materials and methods
团队开发了基于Python的深度学习框架，采用包含多个隐藏层的神经网络结构。输入层为反应能量参数，输出层为预测截面值，通过反向传播算法优化权重。实验数据涵盖5-50 MeV能区，特别关注反应阈值附近的敏感区间。

Results and discussion
在⁷⁷Se(p,n)⁷⁷Br反应中，深度学习预测与EXFOR实验数据的平均偏差仅为8%，显著优于TALYS的15%。对于更复杂的⁸⁰Se(p,4n)⁷⁷Br反应，神经网络成功捕捉到30 MeV附近的截面峰值，而TALYS则低估了20%。值得注意的是，在⁷⁵As(α,2n)⁷⁷Br路径中，两种方法在低能区（<15 MeV）均出现偏差，但深度学习在高能区的预测更接近TENDL评估值。

Conclusions
研究表明，深度学习能有效预测放射性核素生产截面，尤其适用于多粒子发射的复杂反应。相比传统核模型代码，神经网络对实验数据的拟合度提升30-50%，为加速器靶材选择和能量优化提供了新工具。这项工作不仅验证了AI在核物理领域的适用性，更为医用同位素生产的精准化开辟了新途径。

重要意义
该研究首次系统证实深度学习在放射性核素生产领域的优势：一方面，其自适应特性可弥补传统模型对壳修正、能级密度等参数的依赖；另一方面，随着EXFOR数据库的扩充，神经网络预测精度有望进一步提升。这对于推动Auger电子治疗等精准放疗技术发展具有双重价值——既提高了⁷⁷Br等治疗核素的生产效率，又通过减少杂质核素提升了治疗安全性。未来，该方法可扩展至其他医用同位素（如⁶⁴Cu、⁸⁹Zr）的生产优化，加速AI与核医学的交叉融合。