基于机器学习的介入心脏病学职业辐射剂量评估新方法

为解决介入心脏病学中医护人员职业辐射暴露监测难题，研究人员通过蒙特卡洛(Monte Carlo)模拟3D血管造影室场景，利用梯度提升(Gradient Boosting)等五种机器学习算法，开发了无需物理剂量计的辐射预测模型。该研究为临床辐射防护提供了高效精准的智能化解决方案。

　　

在介入心脏病学领域，医护人员面临的职业辐射暴露问题日益凸显。这项创新研究巧妙地将机器学习(ML)与蒙特卡洛(Monte Carlo)模拟相结合，在高度仿真的3D血管造影室环境中展开探索。通过模拟不同手术场景下的辐射分布——包括人员站位、X射线源距离和照射角度等关键参数，研究团队构建了详实的辐射剂量数据库。

基于这些数据，研究人员对梯度提升(Gradient Boosting)、K近邻(K-nearest neighbors)、随机森林(Random Forest)等五种算法进行系统训练。令人振奋的是，梯度提升模型展现出卓越的预测性能，仅凭空间位置和操作参数就能准确估算辐射剂量，摆脱了对传统物理剂量计的依赖。这项突破不仅为辐射防护提供了智能化工具，更开创了将AI技术应用于医疗职业健康监测的新范式。