基于机器学习的剂量计读数优化研究：应对ICRU 95新操作量的挑战

针对ICRU 95新操作量转换中低能光子剂量读数不准的难题，泰国研究人员通过K-means聚类与随机森林回归(ML2)开发了两种机器学习模型。实验表明ML2在Qulxel/InLight/OSLN剂量计上的预测误差显著低于传统算法，尤其对Hp(10)向Hp的转换提升明显，为辐射防护领域提供了符合新标准的智能校准方案。

　　

在核电站、医疗机构等辐射工作场所，个人剂量监测是保障工作人员安全的关键防线。目前东南亚广泛使用的光激发光(OSL)剂量计，其读数准确性正面临国际辐射单位与测量委员会(ICRU)第95号报告带来的重大变革。该报告将沿用多年的个人剂量当量H_p(10)等传统量值，更新为H_p（个人剂量）、D_{local skin}（局部皮肤吸收剂量）等新操作量，这种转换在低能光子条件下尤为复杂。传统算法采用的简单平均或固定系数修正方法，已无法满足新标准下的精度要求，亟需开发更智能的剂量校准技术。

针对这一挑战，泰国原子能和平利用办公室次级标准剂量实验室(SSDL-OAP)联合泰国核技术研究所等机构的研究团队，在《Applied Radiation and Isotopes》发表了一项创新研究。他们利用Qulxel、InLight和OSLN三种主流剂量计的实测数据，开发了两种机器学习模型：基于K-means聚类与线性回归的ML1模型，以及采用随机森林回归的ML2模型。通过分析不同光子能量（从15keV至1.25MeV）、入射角度（0°-60°）和累积剂量条件下的响应特征，研究团队发现ML2模型能更精准预测新操作量下的剂量值，特别是在40-100keV能量区间，其读数误差比现有算法降低达35%。

关键技术方法包括：1）使用S-Cs束流品质作为参考源，系统测试剂量计在Narrow-series能谱和Cs-137γ射线下的响应；2）通过轮廓系数(Silhouette Score)和戴维森堡丁指数(DBI)评估聚类效果；3）采用平均绝对误差(MAE)和R²判定回归性能；4）严格遵循IEC 62387:2020标准解释预测结果。

【OSLD系统与剂量计组件】研究详细分析了三种剂量计的结构特点，均采用直径5mm、厚0.3mm的掺碳氧化铝(Al₂O₃:C)探测器，其中OSLN型还含有⁶Li₂CO₃涂层用于中子探测。四层滤光片的差异化设计为机器学习提供了特征提取基础。

【能量依赖性】数据显示在H_p(10)模式下，低能光子（<100keV）会导致R_Hp(10)响应值异常升高达4倍，这是因光电效应增强所致。ML2模型通过特征重要性分析，成功识别出滤光片透过率、能量沉积模式等关键影响因素。

【结论与意义】该研究证实机器学习能有效解决ICRU 95新老量值转换的难题。ML2模型在预测H_p时展现出显著优势，其采用的随机森林算法能自动捕捉非线性关系，这对未来15-20年的标准过渡期具有重要实践价值。研究不仅为个体监测服务实验室(IMS)提供了技术储备，也为TLD(热释光剂量计)等同类设备的智能校准开辟了新思路。团队特别指出，该方法的成功得益于泰国本土剂量计系统的完整表征数据，这为区域特异性辐射防护体系的建立提供了范本。