人工智能驱动的辐射生物剂量学进展

《Mutation Research - Genetic Toxicology and Environmental Mutagenesis》：Artificial Intelligence-Driven Advancements in Radiation Biodosimetry

　　

• •
  人工智能实现了辐射诱导细胞遗传学生物标志物的自动化分析。
• •
  深度学习加速了双着丝粒染色体、γ-H2AX 灶、微核和染色体易位的检测。
• •
  人工智能提高了辐射生物剂量测定分析的准确性、通量和可重复性。
• •
  人工智能辅助生物剂量测定支持快速辐射剂量估算，用于急诊分诊和临床决策。

章节摘要

传统生物剂量测定分析及其在人工工作流程中的局限性

辐射紧急情况，无论是由核电站事故、辐射恐怖主义还是工业意外引发，在医疗响应和公共安全方面都带来了复杂的挑战。快速准确的辐射剂量评估对于有效的分诊、医疗干预和长期健康监测至关重要。在没有大量医疗救治的情况下，致命的全身体积暴露水平（如 LD50/60 阈值约为 3.5–4 Gy），突显了

人工智能在生物剂量测定中的挑战与局限性

人工智能在生物剂量测定中的应用展现了变革潜力；然而，将其整合到临床和应急辐射响应中并非没有挑战。表 2 总结了选定的研究及其报告的 AI 辅助生物剂量测定模型的数据集特征和性能指标。表 3 强调了应用于生物剂量测定的关键人工智能技术、其主要功能、工具和报告的成果。图 4 提供了从传统到

未来方向与研究重点

人工智能已从概念验证技术发展成为辐射生物剂量测定的新兴组成部分。尽管如此，在人工智能辅助生物剂量测定能够常规应用于研究实验室和应急响应计划之前，必须解决若干科学、技术和监管挑战。

最高优先级之一是开发大型、标准化、多中心图像库，用于训练和验证人工智能算法。大多数模型

CRediT 作者贡献声明

Martinez-Lopez Wilner：写作 – 审阅与编辑，验证，资源，数据整理。Prathaban Karthik：写作 – 审阅与编辑，写作 – 原稿，方法论，形式分析，概念构思。Hande Manoor Prakash：写作 – 审阅与编辑，写作 – 原稿，监督，资源，调查，数据整理，概念构思。

写作过程中生成式人工智能和人工智能辅助技术的声明

使用了人工智能辅助（ChatGPT, OpenAI）来润色语言、提高清晰度并协助组织稿件结构。所有科学内容、解释和结论均由作者产生，作者对本工作的准确性和完整性承担全部责任。

利益冲突声明

作者声明以下财务利益/个人关系，这些可能被视为潜在的利益冲突：Manoor Prakash Hande 担任《突变研究 – 遗传毒理学与环境诱变》期刊虚拟特辑“印度遗传毒理学与环境诱变”的客座编辑。为避免任何潜在的利益冲突，他未参与编辑处理、审稿人选择、同行评审过程或决策

致谢

本工作的初步成果于 2024 年 9 月在日本弘前举行的 EPR Biodose 2024 会议“剂量测定和谐：编排技术的统一性”上进行了展示。感谢乌拉圭蒙得维的亚 Clemente Estable 生物研究所的 Burix Mechoso 博士提供 PCC 图像。

作者贡献：概念构思 – KP, MPH；监督 – MPH 和 WM-L；方法论：KP 和 MPH；资源 – MPH 和 WM-L；写作（原稿）：KP；写作 - 审阅和编辑：

Karthik PRATHABAN|Wilner MARTINEZ-LOPEZ|Manoor Prakash HANDE