基于目标曝光指标预测胸部数字化 X 线摄影合适 mAs 的人工智能模型：开拓精准影像新征程

在数字化 X 线摄影（DR）中，确定合适曝光参数困难，易导致患者过度或曝光不足。研究人员开展利用机器学习（ML）模型预测胸部 DR 合适 mAs 的研究。结果显示，人工神经网络（ANN）模型表现最佳，能有效减少曝光异常情况，对优化曝光参数意义重大。

　　在医疗影像领域，胸部 X 线摄影是极为常见的检查手段，就像医生的 “火眼金睛”，帮助他们发现肺部疾病、心脏问题等多种健康隐患。然而，获取一张优质的胸部 X 线影像并非易事。在数字化 X 线摄影（Digital Radiography，DR）过程中，图像质量会受到多种因素的协同影响，诸如针对不同解剖结构的检查方式、曝光参数（千伏峰值 kVp 和毫安秒 mAs）、患者的身体参数（身高、体重、体重身高比 W/H、身体质量指数 BMI、胸部厚度 T）、探测器类型以及设备厂商和系统等。当前，虽然数字放射成像系统配备了平板探测器（Flat Panel Detectors，FPDs）和自动曝光控制（Automatic Exposure Control，AEC）功能，但实际操作中，要在拍摄前精准估算出既能保证图像质量又不会让患者遭受过度或不足辐射的曝光参数，仍然是个棘手难题。临床实践里，AEC 虽能在一定程度上避免过度曝光，但遇到患者身体较厚部位紧邻探测器等特殊情况时，反而可能增加患者的辐射剂量。此外，曝光参数中的 kVp 和 mAs 分别与图像对比度和信噪比密切相关，在胸部 X 线摄影中，kVp 通常保持恒定，mAs 成为影响图像质量的关键因素。可由于影响因素众多，在拍摄前确定合适的 mAs 极为困难，现有研究也未能很好地解决这一问题。因此，建立一个能够预测合适 mAs 的模型，对提升胸部 X 线摄影的准确性和安全性、优化图像质量、减少患者不必要的辐射暴露意义重大。

为了攻克这一难题，来自高雄医学大学、高雄武装部队总医院、奇美医学中心等机构的研究人员展开了深入研究。他们旨在利用机器学习（Machine Learning，ML）技术，结合特定身体参数和曝光指标，构建一个能预测胸部 X 线摄影合适 mAs 的人工智能模型。最终研究表明，基于 ML 的方法构建该预测模型是可行的，其中人工神经网络（Artificial Neural Network，ANN）模型在预测 mAs 值方面表现最为出色，能有效减少过度曝光和曝光不足的情况，为胸部数字化 X 线摄影曝光参数的优化提供了可靠的技术支持。这一研究成果发表在《Scientific Reports》上，为相关领域带来了新的突破和希望。

研究人员在此次研究中运用了多个关键技术方法。首先，通过使用拟人化胸部模型进行实验，获取多次曝光后的平均达到曝光（Reached Exposure，REX）值，以此确定胸部 X 线摄影的目标曝光指标。在人体研究方面，招募了 1000 名受试者，利用非接触式红外传感器精确测量胸部厚度，并记录身高、体重等其他身体参数，同时获取 mAs 和 REX 值。之后，运用半随机选择法将数据集分为训练集（80%）和测试集（20%） ，训练包括 ANN、支持向量机（Support Vector Machine，SVM）等在内的 5 种 ML 模型，并通过 10 折交叉验证来评估模型性能。

下面来看具体的研究结果：

1. 确定目标曝光指标：通过对拟人化胸部模型的多次曝光扫描，得到平均 REX 值为 355.6，将其作为本研究的目标曝光指标。
2. 模型性能评估：构建 5 种 ML 模型预测 mAs，结果显示 ANN、集成学习（Bagging，BAG）和随机森林（Random Forest，RF）模型较为适合预测 mAs，其中 ElmanNet 型 ANN 模型表现最佳。在训练集和测试集中，其相关系数分别为 0.915±0.003 和 0.906±0.003，R²值分别为 0.838±0.006 和 0.820±0.003 ，均方根误差（Root Mean Square Error，RMSE）分别为 0.177±0.003 和 0.187±0.002 ，平均绝对误差（Mean Absolute Error，MAE）分别为 0.336±0.004 和 0.352±0.005。特征重要性分析表明，REX 和性别是预测 mAs 的两个最重要特征，而 W/H 的影响最小。
3. 预测 mAs 值与 AEC 的比较：使用 ANN 模型结合目标曝光指标（REX = 355.6）预测 mAs 值，结果显示所有患者预测的 mAs 值均显著低于 AEC 确定的值。在过度曝光组（REX>355.6），预测的 mAs 值比 AEC 确定的值低约 10%；在曝光不足组（REX<355.6），预测的 mAs 值比 AEC 确定的值高约 8%。这表明 ANN 模型能根据目标曝光指标，有效调整不同曝光情况下的 mAs 值。
4. 不同目标 REX 值下的辐射剂量变化：研究进一步比较了不同目标 REX 值下预测 mAs 与 AEC 确定 mAs 的辐射剂量差异。结果显示，降低目标 REX 值，过度曝光组的辐射剂量减少；增加目标 REX 值，曝光不足组的辐射剂量增加。总体而言，随着目标 REX 值的变化，预测模型能相应调整辐射剂量，在不同情况下实现辐射剂量的优化。

研究结论和讨论部分指出，本研究首次运用 ML 方法构建了基于目标曝光指标预测胸部 X 线摄影合适 mAs 的人工智能模型。研究结果表明该方法可行，ANN 模型在预测 mAs 值方面表现优异，能有效减少过度曝光和曝光不足的情况。不过，该研究也存在一定局限性，比如模型仅适用于当前的数字放射成像系统，且依赖特定的曝光指标 REX 值，研究对象中男性居多，样本年龄相对年轻且肥胖患者较少，模型也不适用于儿科患者等。尽管如此，这一研究成果仍具有重要意义，它为临床胸部 X 线摄影提供了一种新的 mAs 预测方法，有助于优化辐射剂量，提高图像质量，为未来相关研究和临床实践奠定了基础，也为解决其他类似的医学影像曝光参数优化问题提供了新的思路和方向。