国重室孙亮副教授课题组在复杂电离辐射场下基于神经网络技术的微剂量学核心指标预测模型构建方面取得新进展，相关成果以“The Application of Neural Network Technology Based on Mea-Bp Algorithm in the Prediction of Microdosimetric qualities”为题发表在Radiation Protection Dosimetry杂志上。论文链接：https://doi.org/10.1093/rpd/ncac062。

电离辐射的重要特点之一就是它与物质相互作用的非连续特性。辐射生物效应起源于能量沉积的物理过程。要深入探究辐射诱导的生物效应，离不开对微观能量沉积模式的充分表征。从物理角度，辐射能量沉积过程在本质上可视为一系列离散和随机的事件。微剂量学以微观体积内能量沉积的统计波动和歧离为基础建立体系，并提出如授予能 、线能 、比能 等随机量，这些指标的分布及均值已广泛用于实践。

当前，辐射防护和放射治疗实践中主要面临混合辐射场内复杂能谱下不同直径微观体积中y*D或yD的确定问题，这些指标在本质上就是辐射线质分布的表征，在快速、准确定值方面遇到的困难包括：在性质层面，入射辐射在物质中产生的径迹包含大量结构性信息，既复杂又量大；在技术和实现层面，以往直接构建模型的经验表明，如线性/非线性回归、矩阵特征提取等常规数据处理方法对海量径迹数据时显得力不从心，有价值信息未得充分利用。

课题组针对这些亟待解决的问题，应用神经网络技术，充分挖掘复杂辐射场下的信息，获取表征y*D或yD有价值的规律，并通过信息综合、识别、聚类和寻优对内在规律进行解释和反馈。而且，经过训练生成的神经网络模型可以在补充新知识、新经验（即新数据）的条件下获得进一步的生长和优化，从而在理论上构建 y*D或yD的确定方法和实用模型，为进一步开展不同辐射照射条件下剂量-效应关系模型研究铺垫技术基础。

课题组基于已获得的液态水中不同能量低能电子（0.1 keV-10 keV）在不同位点直径（1 nm-2000 nm）下的和数据库，提出利用MEA优化的BP神经网络进行y^-_F和y^-_D预测模型构建的方法，并对该模型对单能电子和谱分布电子的预测效果进行评估。图1示出了微剂量学指标与前人结果的比对；图2示出了神经网络预测误差。

图1 本研究获得的微剂量学指标与前人结果的对比

图2 本研究神经网络预计误差

目前的结果表明，MEA-BP神经网络算法构建的y^-_F和y^-_D预测模型的训练精度可达到10^-8（以均方误差为指标)，模型验证预测结果与蒙特卡罗计算结果的相对误差范围为0.03%-5.98%（其中对于单能电子误差范围为0.1%-5.98%，谱分布电子的预测误差范围为0.03%-4.4%），具有较好的预测精度，可以应用于实践。

该论文第一作者为18新利体育 2019级硕士研究生高宇楠，放射医学与辐射防护国家重点实验室孙亮副教授为该论文的通讯作者，18新利体育 为本论文第一单位。该工作得到国家自然科学基金、国家核能开发项目等项目的共同资助。