Page 91 - 《中国医疗器械杂志》2026年第2期

Chinese Journal of Medical Instrumentation 2026年 第50卷 第2期

临 床 医 学 工 程

表2 模型性能对比
Tab.2 Comparison of model performance
模型名称 CV准确率 CV F 1 值 准确率 精确率 召回率 F 1 值
GradientBoost 0.848 0.847 0.795 0.817 0.809 0.809
RandomForest 0.892 0.892 0.809 0.814 0.809 0.811
SVM 0.250 0.100 0.814 0.817 0.814 0.814
KNN 0.441 0.372 0.797 0.801 0.797 0.797
RidgeClassifier 0.294 0.272 0.638 0.696 0.638 0.581
LogisticRegression 0.338 0.296 0.805 0.810 0.805 0.805
从交叉验证结果来看，随机森林模型表现最 光秒数作为更可靠的球管寿命度量指标，符合球管
佳，测试集准确率高达89.2%，显示出强大的泛化 以热量累积为主要损耗机制的物理事实。机器学习
能力。梯度提升也取得了84.8%的优异成绩，表明 模型的应用揭示CT球管的使用寿命并非一个随机
数据中的某些关系是线性可分的，集成树模型的非 的、仅与设备质量相关的过程，而是与其日常使用
线性模型能够有效捕捉工作负荷特征与球管生命周 中的工作负荷高度相关。模型最终评价指标足够
期阶段之间的复杂关系。相比之下，线性模型和基 高，是因为模型有效捕获了15个工作负荷特征与
于距离度量的模型表现相对较差，进一步佐证了球 CT球管使用前期到后期的非线性关系，结果证
管的退化过程不是一个简单的线性累积，而是涉及 明，在没有长期连续监测数据的情况下，短期详细
多个工作负荷因素之间的复杂非线性交互过程。 的数据依然可以包含丰富的预测信息。
2.2 工作负荷特征的重要性 本研究的核心贡献在于，与目前许多采用深度
研究基于随机森林模型内置的基尼不纯度 学习模型进行剩余寿命精准预测的研究相比，该类
（Gini impurity）减少量来计算特征重要性，该方法 方法虽具有预测精准度高的优势，但严重依赖全生
通过统计每个特征在所有决策树节点分裂时带来的 命周期的连续、高维监测数据。然而，在临床实际
不纯度减少总量，量化其对分类结果的贡献度，排 应用中，很难获取此类完整数据。本研究使用的样
序结果如图3所示。从重要性分布可以看出，老化 本量小，难以支持深度学习模型训练，强行进行回
指标与累计负荷指标对模型影响最大，可以验证模 归预测易导致过拟合。
型学习到的规律符合CT球管热损伤和材料疲劳的 本研究提出的方法具有显著的临床转化与运营
物理学原理。通过识别高重要性特征，可以确定工 转化潜力，临床工程师可以利用该模型，通过分析
程师巡检的重点监测对象，以简化运维监控维度。 近期的设备运行日志，对每台CT球管的健康状况

能耗老化指标 0.2245 进行分级预测，对预测周期为末期的球管，可以提

扫描老化指标 0.1831 前安排备件采购和维护计划，降低计划外停机风
时间老化指标 0.1732
累计使用天数 0.1177 险。通过对未来一段时间需要更换的球管数量的预

特征名称 累计能量消耗 0.0426 测，医院可以制定更精准的资本预算规划。放射科
0.0620
累计扫描次数

累计曝光时间

0.0413
使用强度变化率 0.0223 室进行排班时，可以适当减少对末期球管的扫描任
日均扫描强度 0.0179 务，以减少球管损耗，延长CT设备群的寿命。
近期热变化_均值 0.0119
本研究虽然取得了一定成果，但仍然存在一些
0 0.05 0.10 0.15 0.20 0.25
特征重要性分数 局限性。一是模型的普适性，研究数据仅来自单一
图3 特征重要性前十排名 医院同一品牌5台CT设备，虽然选取了不同科室的
Fig.3 Top10 feature importance ranking
设备来增加场景多样性，但仍然无法代表所有情
3 讨论 况。不同制造商的CT设备在硬件设计、扫描逻辑
和热管理上存在显著差异，这些因素决定了不同
本研究成功验证了一种在真实世界数据条件 CT设备的球管的疲劳模式不同。因此，研究选择
下，即缺乏全生命周期连续监测数据的情况下，利 的特征重要性排序可能无法直接推广到其他品牌。
用短期工作数据来预测CT球管长期可靠性状态的 二是研究使用短期工作数据代替了设备长期的使用
可行方法。研究采用Kaplan-Meier方法确定了总曝 模式，本方法在医院业务模式发生重大变化时模型

205