Page 92 - 《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

预测性能会严重下降，需要重新训练。 Conference on Quality, Reliability, Risk, Maintenance,
针对以上局限，未来研究将着力于开展多中心、 and Safety Engineering (QR2MSE). Chengdu, China,
2013: 1793-1799.
多品牌的数据验证，以检验研究发现的关键特征是
[7] 唐梅, 刘红. CT设备维修管理的主要方法探讨[J]. 中国
否具有跨品牌的一致性，并构建更具有泛化能力的 医疗器械信息, 2025, 31(6): 153-155.
模型。同时将探索迁移学习技术，将当前模型作为 [8] 李东, 吴萍, 张文龙, 等. CT在使用前期阶段的可靠性数
预训练模型，在其他品牌的小规模数据上进行微 据分析[J]. 中国医疗设备, 2024, 39(12): 8-11,21.
[9] 徐志扬, 杨玉志, 陈健, 等. 基于真实世界数据多维度评
调，以探索模型的快速泛化能力。在未来积累足够
估CT设备应用价值的研究[J]. 中国医学装备, 2024,
多的球管全生命周期数据后，尝试使用深度学习模 21(8): 13-17.
型来解决更精细的回归预测问题，实现球管剩余寿 [10] 杨升富, 张桂平, 王丽娇, 等. CT常见故障数据分析与预
命的精准预测。 防性维护[J]. 北京生物医学工程, 2022, 41(5): 521-525.
[11] HUANG G D, LUO Z W, XIAO X L, et al. An ARMA-
4 结论 based model of predictive maintenance for medical
equipment suppliers[C]//The International Conference on
本研究提出并验证了一种数据驱动的方法，在 Smart Manufacturing, Industrial & Logistics Engineering
缺乏数据的情况下，通过将回归问题重构为生命周 (SMILE). Singapore: Springer, 2024: 773-780.
[12] ZHOU J H, YANG J H, QIAN Q, et al. A comprehensive
期阶段分类问题，有效联通了长期粗糙数据、短期 survey of machine remaining useful life prediction
高精度数据和运营日志数据，证明了日常工作数据 approaches based on pattern recognition: taxonomy and
中蕴含的长期可靠性的强大预测信号。本研究的核 challenges[J]. Meas Sci Technol, 2024, 35: 062001.
心贡献在于证明了即使仅依赖短期的运营数据，依 [13] 李玉峰, 高翔, 闫亭亭, 等. 基于可靠性的CT影像设备保
养策略研究[J]. 医院管理论坛, 2021, 38(8): 71-74.
然可以提取出关于设备长期可靠性的预测信号。在
[14] 杨涛. CT设备中球管维护及检测分析研究[J]. 中国医疗
机器学习模型中，随机森林模型表现尤为突出，五 器械信息, 2022, 28(24): 173-175.
折交叉验证准确率达到89.2%，其特征重要性分析 [15] 樊立天, 凌庆庆, 王浩文, 等. 可靠性分析方法在医疗设
也符合球管的物理退化规律。本研究不仅为医疗设 备运维管理中的应用研究综述[J]. 中国医疗设备, 2022,
37(7): 148-151,165.
备管理者提供了一种低成本、高价值的决策支持手
[16] CHEN Z, LIU Y D, QIN Z B, et al. Dual-branch deep
段，也为数据科学在解决真实世界数据量不足的问 learning with dynamic stage detection for CT tube life
题方面提供了一个范例。 prediction[J]. Sensors (Basel), 2025, 25(15): 4790.
[17] WIEGREBE S, KOPPER P, SONABEND R, et al. Deep
learning for survival analysis: a review[J]. Artif Intell
参考文献
[1] 龚海华. 采用液态金属轴承的CT球管实用化研究[D]. Rev, 2024, 57(3): 65.
成都: 电子科技大学, 2025. [18] AL-REFAIE A, AL-ATRASH M, MELHEM A, et al.
[2] 张海洋, 季智勇, 姜瑞瑶. CT设备关键部件——球管的 Web-based maintenance prediction of machine conditions
新技术进展[J]. 中国医疗器械杂志, 2025, 49(4): 383- and failure modes using machine learning[J]. J Adv
388. Manuf Syst, 2025, 24(2): 359-383.
[3] BEHLING R. Diagnostic X-ray sources from the [19] ERDI Y E. Computed tomography X-ray tube life
inside[M]. Boca Raton: CRC Press, 2021. analysis: a multiyear study[J]. Radiol Technol, 2013,
[4] ZAMZAM A H, AL-ANI A K I, WAHAB A K A, et al. 84(6): 567-570.
Prioritisation assessment and robust predictive system for [20] SAHU A R, PALEI S K, MISHRA A. Data-driven fault
medical equipment: a comprehensive strategic diagnosis approaches for industrial equipment: a
maintenance management[J]. Front Public Health, 2021, review[J]. Expert Syst, 2024, 41(2): e13360.
9: 782203. [21] 周昊鹏, 唐宇瑶, 王常玺, 等. 距离自注意力与长短期记
[5] 廖伟光, 刘松峰, 孙波, 等. 基于真实动态数据的大型医 忆模型预测CT设备X线管打火[J]. 中国医学影像技术,
疗设备合理配置决策系统开发及应用[J]. 现代仪器与 2025, 41(4): 659-665.
医疗, 2024, 30(5): 40-45. [22] ZHONG J, ZHANG H, LIU Q L, et al. Prognosis for
[6] ZHANG L L, LIU Z L, LUO D S, et al. Review of filament degradation of X-ray tubes based on IoMT time
remaining useful life prediction using support vector series data[J]. IEEE Internet Things J, 2025, 12(7): 8084-
machine for engineering assets[C]// 2013 International 8094.

206