Peak-Based Nuclide Identification in HPGe $\gamma$-Spectrometry with Machine Learning and SHAP

Sintesi Tecnica: Miglioramento dell'Identificazione Nucleidica Basata sui Picchi nella Gamma-Spettrometria HPGe con Machine Learning e SHAP

Problematica
La gamma-spettrometria con germanio ad alta purezza (HPGe) è essenziale per l'analisi di campioni radioattivi complessi, in particolare nella medicina forense nucleare. Tuttavia, l'identificazione dei radionuclidi (Nuclide Identification o NID) nei loro spettri è un processo che richiede molto tempo, poiché necessita di analisti esperti che esaminino e rifittino manualmente i fotopicchi, spesso utilizzando software commerciali. Sebbene il software fornisca assistenza nella NID, gli analisti devono frequentemente emendare manualmente l'elenco dei nuclidi suggeriti, specialmente quando si tratta di picchi sovrapposti o combinazioni isotopiche complesse. Poiché il volume di campioni che richiedono analisi aumenta, la dipendenza dall'intervento manuale crea un collo di bottiglia per un processo decisionale tempestivo e accurato. La sfida consiste nell'automatizzare questo processo senza sacrificare il rigore fisico e il giudizio esperto attualmente integrati nel flusso di lavoro.

Metodologia
Gli autori hanno sviluppato e valutato modelli di apprendimento automatico supervisionato (ML) per mappare le aree dei fotopicchi accuratamente fittate da spettri HPGe verso i risultati NID per una libreria di 6 a 65 radioisotopi.

• Fonte dei Dati: Lo studio ha utilizzato circa 1.600 spettri gamma HPGe ben etichettati, raccolti presso il Pacific Northwest National Laboratory (PNNL) durante la ricerca e sviluppo in ambito forense nucleare. Questi spettri contenevano oltre 800 combinazioni isotopiche uniche. Un set di controllo (holdout set) di 123 spettri derivanti da lavori recenti è stato utilizzato per testare la generalizzabilità.
• Ingegneria delle Caratteristiche (Feature Engineering): I fotopicchi sono stati inizialmente localizzati e fittati utilizzando un software commerciale (Apex-Gamma) e successivamente revisionati e rifittati da analisti esperti. Per creare gli input del ML, le aree dei picchi sono state mappate su un vettore fisso di 359 voci corrispondenti alle energie di emissione gamma note dei 65 isotopi.
  • È stato applicato un metodo di riscalatura logaritmica (Eq. 1 e 2). Questo approccio si è rivelato superiore rispetto alla scalatura standard min-max o alla scalatura basata sull'efficienza, poiché ha compresso l'intervallo dinamico delle aree dei picchi preservando al contempo le relazioni relative, migliorando così la convergenza del modello e la stabilità computazionale.
• Architetture dei Modelli: Tre diverse architetture sono state addestrate e ottimizzate tramite ottimizzazione bayesiana:
  1. XGBoost (XGB): Extreme Gradient Boosted Decision Trees, selezionati per la loro attitudine con i dati tabulari.
  2. Reti Neurali Dense Multi-label (DNN): Progettate per apprendere schemi e correlazioni attraverso lo scenario multi-label.
  3. DNN di Rilevanza Binaria (BR): Un insieme di classificatori binari, uno per ogni nuclide target.
• Metriche di Valutazione: I modelli sono stati valutati utilizzando Recall, Precision e il punteggio F1 (media armonica tra precisione e recall) tramite cross-validazione a 5 pieghe (5-fold cross-validation).
• Spiegabilità: Le spiegazioni additive di Shapley (SHAP) sono state impiegate per interpretare le predizioni del modello. Nello specifico, è stato utilizzato Deep SHAP per le DNN e Tree SHAP per i modelli XGB per quantificare l'importanza di specifici fotopicchi nel guidare le predizioni.

Risultati Chiave

• Superiorità delle Prestazioni: Il modello XGBoost ha ottenuto le prestazioni più elevate, con un punteggio F1 di 0,967 sul set di test, superando la DNN multi-label (0,947) e la DNN a Rilevanza Binaria (0,952).
• Confronto con il Software Commerciale: Confrontati con Genie 2000 (un software spettroscopico commerciale standard) utilizzando una libreria di nuclidi identica di 65 isotopi, i modelli ML hanno superato significativamente il metodo tradizionale.
  • Sul set di test, Genie 2000 ha ottenuto un punteggio F1 di 0,839, mentre XGB ha ottenuto 0,967.
  • Sul set di controllo indipendente di 123 spettri, il miglior modello ML ha raggiunto un F1 di 0,92, rispetto allo 0,80 di Genie 2000.
  • Il driver principale di questo miglioramento è stato una drastica riduzione dei falsi positivi; i modelli ML erano meno inclini a sovrastimare la presenza di nuclidi rispetto ai metodi basati su template del software commerciale.
• Robustezza in Scenari Specifici: I modelli ML hanno dimostrato prestazioni superiori in scenari impegnativi, come l'identificazione di isotopi con raggi gamma vicini in energia ad altri (ad esempio, Cd-109 rispetto ai raggi X del Pb) o prodotti di decadimento a vita breve (ad esempio, Nb-97) dove il contesto dell'isotopo genitore è critico.
• Risultanze sulla Spiegabilità: L'analisi SHAP ha confermato che i modelli si affidano a caratteristiche fisicamente rilevanti:
  • Il fotopicco più forte per qualsiasi isotopo ha costantemente detenuto il valore SHAP più elevato.
  • I modelli hanno utilizzato con successo il contesto spettrale, come la presenza del picco di un isotopo genitore (ad esempio, Zr-97) per supportare l'identificazione di un prodotto di decadimento (ad esempio, Nb-97).
  • I modelli XGB tendevano a fare affidamento su un numero inferiore di caratteristiche con pesi più forti, mentre le DNN distribuivano l'importanza in modo più uniforme tra le caratteristiche.

Significatività e Rivendicazioni
Il documento afferma che i modelli di ML supervisionato, specificamente XGBoost, possono servire come uno strumento efficace e informato dagli esperti per migliorare l'elenco iniziale di radionuclidi suggeriti a un analista. Mappando i fotopicchi fittati ai risultati NID, questi modelli possono ridurre il carico di lavoro degli spettroscopisti fornendo una lista di candidati più ristretta, ma altamente accurata (con una recall quasi perfetta), guidando così in modo più efficace la successiva quantificazione.

Un contributo distinto di questo lavoro è l'applicazione di SHAP per spiegare l'importanza di specifici fotopicchi nella NID basata su ML. Gli autori sostengono che questa sia la prima pubblicazione che utilizza tali strumenti per dimostrare che i modelli di ML si affidano a fotopicchi fisicamente rilevanti e a contesti spettrali più ampi (come le relazioni genitore-figlio) piuttosto che a correlazioni spurie. Questa interpretabilità è cruciale per costruire fiducia nei sistemi automatizzati all'interno della comunità della medicina forense nucleare.

Lo studio conclude che, sebbene i modelli di ML eccellano nella NID, le loro prestazioni sono limitate dal supporto (frequenza) di specifici nuclidi nei dati di addestramento. Gli autori suggeriscono che i miglioramenti futuri potrebbero prevedere l'incorporazione di spettri sintetici ad alta fedeltà per generalizzare meglio per gli isotopi rari, ma sostengono che l'approccio attuale offra già un significativo avanzamento rispetto ai metodi tradizionali di NID basati su software.