• 핵의학기술
• /
• 제14권2호
• /
• pp.203-207
• /
• 2010

B형 간염은 B형 간염 바이러스(Hepatitis B virus ; HBV)에 의해 일어나는 감염으로 B형 간염 검사는 현재 여러 가지 검사 방법과 여러 종류의 Kit, 장비로 시행되고 있는데, 이에 따라 검사 결과간의 차이가 있을 수 있다. 이러한 차이를 관리하기 위해서는 특정 표준물질을 이용하여 검사시약, 검사 시스템의 성능을 평가하는 과정이 필요하다. 본 연구는 B형 간염 검사 국가 표준물질을 이용하여 여러 다른 검사법 시약과 비교 실험을 통해 본원 핵의학과에서 사용하고 있는 RIA법 시약이 동일한 결과로 정확하게 수행되고 있는지를 알아보는데 있다. 실험에 사용된 B형 간염 검사에 대한 식품의약품안전평가원의 생물의약품 국가 표준물질은 총 5가지로 항원물질 4가지와 항체물질 1가지로 구성 되어 있다. "B형 간염 바이러스표면 항원(혼합농도패널)", "B형 간염 바이러스 표면 항원(저농도 패널)", "B형 간염 바이러스 표면 항원 86.76 IU/vial", "B형 간염 사람 면역글로불린 95.45 IU/vial", "B형 간염 바이러스 표면 항원 표준물질 0.02~11.52 IU/mL"이며, 이를 본원에서 사용하고 있는 A사, B사 두 종류의 시약으로 각각 검사 방법에 따라 실험하였다. 보다 정확한 결과를 산출하기 위해 위의 모든 실험은 반복 측정하였다. "B형 간염 바이러스 표면 항원 (혼합농도패널)"은 S/CO단위를 기준으로 RIA법을 EIA 3가지 시약, CIA 2가지 시약과 비교한 일치율이 A사는 94.4%(17/18), 83.3%(15/18), B사는 88.9%(16/18), 77.8%(14/18)였다. "B형 간염 바이러스 표면 항원 (저농도 패널)" 의 결과 EIA 2가지 시약은 7개, CIA 3가지 시약은 11개가 양성 결과를 보였고 RIA법 A사는 3개, B사는 2개가 양성 결과를 보였다. 희석검사를 시행한 "B형 간염 바이러스 표면 항원 86.76 IU/vial"에서는 A사 시약은 600배(0.14 IU/mL), B사 시약은 300배(0.29 IU/mL)까지 양성 결과를 나타냈다. "B형 간염 사람 면역글로불린 95.45 IU/vial"의 경우에서는 A사 Kit는 10,000배(9.5 mIU/mL), B사 Kit는 4,000배(24 mIU/mL)까지 양성 결과를 보였다. "B형 간염 바이러스 표면 항원 표준물질 0.02~11.52 IU/mL"에 대한 실험 결과A사 시약은 0.38 IU/mL, B사 시약은 2.23 IU/mL 농도까지 검출하여 그 이상의 농도에서 양성 결과를 나타냈다. B형 간염 검사에 대해 국가 표준물질을 통해 비교해 보았을 때 여러가지 검사법 시약과 RIA 법 시약의 결과값 경향이 동일한 성향으로 나타나고 있으며, B형 간염 항원, 항체에 대한 역가 시험의 부분에 있어서도 항원은 최대 600배(0.14 IU/mL), 항체는 최대 10,000배(9.5 mIU/mL)까지 양성 결과를 얻을 수 있었다. 따라서 본원 핵의학과에서 시행 하고 있는 RIA 방법을 통한 B형 간염 검사의 검사시약과 검사시스템은 원활한 성능으로 정확한 결과보고가 수행되고 있다고 판단된다. 하지만 저농도 패널에서 다른 검사법 시약과의 낮은 일치율은 위양성과 민감도의 측면에서 해결되어야 할 숙제로 보이며, 또한 동일한 RIA 방법 일지라도 Kit간 민감도와 특이도의 격차는 계속해서 연구되고 개발 되어야 할 것으로 사료된다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.167-181
• /
• 2018

지난 10여 년간 딥러닝(Deep Learning)은 다양한 기계학습 알고리즘 중에서 많은 주목을 받아 왔다. 특히 이미지를 인식하고 분류하는데 효과적인 알고리즘으로 알려져 있는 합성곱 신경망(Convolutional Neural Network, CNN)은 여러 분야의 분류 및 예측 문제에 널리 응용되고 있다. 본 연구에서는 기계학습 연구에서 가장 어려운 예측 문제 중 하나인 주식시장 예측에 합성곱 신경망을 적용하고자 한다. 구체적으로 본 연구에서는 그래프를 입력값으로 사용하여 주식시장의 방향(상승 또는 하락)을 예측하는 이진분류기로써 합성곱 신경망을 적용하였다. 이는 그래프를 보고 주가지수가 오를 것인지 내릴 것인지에 대해 경향을 예측하는 이른바 기술적 분석가를 모방하는 기계학습 알고리즘을 개발하는 과제라 할 수 있다. 본 연구는 크게 다음의 네 단계로 수행된다. 첫 번째 단계에서는 데이터 세트를 5일 단위로 나눈다. 두 번째 단계에서는 5일 단위로 나눈 데이터에 대하여 그래프를 만든다. 세 번째 단계에서는 이전 단계에서 생성된 그래프를 사용하여 학습용과 검증용 데이터 세트를 나누고 합성곱 신경망 분류기를 학습시킨다. 네 번째 단계에서는 검증용 데이터 세트를 사용하여 다른 분류 모형들과 성과를 비교한다. 제안한 모델의 유효성을 검증하기 위해 2009년 1월부터 2017년 2월까지의 약 8년간의 KOSPI200 데이터 2,026건의 실험 데이터를 사용하였다. 실험 데이터 세트는 CCI, 모멘텀, ROC 등 한국 주식시장에서 사용하는 대표적인 기술지표 12개로 구성되었다. 결과적으로 실험 데이터 세트에 합성곱 신경망 알고리즘을 적용하였을 때 로지스틱회귀모형, 단일계층신경망, SVM과 비교하여 제안모형인 CNN이 통계적으로 유의한 수준의 예측 정확도를 나타냈다.