• 대한방사선치료학회지
• /
• 제33권
• /
• pp.127-135
• /
• 2021

목 적 : 비인두암 VMAT 치료 시 콜리메이터 각도 273°와 350°를 사용한 2회전 치료계획(Vertical MLC VMAT plan, 이하 VMV plan)과 콜리메이터 각도 20°와 340°를 사용한 2회전 치료계획(Complemental MLC VMAT plan, 이하 CMV plan)과의 비교 분석을 통해 유용성을 평가해 보고자 한다. 대상 및 방법 : 본원에서 VMAT 치료를 받은 비인두암 환자 30명을 대상으로 하였다. 전산화치료계획은 Eclipse, PO, AcurosXB 알고리즘을 이용하였으며, 치료기는 Vital-beam을 사용하였다. 치료계획은 갠트리 회전반경이 각각 360°인 두 개의 회전(Arc)을 6MV를 이용하여 생성하고, 콜리메이터 각도 변화에 의한 영향을 확인하기 위해 273°와 350°로 설정한 VMV plan과 20°와 340°로 설정한 CMV plan을 수립하였다. 선량용적 히스토그램에서 확인 및 산출된 계획표적용적(PTV)과 결정장기(OAR)들의 선량지표들과 변조복잡성지수(MCSv), MU, 치료시간에 대해 기술통계 및 대응표본 t-검정을 실시하였다. 그리고 대상별로 두 치료계획의 MCSv의 차이와 각각의 평가지표들의 차이 간 상관관계가 있는지 확인하기 위해 피어슨의 상관관계 분석을 실시하였다. 결 과 : PTV 평가 지표의 경우, VMV Plan에서 PTV_67.5의 CI가 3.76% 개선되었으며, OAR의 경우 척수(-14.05%)와 뇌 줄기(-9.34%)의 선량감소 효과가 두드러지게 나타났다. 그리고 귀밑샘들(왼쪽 : -5.38%, 오른쪽 : -5.97%)과, 시각기관들(왼쪽 시신경 : -4.88%, 오른쪽 시신경 : -5.80%, 시신경교차 : -6.12%, 왼쪽 수정체 : -6.12%, 오른쪽 수정체 : -5.26%), 청각기관(왼쪽 : -11.74%, 오른쪽 : -12.31%)과 갑상샘(-2.02%)에서의 선량감소효과도 확인할 수가 있었다. 또한 MCSv가 VMV Plan에서 5.31% 높게 나왔으며, MU의 경우에 6.11% 낮은 것으로 나타났다. 그리고 두 치료계획의 MCSv의 차이는 PTV_54의 CI(r=-0.55)의 차이, PTV_48의 CI(r=-0.43)의 차이와 유의한 음(-)의 상관관계를 보였고, 척수(r=0.40), 뇌줄기(r=0.34), 양쪽 침샘들(왼쪽 : r=0.36, 오른쪽 : r=0.37)의 차이와 양(+)의 상관관계를 보였다. 이는 VMV plan의 moluation 복잡성이 CMV plan에 비해 상대적으로 높아 질 때, PTV_54, 48의 CI 개선 및 척수, 뇌줄기, 양쪽침샘들의 선량 감소 효과가 커지는 것을 의미하며, 이러한 분석결과들을 바탕으로 VMV plan의 modulation에 대한 효율성이 CMV plan 보다 크다는 것을 확인할 수 있었다. (위 모든 값에 대해 유의수준은 p<.05) 결 론 : VMV Plan은 CMV plan과 비교하여 MLC가 더 효율적으로 modulation할 수 있도록 함으로써, 치료계획의 질을 향상 시키는데 도움이 될 것이라 사료된다.

• 지능정보연구
• /
• 제18권3호
• /
• pp.79-96
• /
• 2012

기술의 발전과 융합이 빠르게 이루어지고 있는 오늘날 유망기술을 어떻게 파악하여, 다양한 후보군들 중에서 최적의 R&D 대상을 어떻게 선정할 것인가에 대한 문제는 주요한 경영의사결정문제 중 하나로 부상하고 있다. 본 연구에서는 이러한 R&D 기술 선정 의사결정을 지원할 수 있는 새로운 지능형 의사결정지원시스템을 제안한다. 본 연구의 의사결정지원시스템은 크게 3가지 모듈로 구성되는데, 우선 첫 번째 모듈인 '기술가치 평가' 모듈에서는 기업이 관심을 갖고 있는 분야의 특허들을 분석하여 유망기술 파악에 요구되는 다양한 차원의 기술가치 평가지수 값들을 산출하는 작업이 이루어진다. 이를 통해, 현재 시점에서의 각 기술의 가치가 다양한 차원에서 평가가 이루어지고 나면, 두 번째 모듈인 '미래기술가치 예측' 모듈에서 이들의 시간 흐름에 따른 변화를 학습한 인공지능 모형을 토대로 각 후보기술들이 미래 시점에 어떤 가치지수값을 갖게 될 것인지 예측값을 산출하게 된다. 마지막 세 번째 모듈인 '최적 R&D 대상기술 선정 지원' 모듈에서는 앞서 두 번째 모듈에서 산출된 각 차원별 예상 가치지수값들을 적절히 가중합하여 기술의 종합적인 미래가치 예측값을 산출하여 의사결정자에게 제공하는 기능을 수행한다. 이를 통해 의사결정자가 자사에 적합한 최적의 R&D 대상기술을 선정할 수 있도록 하였다. 본 연구에서는 제안된 시스템의 적용 가능성을 검증하기 위해, 10년치 특허데이터에 인공신경망 기법을 적용하여 실제 기술가치 예측모형을 구축해 보고, 그 효과를 살펴본다.