Earticle

간세포암 환자에서 TACE 치료 반응은 환자의 개별적인 특성에 따라 달라지므로, 치료 효과를 정확히 예측하는 것은 여전히 중요한 도전 과제로 남아 있다. 이에 본 연구에서는 다양한 머신러닝 알고리즘(Logistic Regression, Linear Support Vector Machine, Random Forest, XGBoost)을 활용하여 TACE 치료 반응을 예측하는 모델을 개발하고, 이들의 성능을 비교하여 가장 우수한 모델을 도출하고자 하였다. 나이, 성별, BMI, 간염 바이러스, 간경변증, 문맥 고혈 압, 생체표지자, CBCT, DAP을 독립변수로, 치료 완전반응을 종속변수로 설정하여 예측 모델을 개발하였다. 성능 평가 결과, 선형 모델 중에서는 Logistic Regression이 가장 높은 성능을 보였으며, 비선형 모델에서는 Random Forest가 재현율(82.12%)에서 높은 값을 나타냈다. 그러나 XGBoost는 정확도(78.57%), 정밀도(81.43%), F1 점수(81.71%)에서 더 높은 성능을 보여 종합적으로 가장 우수한 예측력을 보였다. 이러한 결과는 XGBoost 모델이 복잡한 임상 데이터를 효과적으로 처리할 수 있으며, 향후 TACE 치료 계획 수립에 유용하게 활용될 것으로 사료된다.

Treatment response to TACE (Transarterial chemoembolization) in patients with HCC (Hepatocellular carcinoma) varies depending on individual patient variables, making accurate prediction of treatment outcomes a significant challenge. Therefore, this study aimed to develop Prediction models for treatment response using various machine learning algorithms, including Logistic Regression, Linear Support Vector Machine, Random Forest, and XGBoost, and to compare their performance to identify the most effective model. The Prediction models were developed using independent variables such as age, sex, BMI (Body Mass Index), hepatitis virus, liver cirrhosis, portal hypertension, biomarker, CBCT (Cone Beam Computed Tomography), and DAP (Dose Area Product), with complete treatment response set as the dependent variable. Performance evaluation showed that Logistic Regression had the highest performance among linear models, while Random Forest demonstrated superior recall (82.12%) among nonlinear models. However, XGBoost outperformed other models in terms of accuracy (78.57%), precision (81.43%), and F1 score (81.71%), demonstrating the best overall predictive performance. These results suggest that the XGBoost model can effectively handle complex clinical data and may be useful in supporting future TACE treatment planning.

본 연구는 방사선학과 재학생을 대상으로 법의방사선학에 대한 인식과 교육 요구도를 조사하여 관련 교육과정 개설의 필요성을 검토하고자 한다. 법의방사선학은 법의학과 방사선학이 결합된 학문으로, 사망 원인 분석 및 신원 확인 등에 활용된다. 그러나 국내에서는 법의방사선학 관련 연구·교육이 부족하다. 이에 본 연구는 방사선학과 재학생을 대상으로 법의방사선학에 대한 인식과 교육 요구도를 조사하고, 법의방사선학 교육과정 개설의 필요성을 분석하고자 한다. 전국 방사선학과 재학생 220명을 대상으로 구글 온라인 설문조사를 실시하였다. 설문은 법의방사선학 인식도, 교육 요구도, 일반적 특성 등 총 24문항으로 구성되었으며, 설문 결과는 실수와 백분율, 평균과 표준편차로 산출을 통해 학생들의 법의방사선학 교육 필요성을 평가하였다. 분석 결과, 법의방사선학에 대한 학생들의 인식은 전반적으로 낮았으나, 교육 이 필요하다는 응답 비율이 높았다. 방사선학과 교육과정에 법의방사선학 관련 교과목 및 특강이 필요하며, 디지털 부검 등 첨단 기술을 활용한 교육이 요구된다. 향후 방사선사의 업무 범위 확대 및 전문성 강화를 위해 법의방사선학 교육의 정착이 필요하다. 본 연구는 방사선학과의 법의방사선학 교육과정 기초자료로 활용될 수 있을 것으로 판단된다.

This study aims to examine the awareness and educational needs of F.R among students majoring in R.D and to examine the necessity of opening related educational courses. F.R is a discipline that combines forensic medicine and radiology, and is used for analyzing causes of death and confirming identities. However, there is a lack of research and education related to F.R in Korea. Therefore, this study aims to examine the awareness and educational needs of F.R among students majoring in radiology and to analyze the necessity of opening F.R educational courses. A Google online survey was conducted with 220 students majoring in R.D nationwide. The survey consisted of a total of 24 questions, including awareness of F.R, educational needs, and general characteristics. The results of the survey were calculated as real numbers and percentages, and the mean and standard deviation were used to evaluate the necessity of F.R education among students. The results of the analysis showed that students’ awareness of F.R was generally low, but the response rate for needing education was high. The curriculum of the R.D requires courses and special lectures related to F.R, and education utilizing cutting-edge technologies such as digital autopsy is required. In order to expand the scope of work and enhance the expertise of radiologic technologists in the future, F.R education needs to be established. It is believed that this study can be used as basic data for the F.R education curriculum of the R.D.

컴퓨터 성능의 향상과 함께 인공지능 기술이 발전하고 있고 의료영상 분야에서도 생성적 적대 신경망 기술을 이용한 사실적 영상 합성이 가능해짐에 따라 효과성 및 활용 가능성을 알아보고자 한다. 2011년 1월 2022년 12월 까지 국립암센터에서 시행한 흉부 CT 영상 자료 각각 17,854건에 대하여 생성적 적대 신경망 모델을 이용하여 진단명에 대하여 훈련시켰다. 본 자료에 대한 국립암센터 임상연구심의 위원회를 거쳤고 2명의 판독 전문의가 합성된 영상과 실제 영상을 대상으로 질병 유무와 영상의 합성 여부에 대하여 판독을 실행하였다. 합성영 상의 품질 평가는 정확도, 민감도, 특이도를 평가하였다. 합성영상 2,500장, 실제 CT 영상 2,500장을 random으로 2명의 전문판독의 에게 판독을 의뢰하였고, 정확도 85%, 민감도 89%, p<0.001 결과를 보였다. 특이도 결과는 82%, p<0.08로 통계적 유의성을 만족지 못하였다. 생성적 적대 신경망 기술을 이용한 영상 합성의 품질은 실제 CT 영상과 차이점을 구분할 수 없을 정도로 유사하였으 며 개인정보보호법에 저촉되지 않는 적법한 방법으로 교육 목적 자료 활용으로 충분한 가치가 있겠다.

To investigate and validate the sysnthesis of medical images by using a generative adversarial network(GAN) trained to learn the valuable. We trained the GAN by using 17,854 chest CT images visited National Cancer Center from January 2011 to December 2022. 2 radiologists evaluated the results in a approach by using an independent validation set and judge the authenticity of each image. The mean accuracy and sensitivity of the entire image set was higher for(85%, 89% respectively; p<0.001) meet with significantly. But specificity was 82%, p<0.08, so not significantly different. The synthesis images trained by GAN can highly realistic high resolution that are from real CT images so that probably using useful for training tool not with privacy act.

비만은 세계보건기구에서 질병으로 규정하고 있으며, 신체 내외부적인 영향을 나타낸다. 본 연구는 머신러닝을 이용 하여 생활패턴에 따른 비만도를 예측하고자 한다. 머신러닝에 이용한 데이터는 오픈데이터를 사용하였으며, 머신러닝 모델은 구글 코랩, 파이썬을 이용하고 모델 구성은 Light Gradient Boosting Machine, Extreme Gradient Boosting, Decision Tree Classifier, K Neighbors Classifier, Naive bayes 총 5개의 모델로 구성하였다. 각 모델 성능 평가 지표는 정확도, area under curve, 재현율, 정밀도, F1-score로 평가하였다. 해당 데이터를 활용한 5개 모델 중 Light Gradient Boosting Machine이 모든 지표에서 성능이 가장 우수 했으며, 지표에 대한 결과는 정확도 0.9601, area under curve 0.9981, 재현율 0.9601, 정밀도 0.9611, F1 score 0.9601이었다. 본 연구를 통해 기본적인 생활 패턴에 따른 비만도 예측을 통해 비만에 대한 사전 예방이 가능할 것으로 사료된다.

Obesity is defined as a disease by the World Health Organization and indicates internal and external influences on the body. This study aims to predict obesity according to lifestyle patterns using machine learning. The data used for machine learning used open data, and the machine learning model used Google Colab and Python. The model configuration consisted of a total of five models: Light Gradient Boosting Machine, Extreme Gradient Boosting, Decision Tree Classifier, K Neighbors Classifier, and Naive Bayes. The performance evaluation indices for each model were accuracy, area under curve, recall, precision, and F1-score. Among the five models using the data, Light Gradient Boosting Machine showed the best performance in all indices, and the results for the indices were accuracy 0.9601, area under curve 0.9981, recall 0.9601, precision 0.9611, and F1-score 0.9601. Through this study, it is believed that it will be possible to prevent obesity in advance by predicting obesity according to basic lifestyle patterns.

자연환경에서 즐기는 대표적인 아웃도어 스포츠는 골프이다. 골프의 대중적인 인기가 증가됨에 따라 골프장을 이용하 는 골퍼들이 증가되었다. 그리고 이로 인해 골프장에서 근무하는 캐디들의 수요도 증가 되었다. 이번 연구는 수도권 및 강원 서부권의 골프장 무작위 5곳을 선정하여 골프장 클럽하우스 앞, 카트, 필드에서 방사선측정기를 사용하여 자연 환경방사선량을 측정 하였다. 이번 연구의 목적은 골퍼나 캐디들이 골프장 상주시에 노출될 수 있는 자연환경 방사선 예상량을 알고자 한다. 또한 골프장에서 근무하는 캐디의 일일 근무시간을 8 시간으로 예상한 후 노출될 수 있는 자연방 사선량의 예측해 보고자 한다. 결과는 5 곳 골프장의 자연환경방사선량은 평균적으로 0.214 μSv/h ~ 0.444 μSv/h 측정되었다. 또한 골퍼들의 8 시간 경기 시 노출될 수 있는 최대 자연환경방사선량은 3.22 μSv이며 캐디는 3.67 μSv의 결과를 얻었다. 결론적으로 측정량은 방사선장애 및 건강에 해를 주는 수준은 아니다. 그러나 골프장 이용 시 노출될 수 있는 자연환경방사선량의 수준의 이해는 건강한 야외활동과 생활환경방사선의 건전성 이해에 도움을 줄 수 있을 것이다.

The population of golf, a representative outdoor sport enjoyed in a natural environment, has increased rapidly since COVID-19. It has become a popular sport enjoyed by all generations. Due to the increase in the number of golfers using golf courses, the demand for caddies working at golf courses has also increased. Eventually, the number of people using the golf course increased. This study randomly selected five golf courses in the metropolitan area and western Gangwon-do and measured natural environmental radiation dose using radiation meters in front of the golf course clubhouse, carts, and fields. The purpose of this study is to know the expected amount of natural environmental radiation that golfers and caddies may be exposed to when resident at a golf course. In addition, we would like to estimate the natural radiation dose that a caddy working at a golf course may be exposed to by assuming that his/her daily working hours are 8 hours. As a result, the natural environmental radiation dose of golf course 5 was measured on average from 0.214 μSv/h to 0.444 μSv/h. Additionally, the maximum natural environmental radiation dose that golfers can be exposed to during an 8-hour game is 3.22 μSv, and the caddy received a result of 3.67 μSv. In conclusion, the measured amount is not at a level that causes radiation damage or harm to health. However, understanding the level of natural environmental radiation that can be exposed while using a golf course can help in understanding the integrity of healthy outdoor activities and living environmental radiation.

2011년부터 국내 최초로 중이온가속기(RAON) 프로젝트가 런칭 되어 현재 개발 중에 있다. RAON 가속기는 초전도 가속관으로 구성된 선형가속기로 수소부터 우라늄까지의 다양한 이온을 가속할 수 있도록 디자인 되었다. RAON 가속 기 주변장치로 이온빔생성이나, 선형가속기를 통해 가속되어진 이온빔들을 연구하는 7개의 실험장치가 함께 개발되어 설치가 완료되었으며, 이와 함께 희귀 동위원소를 생산할 수 있는 ISOL (Isotope Separation On-Line) 과 IF (In-flight Fragmentation) 장치도 함께 개발되어 설치를 완료했다. 2022년도에 RAON 선형가속기 중 저에너지구간 을 성공적으로 설치하여 1단계 개발을 마무리하고 2024년부터 국내 유저들에게 빔 서비스를 운영하고 있다. 현재는 고에너지구간 구축을 위한 2단계 사업을 추진 중에 있으며 향후 고에너지구간이 완료가 되면 ISOL, 사이클로트론을 이용해 생성된 다양한 동위원소/희귀동위원소 빔을 가속하여 우주항공/신소재/방사선치료 등의 국내뿐 아니라 국제적 으로 과학기술 개발 연구에 큰 기여를 할 것으로 기대된다.

Heavy ion Linear Accelerator(LINAC), named RAON, is being constructed since 2011. Seven experimental systems for studying rare isotope science have been built. RAON linac is a superconducting linac and designed to accelerate various kinds of ions (stable ions and rare isotope ions) with a wide range of beam energy and beam current. RAON linac is composed of two sections – low energy linac and high energy linac in terms of beam energy. Low energy linac section was successfully constructed in 2022 and is now in operation for low energy required field. Rare isotopes produced from the ISOL (Isotope Separation On-Line) can be used for medical imaging. High energy linac has been being studied since 2022 for the construction. Construction of high energy section will complete entire RAON linac thus, it is expected that various experiments dealing with rare isotope science can be realized in Korea.