• Radiation Oncology Journal
• /
• 제22권4호
• /
• pp.237-246
• /
• 2004

목적: 아교모세포종의 방사선치료에서 국소제어율과 생존율을 향상시켜 보고자 3차원 입체조형치료기법을 이용한 방사선선량 증가 연구를 전향적으로 시행하였다. 대상 및 방법: 1997년 1월부터 2002년 7월까지 아교모세포종으로 조직학적 진단이 되고 전신수행도(KPS)가 60 이상으로 수술 후 방사선치료를 받은 환자를 대상으로 하였다. 프로토콜에 따라 전향적으로 연구에 참여한 42예의 고선량군과 후향적 대조군인 33예의 저선량군을 비교 분석하였다 고선량군은 3차원 입체조형치료법에 의해 $63.0\~70.2$ Gy (중앙값 66 Gy)의 고선량 방사선을 조사받았으며, 저선량군은 2차원 치료방식으로 현재 표준선량으로 여겨지고 있는 59.4 Gy 정도(최소선량 50.4 Gy, 중앙선량 59.4 Gy)의 계획된 방사선치료를 종료할 수 있었던 환자들을 대상으로 하였다. 수술절제범위에 따라 나누어보면 전절제술 30예($40\%$), 준전절제술 30예($40\%$), 부분절제술 8예($11\%$), 그리고 조직생검만 시행된 환자가 7예($9\%$)였다. 각 환자의 육안종양체적은 CT 혹은 MRI상 수술절제연 및 잔류종양에 의해 정의되었다. 종양주변 부종은 저선량군에서는 임상표적체적에 포함되었지만, 고선량군에서는 재발양상 및 선량증가에 따른 합병증 증가의 가능성을 고려하여 제외하였다. 환자의 전체 및 무진행생존기간은 수술 받은 날을 기준으로 Kaplan-Meier법으로 산출하였고, 기존 문헌에 보고되고 있는 예후인자들과 각 환자에 조사된 방사선 선량, 표적체적 등이 생존율에 미치는 영향을 Log rank test 및 Cox regression analysis로 분석하였다. 추적관찰을 위해 정기적으로 MRI가 시행되었다. 결과: 전체환자의 중앙 생존기간 및 무진행 생존기간은 각각 $15{\pm}1.65$, $11{\pm}0.95$개월이었다. 중앙생존기간은 저선량군 및 고선량군이 각각 $14{\pm}0.94$개월, $21{\pm}5.03$개월로 고선량군에서 보다 나은 치료성적을 보여주었으며, 중앙무진행생존기간은 저선량군 $10{\pm}1.63$개월, 고선량군 $12{\pm}1.59$개월이었다. 특히 2년 생존율에 있어서 고선량군은 $44.7\%$로 $19.2\%$인 저선량군에 비해 훨씬 좋은 예후를 보였다. 단변량분석에서 예후에 영향을 미치는 중요인자로는 환자의 나이, 전신수행도, 종양의 위치, 수술절제범위, 표적체적, 방사선총선량 등이었다 다변량분석에서 통계적으로 유의한 인자는 환자의 나이(p=0.012), 수술절제범위(p=0.000), 방사선선량군(p=0.049)이었다. 방사선괴사와 같은 방사선으로 인한 직접적인 만성합병증은 추적관찰기간 동안 발생하지 않았다. 결론: 3차원 입체조형치료기법을 통하여 70 Gy까지의 방사선을 부작용 없이 조사할 수 있었고, 근치적 국소요법의 일환으로 방사선 선량증가가 전체 생존기간 및 무진행 생존기간을 향상시킬 수 있을 것으로 기대한다.

• 지능정보연구
• /
• 제26권4호
• /
• pp.127-148
• /
• 2020

데이터 센터는 컴퓨터 시스템과 관련 구성요소를 수용하기 위한 물리적 환경시설로, 빅데이터, 인공지능 스마트 공장, 웨어러블, 스마트 홈 등 차세대 핵심 산업의 필수 기반기술이다. 특히, 클라우드 컴퓨팅의 성장으로 데이터 센터 인프라의 비례적 확장은 불가피하다. 이러한 데이터 센터 설비의 상태를 모니터링하는 것은 시스템을 유지, 관리하고 장애를 예방하기 위한 방법이다. 설비를 구성하는 일부 요소에 장애가 발생하는 경우 해당 장비뿐 아니라 연결된 다른 장비에도 영향을 미칠 수 있으며, 막대한 손해를 초래할 수 있다. 특히, IT 시설은 상호의존성에 의해 불규칙하고 원인을 알기 어렵다. 데이터 센터 내 장애를 예측하는 선행연구에서는, 장치들이 혼재된 상황임을 가정하지 않고 단일 서버를 단일 상태로 보고 장애를 예측했다. 이에 본 연구에서는, 서버 내부에서 발생하는 장애(Outage A)와 서버 외부에서 발생하는 장애(Outage B)로 데이터 센터 장애를 구분하고, 서버 내에서 발생하는 복합적인 장애 분석에 중점을 두었다. 서버 외부 장애는 전력, 냉각, 사용자 실수 등인데, 이와 같은 장애는 데이터 센터 설비 구축 초기 단계에서 예방이 가능했기 때문에 다양한 솔루션이 개발되고 있는 상황이다. 반면 서버 내 발생하는 장애는 원인 규명이 어려워 아직까지 적절한 예방이 이뤄지지 못하고 있다. 특히 서버 장애가 단일적으로 발생하지 않고, 다른 서버 장애의 원인이 되기도 하고, 다른 서버부터 장애의 원인이 되는 무언가를 받기도 하는 이유다. 즉, 기존 연구들은 서버들 간 영향을 주지 않는 단일 서버인 상태로 가정하고 장애를 분석했다면, 본 연구에서는 서버들 간 영향을 준다고 가정하고 장애 발생 상태를 분석했다. 데이터 센터 내 복합 장애 상황을 정의하기 위해, 데이터 센터 내 존재하는 각 장비별로 장애가 발생한 장애 이력 데이터를 활용했다. 본 연구에서 고려되는 장애는 Network Node Down, Server Down, Windows Activation Services Down, Database Management System Service Down으로 크게 4가지이다. 각 장비별로 발생되는 장애들을 시간 순으로 정렬하고, 특정 장비에서 장애가 발생하였을 때, 발생 시점으로부터 5분 내 특정 장비에서 장애가 발생하였다면 이를 동시에 장애가 발생하였다고 정의하였다. 이렇게 동시에 장애가 발생한 장비들에 대해서 Sequence를 구성한 후, 구성한 Sequence 내에서 동시에 자주 발생하는 장비 5개를 선정하였고, 선정된 장비들이 동시에 장애가 발생된 경우를 시각화를 통해 확인하였다. 장애 분석을 위해 수집된 서버 리소스 정보는 시계열 단위이며 흐름성을 가진다는 점에서 이전 상태를 통해 다음 상태를 예측할 수 있는 딥러닝 알고리즘인 LSTM(Long Short-term Memory)을 사용했다. 또한 단일 서버와 달리 복합장애는 서버별로 장애 발생에 끼치는 수준이 다르다는 점을 감안하여 Hierarchical Attention Network 딥러닝 모델 구조를 활용했다. 본 알고리즘은 장애에 끼치는 영향이 클 수록 해당 서버에 가중치를 주어 예측 정확도를 높이는 방법이다. 연구는 장애유형을 정의하고 분석 대상을 선정하는 것으로 시작하여, 첫 번째 실험에서는 동일한 수집 데이터에 대해 단일 서버 상태와 복합 서버 상태로 가정하고 비교분석하였다. 두 번째 실험은 서버의 임계치를 각각 최적화 하여 복합 서버 상태일 때의 예측 정확도를 향상시켰다. 단일 서버와 다중 서버로 각각 가정한 첫 번째 실험에서 단일 서버로 가정한 경우 실제 장애가 발생했음에도 불구하고 5개 서버 중 3개의 서버에서는 장애가 발생하지 않은것으로 예측했다. 그러나 다중 서버로 가정했을때에는 5개 서버 모두 장애가 발생한 것으로 예측했다. 실험 결과 서버 간 영향이 있을 것이라고 추측한 가설이 입증된 것이다. 연구결과 단일 서버로 가정했을 때 보다 다중 서버로 가정했을 때 예측 성능이 우수함을 확인했다. 특히 서버별 영향이 다를것으로 가정하고 Hierarchical Attention Network 알고리즘을 적용한 것이 분석 효과를 향상시키는 역할을 했다. 또한 각 서버마다 다른 임계치를 적용함으로써 예측 정확도를 향상시킬 수 있었다. 본 연구는 원인 규명이 어려운 장애를 과거 데이터를 통해 예측 가능하게 함을 보였고, 데이터 센터의 서버 내에서 발생하는 장애를 예측할 수 있는 모델을 제시했다. 본 연구결과를 활용하여 장애 발생을 사전에 방지할 수 있을 것으로 기대된다.