Prediction of Multileaf Collimator Leaf Positions Using a Hybrid BKA– Neural Network Model for Radiotherapy Delivery Accuracy

방사선 치료는 고에너지 빔을 사용하여 건강한 조직은 보존하면서 악성 세포를 파괴함으로써 암을 치료하는 강력한 도구입니다. 이 치료를 정밀하게 만들기 위해 의사들은 여러 개의 얇은 금속 잎으로 구성된 동적인 셔터 역할을 하는 다엽 콜리메이터(multileaf collimator)라는 장치를 사용합니다. 이 잎들은 안팎으로 움직이며 빔의 모양을 형성하여, 종양의 모양과 정확히 일치하도록 맞춤형 경로를 깎아냅니다. 목표는 주변 장기는 건드리지 않으면서 암세포에는 치명적인 선량을 전달하는 것입니다. 하지만 기계가 완벽하지는 않습니다. 마치 기계식 셔터가 약간 걸리거나 지연될 수 있는 것처럼, 이 금속 잎들도 때때로 컴퓨터가 계획한 위치에서 1밀리미터 미만의 아주 미세한 차이로 어긋난 위치로 이동할 수 있습니다. 방사선의 세계에서 단 1밀리미터의 작은 오차조차 환자가 받는 선량을 변화시켜, 잠재적으로 치료의 효과를 떨어뜨리거나 건강한 조직에 해를 끼칠 수 있습니다. 이 때문에 잎들이 정확히 올바른 위치에 정확한 순간에 있는지 확인하는 것은 의학 물리학자들에게 매우 중요한 과제입니다.

연구자들은 이러한 미세한 움직임이 발생하기 전에 이를 예측하여 사전에 수정하고자 오랫동안 노력해 왔습니다. 그들은 인간 뇌의 패턴 학습 능력을 모방한 시스템인 표준 신경망을 포함한 다양한 컴퓨터 방법들을 테스트해 왔습니다. 이러한 시스템은 학습은 할 수 있지만, 특히 복잡한 기계 내의 모든 개별 잎의 위치를 예측하려고 할 때 속도와 정확성을 모두 갖추는 데 어려움을 겪는 경우가 많습니다. 준 리브(Jun Lv)와 동료들이 발표한 새로운 연구는 표준 신경망과 블랙윙드 카이트 알고리즘(Black-winged Kite Algorithm)이라는 자연에서 영감을 얻은 탐색 방법을 결합한 다른 접근 방식을 소개합니다. 이 알고리즘은 특정 맹금류의 사냥 행동을 모방하며, 그 효율적인 탐색 패턴을 사용하여 컴퓨터 모델의 최적의 시작 설정을 찾아냅니다. 이 방법을 사용하여 연구진은 이전 방식보다 훨씬 더 높은 정확도와 속도로 잎의 정확한 위치를 예측할 수 있는 시스템을 만들고자 했습니다.

연구팀은 머리와 목, 가슴, 복부의 종양을 포함하는 50개의 실제 암 치료 계획 데이터를 사용하여 새 모델을 테스트했습니다. 그들은 방사선원의 각도, 잎의 속도, 계획된 위치와 같은 기계 로그에서 추출한 13가지 서로 다른 정보를 컴퓨터에 입력했습니다. 목표는 기계가 작동할 때 잎이 실제로 어디에 위치하게 될지 모델이 추측할 수 있는지 확인하는 것이었습니다. 결과는 놀라웠습니다. BKA-BPNN이라 불리는 이 새로운 모델은 평균 0.0026밀리미터라는 극히 적은 오차로 잎의 위치를 예측했습니다. 이를 설명하자면, 오차가 너무 작아서 예측된 위치가 실제 위치와 거의 구별할 수 없을 정도였으며, 상관관계 또한 거의 완벽할 정도로 높았습니다. 기존의 표준 신경망과 비교했을 때, 이 새로운 모델은 오차를 거의 90% 줄였습니다. 또한 다른 최적화 기술을 사용하는 다른 고급 방법들과 비교했을 때도 훨씬 뛰어난 성능을 보였으며, 차순위 대안보다 오차를 거의 40%나 줄였습니다.

새로운 모델은 단순히 더 정확할 뿐만 아니라 훨씬 더 빨랐습니다. 일부 경쟁 시스템이 데이터를 처리하는 데 한 시간 이상 걸린 반면, 블랙윙드 카이트 모델은 1분도 채 걸리지 않아 작업을 완료했습니다. 이 속도는 매우 중요한데, 이는 이 시스템이 치료 직전이나 실시간으로 오류를 점검하는 데 사용될 수 있음을 의미하기 때문입니다. 연구진은 이 모델이 다양한 잎의 개수와 다양한 유형의 치료 계획 전반에 걸쳐 일관되게 잘 작동한다는 것을 발견했으며, 이는 모델이 매번 새로운 잎이나 새로운 환자마다 다시 훈련될 필요가 없는 견고한 도구임을 시사합니다. 반면, 기존 모델들은 특정 잎에 대해 별도의 훈련을 요구하며 학습하지 않은 잎을 예측하라는 요청을 받으면 어려움을 겪는 경우가 많았습니다. 새로운 시스템은 모든 잎을 동일한 높은 수준의 정밀도로 처리했습니다.

또한 이 연구는 이러한 예측이 방사선 치료의 안전성을 어떻게 향상시킬 수 있는지 조사했습니다. 현재 의사들은 종종 치료가 끝난 후에 기계의 성능을 검증하는데, 이는 실수를 바로잡기에는 너무 늦습니다. 이 새로운 방법은 빔이 켜지기 전에 오류를 예측하고 수정할 수 있는 길을 제시합니다. 잠재적인 편차를 조기에 식별함으로써, 이 시스템은 전달되는 선량이 계획된 선량과 일치하도록 보장하여 환자가 의도치 않은 노출로부터 보호받을 수 있도록 도울 수 있습니다. 연구진은 자신들의 모델이 매우 효과적이지만, 두 가지 특정 유형의 방사선 기계 데이터로 테스트되었다는 점을 언급했습니다. 그들은 모델이 어디서나 작동할 수 있도록 더 다양한 종류의 기계 데이터를 포함하는 후속 연구가 필요하다고 제안했습니다. 그러나 현재로서는, 스마트한 탐색 알고리즘과 학습 네트워크를 결합함으로써 이전에 도달할 수 없었던 수준의 정밀도로 이러한 핵심 의료 장치의 움직임을 예측할 수 있음을 보여주었으며, 이는 암 치료를 더 안전하고 효과적으로 만드는 데 있어 유망한 진전입니다.