컴퓨터 성능의 발전으로 빅데이터의 효율적인 사용이 가능해지면서, 심층 학습(deep learning)은 다양한 의료 분야에 활용할 수 있는 핵심적인 인공지능(artificial intelligence, AI) 기법으로 각광받고 있다. 이에 본 종설은 뇌종양 진단과 치료에 사용되는 자기공명영상(magnetic resonance imaging, MRI)의 심층 학습 기법을 소개하고자 하였다. 먼저 국내 AI의 의료 분야 도입의 동향을 분석하고, 이를 바탕으로 MRI를 활용한 뇌종양의 진단과 치료에 적용할 수 있는 심층 학습 기법과 그 결과들을 기술하였다. 뇌종양 진단과 치료 시, 심층 학습을 이용한 최근 사례는 영상 분류, 영상 품질 개선, 영상 분할로 나타났으며, 질병의 진단과 치료에 적용할 수 있는 객관적이고 높은 성능 수치를 나타내면서 그 유용성을 확인 할 수 있었다. 종합하자면, 심층 학습은 질병의 진단과 치료에 적용할 수 있는 유용한 지표이며, AI 역량을 지닌 의료진의 지도하에 점진적인 도입이 이뤄진다면 질병의 진단과 치료에 큰 도움을 주는 훌륭한 소프트웨어로 활용될 것으로 여겨진다. 본 종설이 심층 학습을 이해할 때 많은 도움이 되길 바라며, 향후 관련 연구를 수행할 때 가이드라인으로 활용될 것을 기대 한다.

방사선 방호의 목적 중 하나는 확률적 영향을 최소화 하는 것이다. PCXMC 2.0은 몬테카를로 시뮬레이션 기반의 프로그램으로 입사표면선량을 통해 유효선량과 암의 발병확률을 예측가능하게 해준다. 그렇기 때문에 선량계에 따른 입사표면선량 측정이 특히 중요하다. 본 연구는 반도체 선량계, 일반 선량계, 유리선량계를 통해 입사표면선량을 측정하고 그에 따른 결정 장기의 유효선량과 발병 확률을 비교분석 하는 것에 목적을 두었다. 실험방법은 두개부, 흉부, 복부의 선량계 별 입사표면선량을 측정하고 PCXMC 2.0을 통해 부위 별 결정 장기의 유효선량과 암의 발병 확률을 평가하였다. 그 결과 부위 별 입사표면선량은 동일한 조건임에도 일반 선량계, 반도체 선량계, 유리 선량계 순으로 차이가 났다. 이를 토대로 유효선량과 결정 장기의 암 발병 확률을 분석한 결과 또한 일반 선량계, 반도체 선량계, 유리 선량계 순으로 차이가 났다. 결론적으로 동일한 조건임에도 사용한 선량계에 따라 유효선량과 발병 위험도는 다르게 나타났음을 알 수 있었고, 본 연구를 통해 각각의 선량계에 따른 정확한 입사표면선량 모델을 제시하는 것이 중요하다는 것을 알 수 있었다.