본 논문은 TL 선량 평가를 위한 기계학습 기반 알고리즘의 구현을 탐구한다. 이는 방사선 장 분류, 성능 지수(performance quotient) 평가, 그리고 ANN 및 LGBM의 얕은 및 깊은 선량 동등치(dose equivalent) 평가를 전통적 방법인 DT와 비교하여 다룬다. 우리는 TLD로 측정된 원소(element) 반응 데이터를 기반으로 이러한 알고리즘들을 평가하였다. 학습을 위한 데이터 세트를 구축하고, 시험 범주의 기본 원소 반응을 증폭한 뒤 ±3% 범위 내에서 1 mSv Cs-137로 정규화하였다. 두 알고리즘은 방사선 장을 분류하고 혼합 장(mixed fields)의 비율을 식별하기 위한 5개의 하위(subset) 모델로 구성된다. LGBM은 고려한 방사선 장을 분류하는 데서 가장 높은 정확도를 보였으며, 성능 지수는 가장 낮았다. 또한 세 가지 알고리즘 간 깊은 선량 동등치와 얕은 선량 동등치의 허용 오차 수준을 비교한 결과, LGBM은 예측된 선량 동등치와 실제 선량 동등치 사이의 차이가 가장 작게 나타났다. 이러한 더 작은 차이는 LGBM이 기대값에서 최소의 편향(bias)과 표준편차(standard deviation)를 제공함을 의미하며, 기존 DT 방법에 비해 선량 평가에서 더 높은 정확도와 정밀도를 제공한다. 본 연구의 결과는 TL 선량 평가에 ML 기반 알고리즘을 채택하는 데에도 추가적인 기여를 하며, 이 분야에서의 중요성을 강조한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.