더 빠르고 정확한 평가를 위해 엑스레이 분석을 자동화하는 고급 딥러닝 모델은 척추 건강 진단을 혁신할 수 있습니다. 복잡한 사례도 처리할 수 있는 이 연구는 의사가 시간을 절약하고 진단 오류를 줄이며 척추 측만증이나 척추 후만증과 같은 척추 질환 환자의 치료 계획을 개선하는 데 도움이 될 것으로 기대됩니다.
“척추 정렬 분석은 유용한 인사이트를 제공하지만, 현재 연구는 비교적 소규모의 환자 집단에 의존하고 있습니다. 자동화된 주석을 사용하면 대규모 환자 집단을 분석할 수 있어 기존 추세를 더 잘 이해하고 더 명확하게 파악할 수 있습니다. AI 기반 접근 방식은 인간 평가자를 보완하여 평가의 일관성을 높일 수 있습니다.”라고 연구의 공동 저자이자 취리히공대 생체역학연구소의 박사 과정 학생인 Moritz Jokeit는 말합니다.
척추 진단의 새로운 패러다임
척추측만증은 가장 흔한 척추 질환으로 미국에서는 약 700만 명, 전 세계적으로는 3%의 사람들이 척추측만증 진단을 받습니다. 척추측만증과 다른 척추 정렬 문제는 종종 통증을 유발하고 이동 능력을 제한하며 호흡기 문제와 같은 건강 합병증을 유발하여 삶의 질을 떨어뜨립니다.
환자를 효과적으로 치료하려면 정확한 진단과 모니터링이 핵심이지만, X-레이 측정, 육안 평가, 임상 전문 지식에 의존하는 기존 방식은 노동 집약적이고 느리며 일관성이 떨어질 수 있습니다.
기존 AI 모델은 비정형 해부학적 구조를 가진 환자의 복잡한 척추 부정렬 사례에 어려움을 겪고 있었습니다. 이러한 문제는 선천성 질환, 수술, 퇴행, 외상 등으로 유발될 수 있습니다.
AI로 척추 매핑하기
Spine Deformity에 발표된 이 연구는 고급 세분화 접근법을 사용하고 주요 척추 구조를 식별하는 수정된 U-Net 아키텍처를 사용하여 이러한 한계를 해결합니다. 이 AI 아키텍처는 주석이 달린 데이터 세트에 대한 학습을 통해 수집한 해부학적 관계에 대한 이해와 공간적 세부 정보를 결합합니다.
이 모델은 앞뒤와 측면에서 촬영한 방사선 사진(엑스레이)을 분석하여 환자의 척추 곡률과 정렬에 대한 종합적인 다각도의 정보를 제공합니다. 척추, 골반, 고관절, 천골 부위 등 척추 정렬을 예측하는 데 중요한 해부학적 특징을 이미지에서 찾아내어 그 경계와 모양을 판별합니다.
연구진은 의료 전문가가 수동으로 주석을 단 555개의 방사선 사진 데이터 세트를 사용하여 모델을 학습시켰으며, 455개의 이미지는 학습에, 100개의 이미지는 테스트에 사용했습니다. 추론하는 동안 모델 초기화에는 약 4초가 소요된 반면 이미지 예측에는 1초도 채 걸리지 않았습니다.
고해상도 이미지를 처리하고 모델 트레이닝을 가속화하는 데는 cuDNN 가속 텐서플로 딥 러닝 프레임워크의 NVIDIA RTX A6000 GPU 1대가 사용되었습니다. 이 팀은 연구자들에게 세계 최고 수준의 컴퓨팅 액세스 및 리소스를 제공하여 학문을 발전시키는 것을 목표로 하는 NVIDIA 아카데미 하드웨어 프로그램의 수상자로서 GPU를 받았습니다.
의료의 미래
연구진은 이 모델이 이상 징후가 있는 까다로운 사례에서도 척추 정렬 측정을 정확하게 예측할 수 있으며, 다양한 연령층과 척추 부위에 걸쳐 예측이 가능하여 많은 사용 사례에서 활용될 수 있다는 사실을 확인했습니다.
전문가와 유사한 결과를 제공하는 이 AI 모델은 척추 만곡을 예측할 때 88%라는 놀라운 신뢰도 점수를 달성했습니다. 또한 골반 기울기 및 천골 경사도와 같은 다른 척추 측정에서도 우수한 성능을 보였으며, 수동 측정과 비교했을 때 예측 결과는 평균 3.3도밖에 차이가 나지 않았습니다.
전반적으로 이 시스템은 61%의 사례에서 척추 건강 데이터를 성공적으로 분석했으며, 일부 측정값은 최대 99%의 완벽에 가까운 신뢰도를 기록했습니다.
이 연구는 임상 워크플로우를 간소화하고, 대량의 방사선 사진을 빠르게 분석하여 의사의 시간을 절약하며, 까다로운 사례를 진단하는 데 도움을 줄 수 있는 AI의 잠재력을 강조합니다.
하지만 Jokeit에 따르면 이 모델은 더 많은 개발이 필요하다고 합니다. X-레이의 밝게 표시되는 인공물은 의료용 임플란트가 있는 환자의 분할 정확도를 떨어뜨릴 수 있으며, 비만 환자의 경우 이미지 품질이 저하되면 해부학적 구조를 구별하기가 더 어려워집니다.
연구진은 키포인트 R-CNN 또는 트랜스포머 기반 모드와 같은 다른 사전 학습된 모델 아키텍처가 어떻게 다양한 유형의 엑스레이로 접근 방식을 확장하는지 탐구할 계획입니다. 또한 특히 까다로운 해부학적 구조와 임플란트가 있는 환자를 위해 더 많은 훈련 데이터를 수집하는 데 주력하고 있습니다.
연구에 사용된 코드를 요청하려면 담당 저자에게 문의하세요.
연구 읽기: 척추 골반 파라미터 예측을 위한 2면 방사선 사진의 해부학적 랜드마크 검출.
대규모 데이터 세트를 처리하고, 그래프 신경망을 훈련하고, 데이터 분석, 로봇 공학, 6G, 연합 학습 및 스마트 공간에서 프로젝트를 가속화하기 위해 NVIDIA 기술을 사용하는 공인 교육 기관의 전임 교수진을 모집합니다.
관련 리소스
- DLI 과정: 산업 검사를 위한 딥러닝
- GTC 세션: 체성분 지수를 방사선 바이오마커로 활용한 암 악액질 조기 진단
- GTC 세션: 의료용 이미징 애플리케이션을 위한 AI 기반 하드웨어 솔루션 만들기
- GTC 세션: 의료 영상 분석을 위한 새로운 딥러닝 모델을 클라우드에서 개발 및 배포하기 위한 AI 전략 최적화하기
- NGC 컨테이너: BodyMarker/PhenoBody
- SDK: MONAI 클라우드 API
