BoneAgeTW2: Automated Skeletal Maturation Assessment via the Tanner-Whitehouse 2 Method, Deep Learning, and Clinical Report Generation with Distribution Curves

당신의 몸이 건설 현장이고 당신의 뼈가 세워지고 있는 강철 빔이라고 상상해 보세요. 생일이 당신이 현장에서 얼마나 오래 일했는지를 알려준다면, 뼈는 자신만의 내부 시계를 가지고 있으며 그에 맞춰 성장하고 단단해집니다. 때로는 이 생물학적 시계가 빠르게 돌아가기도 하고, 때로는 느리게 돌아가기도 하며, 의사들은 성장 문제를 겪는 아이들을 돕거나 십 대 청소년이 키가 더 클 수 있는 시간이 얼마나 남았는지 이해하기 위해 그 차이를 알아야 합니다. 수십 년 동안 이 뼈 시계를 확인하는 "골드 스탠다드(표준)"는 TW2(Tanner-Whitehouse 2)라고 불리는 방법이었습니다. 이것은 마치 숙련된 건축가가 손과 손목에 있는 20개의 특정 강철 빔을 검사하며, 각 빔이 여전히 부드럽고 성장 중인지 아니면 완전히 단단해졌는지를 확인하는 것과 같습니다. 이 검사는 믿기 힘들 정도로 상세하지만 또한 믿기 힘들 정도로 느립니다. 인간 전문가가 환자 한 명당 10~20분을 소요해야 하며, 설령 그렇다 하더라도 두 명의 전문가가 최대 1년까지 의견 차이를 보일 수도 있습니다.

이제, 디테일을 놓치지 않으면서 이 과정을 가속화하기 위해 설계된 새로운 디지털 도구가 등장했습니다. 이 논문은 BoneAgeTW2라는 인공지능 시스템을 소개합니다. 이 시스템은 매우 빠르고 지치지 않는 조수 방사선사 역할을 합니다. 단순히 하나의 숫자로 뼈 나이를 추측하는 대신, 이 시스템은 인간 전문가의 정확한 과정을 모방합니다. 손의 X-ray를 보고 20개의 특정 뼈를 찾아낸 다음, 인간이 하는 것처럼 각 뼈에 성숙 단계를 할당합니다. 그런 다음 숫자를 계산하여 최종 연령 추정치를 산출하며, 여기에는 신뢰 구간과 각 뼈가 평균적인 연령과 어떻게 비교되는지를 보여주는 시각적 보고서가 포함됩니다. 목표는 단지 빠른 것이 아닙니다. 목표는 투명해지는 것입니다. 즉, 시스템이 왜 그런 결론에 도달했는지에 대해 단순한 '블랙박스'식 답변이 아닌, 명확하고 단계적인 근거를 의사에게 제공하는 것입니다.

문제점: 느린 인간의 방식

오랫동안 아이의 뼈 나이를 확인하는 것은 매우 복잡하고 손으로 쓴 지도를 읽는 것과 비슷했습니다. Tanner-Whitehouse 2 (TW2) 방식은 라틴 아메리카와 유럽에서 사용하는 지도입니다. 이를 읽기 위해 방사선사는 손의 X-ray를 보고 손가락의 긴 뼈부터 손목의 작은 퍼즐 조각 같은 뼈에 이르기까지 20개의 특정 뼈를 식별해야 합니다. 각 뼈에 대해, 그들은 해당 뼈가 어떤 "단계"에 있는지 결정해야 하며, 이는 부드러운 초기 단계(A)부터 완전히 단단해진 성인 단계(I)까지 다양합니다.

모든 20개 뼈의 점수를 매긴 후, 그들은 특수 표를 사용하여 점수를 합산하고 최종 "뼈 나이"를 구해야 합니다. 결과를 이해하기 위해, 그들은 종종 종 모양의 곡선(가우시안 분포)을 그려 특정 뼈가 예정보다 앞서 있는지 아니면 뒤처져 있는지를 확인합니다. 문제는 무엇일까요? 이 전체 과정은 환자 한 명당 10~20분이 걸립니다. 이는 수년간의 훈련을 필요로 하며, 너무 수동적이기 때문에 두 명의 의사가 동일한 X-ray를 보고도 때로는 최대 12개월까지 차이가 나는 서로 다른 답을 내놓을 수 있습니다. 뼈 나이를 추측할 수 있는 상용 도구들이 있기는 하지만, 그것들은 비싸고, 소스코드가 공개되지 않으며(어떻게 작동하는지 볼 수 없음), 보통 그 과정에 대한 설명 없이 단 하나의 숫자만을 내뱉습니다.

해결책: BoneAgeTW2

이 논문의 저자들은 TW2 워크플로우 전체를 자동화하는 오픈 소스 시스템인 BoneAgeTW2를 구축했습니다. 이것은 X-ray를 한쪽 끝에 넣으면 5초 미만에 완전한 임상 보고서를 뱉어내는 디지털 조립 라인과 같습니다.

시스템이 작동하는 단계는 다음과 같습니다:

1. 설정: 먼저, 시스템은 X-ray 이미지를 정돈합니다. 디지털 파일을 확인하여 이미지가 확대되었는지(창문에 너무 가까이 대고 찍은 사진처럼) 확인하고 크기를 자동으로 교정합니다. 또한 이미지가 오른손인 경우 이미지를 반전시켜, 컴퓨터가 항상 훈련 데이터와 동일하게 "왼손" 뷰를 보도록 합니다.
2. 뼈 찾기: 스마트 탐지기인 YOLOv8을 사용하여 손의 20개 특정 뼈를 찾아냅니다. 시스템은 각 뼈 주위에 박스를 그려, 방사선사가 확인해야 할 지점을 표시하는 형광펜처럼 작동합니다.
3. 분류: 이 부분이 까다로운 부분입니다. 시스템은 각 뼈가 어느 단계(A부터 I까지)에 있는지 알아야 합니다. 훈련 데이터에 모든 뼈의 단계에 대한 라벨이 없었기 때문에, 저자들은 "의사 라벨링(pseudo-labeling)"이라는 영리한 트릭을 사용했습니다. 환자의 알려진 뼈 나이를 사용하여 각 뼈의 가장 가능성 높은 단계를 추측함으로써 훈련 세트를 만들었습니다. 그런 다음, 20개의 서로 다른 "헤드(head)"를 가진 딥러닝 모델(EfficientNet-B3)을 훈련시켰는데, 각 헤드는 특정 뼈 하나만을 전문적으로 담당하는 전문가 역할을 합니다.
4. 점수 매기기: 시스템이 모든 뼈의 단계를 할당하면, 공식적인 TW2 규칙에 따라 정확하게 점수를 합산합니다. 시스템은 긴 뼈(RUS)와 손목 뼈(Carpal)에 대한 점수를 각각 계산합니다.
5. 보고서 생성: 마지막으로, 전체 보고서를 생성합니다. 이것은 단순한 숫자가 아닙니다. 20개의 박스가 표시된 주석 이미지, 모든 뼈에 대한 점수 표, 그리고—이것이 핵심입니다—대화형 종 모양 곡선을 포함합니다. 이 곡선은 환자의 뼈가 평균 인구와 비교하여 어디에 위치하는지를 의사에게 정확히 보여줍니다. 만약 뼈의 발달이 지연되었다면, 의사는 곡선의 정점이 환자의 실제 연령보다 훨씬 왼쪽에 치우쳐 있는 것을 볼 수 있습니다.

시스템이 달성하는 것 (그리고 달성하지 못하는 것)

이 논문은 BoneAgeTW2를 원본 이미지에서 다운로드 가능한 PDF 보고서에 이르기까지 전체 TW2 과정을 성공적으로 자동화하는 시스템으로 제시합니다. 이 시스템은 표준 컴퓨터 하드웨어(CPU)에서 5초 미만, 그래픽 카드(GPU)를 사용하면 그보다 더 빠르게 실행되도록 설계되었습니다.

저자들은 정확도에 대한 기대치를 관리하기 위해 주의를 기울였습니다. 그들은 시스템이 불연속적인 단계(A, B, C 등)를 사용하는 TW2 방식의 엄격하고 단계적인 규칙을 따라야 하기 때문에, 숫자를 직접 추측하는 일부 "블랙박스" AI 시스템만큼 수학적으로 정밀하지 않을 수 있음을 인정합니다. 실제로, 그들은 자신들의 시스템이 그러한 단순한 AI 모델들보다 약간 더 높은 평균 절대 오차(Mean Absolute Error)를 가질 것으로 예상합니다. 그러나 그들은 이것이 좋은 절충안이라고 주장합니다. 목표는 단순히 가장 정확한 숫자 계산기가 되는 것이 아니라, **설명 가능성(explainable)**을 갖추는 것입니다.

답변을 뼈 단위로 세분화함으로써, 시스템은 의사가 어떤 뼈가 지연이나 진보를 일으키고 있는지 볼 수 있게 해줍니다. 만약 아이의 뼈 나이가 낮다면, 의사는 보고서를 보고 "아, 요골(radius)은 F 단계인데, 척골(ulna)은 E 단계구나"라고 파악할 수 있습니다. 이는 단 하나의 숫자만 보는 것보다 환자의 상태에 대해 훨씬 더 명확한 그림을 제공합니다.

"종 모양 곡선" 기능

BoneAgeTW2의 가장 독특한 특징 중 하나는 데이터를 시각화하는 방식입니다. 20개의 모든 뼈에 대해 시스템은 종 모양 곡선을 그립니다. 가로선이 연령이고 곡선이 특정 연령에서 해당 뼈 단계가 얼마나 흔한지를 보여주는 그래프를 상상해 보세요.

• 환자의 뼈가 "E" 단계라면, 시스템은 "E" 곡선을 강조합니다.
• 그런 다음 환자의 실제 연령을 나타내는 수직선을 그립니다.
• 만약 선이 곡선의 정점보다 훨씬 오른쪽에 있다면, 의사는 그 뼈가 "지연"되었다(환자의 실제 연령보다 어리게 행동함)는 것을 알 수 있습니다.
• 만약 선이 왼쪽에 있다면, 뼈가 "앞서 있다"는 것을 의미합니다.

이 시각적 도구는 보통 수작업으로 그리거나 시간 제약 때문에 생략되곤 하지만, 모든 뼈에 대해 자동으로 생성되어 아이의 골격 성숙도에 대한 풍부하고 상세한 뷰를 제공합니다.

결론

BoneAgeTW2는 Tanner-Whitehouse 2 방식의 상세하고 인간적인 추론 과정을 디지털 시대로 가져온 개념 증명(proof-of-concept) 시스템입니다. 이 시스템은 방사선사를 대체하는 것이 아니라, 뼈를 찾고, 점수를 매기고, 차트를 그리는 힘든 일을 몇 초 만에 수행하는 강력한 조수 역할을 합니다. 저자들은 이 시스템이 자격 있는 의사의 검토를 거쳐야 하는 의사 결정 지원 도구임을 강조합니다. 특히 이 시스템이 연구의 기원이 된 콜롬비아의 어린이들과 같이 모든 인구 집단에 완벽하게 일치하지 않을 수 있는 훈련 데이터에 의존하고 있기 때문입니다.

이 시스템이 아직 모든 병원에서 바로 사용할 수 있는 완성된 의료 기기는 아니지만, 복잡하고 수동적인 의료 프로토콜을 유지하면서도 이를 자동화하는 것이 가능하다는 것을 보여줍니다. 이 시스템은 20분이 걸리던 전문가 전용 작업을, 의사가 AI가 어떻게 결론에 도달했는지 뼈 단위로 확인할 수 있는 매우 상세한 보고서를 생성하며 단 5초 만에 끝내는 과정으로 바꿉니다.