Impact of Imaging Protocols on Thermal Detection of Pressure Injuries: Threshold versus Deep Learning Across Skin Tones

본 연구는 고정된 온도 차이를 활용하는 대신 공간적 열 구배를 활용함으로써 다양한 피부색과 다양한 촬영 프로토콜에 걸쳐 견고하고 공정한 정확도를 달성하며, 열화상을 통한 모의 욕창 탐지에서 기존 임계값 기반 접근법보다 딥러닝 모델이 훨씬 우수한 성능을 보임을 입증한다.

핵심

이 논문은 간단한 언어와 창의적인 비유를 사용하여 설명합니다.

큰 그림: 멍이 나타나기 전에 '차가운 부위'를 찾기

피부 아래에 멍이 생기는 상황을 상상해 보세요. 보라색이나 붉은색 자국이 눈에 띄기 전에, 실제로 그 부위는 혈류가 느려지면서 더 차가워집니다. 의사들은 오랫동안 이를 알고 있었으며, 심한 욕창 (압력성 궤양) 을 예방하기 위해 이러한 '차가운 부위'를 조기에 발견하기 위해 특수 열화상 카메라 (열을 보는 야간 투시경과 같은 것) 를 사용해 왔습니다.

하지만 문제가 하나 있습니다: 피부색은 다양하고 카메라도 여러 종류입니다. 이 논문이 던진 큰 질문은 다음과 같습니다: 우리가 사용하는 이 차가운 부위 탐지 방법이 피부색이나 사용하는 카메라 종류와 상관없이 모두에게 동일하게 잘 작동할까요?

두 명의 탐정: '규칙책' 대 '스마트 학습자'

연구진은 열화상 이미지를 분석하는 두 가지 다른 방법을 테스트했습니다:

1. 규칙책 탐정 (임계값 기반 접근법):

   • 작동 방식: 이 방법은 엄격하고 단순한 규칙을 따릅니다. '차가운 부위'의 온도를 측정하여 근처의 '정상 부위'와 비교합니다. 만약 그 차이가 특정 수치 (예: -1.71°C) 보다 크다면 "경보! 욕창입니다!"라고 외칩니다. 그렇지 않다면 "모두 안전합니다"라고 말합니다.
   • 비유: 이는 키가 6 피트 (약 183cm) 이상인 사람만 입장시키는 클럽의 경비원과 같습니다. 단일하고 경직된 규칙입니다. 사람이 모자를 썼는지, 상자 위에 서 있는지, 조명이 어두운지 여부는 중요하지 않습니다. 키가 6 피트가 아니면 입장할 수 없습니다.

2. 스마트 학습자 (딥러닝/CNN 모델):

   • 작동 방식: 단일 숫자 대신 이 방법은 인공지능 (AI) 을 사용하여 전체 그림을 봅니다. 차가운 부위에서 열이 어떻게 퍼져나가는지 그 모양, 가장자리, 패턴을 인식하도록 학습합니다.
   • 비유: 이는 베테랑 미술 비평가와 같습니다. 그들은 그림의 높이만 측정하지 않습니다. 붓터치, 조명, 구도, 그리고 전체적인 분위기를 살펴봅니다. 그들은 단일한 특정 측정치가 아니라 이미지의 맥락을 이해합니다.

실험: 통제된 '냉각'

이러한 탐정들을 테스트하기 위해 연구진은 실제 욕창이 생기는 것을 기다리지 않았습니다 (수일이 걸리기 때문입니다). 대신 안전하고 통제된 시뮬레이션을 만들었습니다:

• 대상: 매우 밝은 피부색에서 매우 어두운 피부색까지 다양한 피부색을 가진 건강한 성인 35 명.
• 기법: 참가자들의 허리 특정 부위에 5 분 동안 차가운 돌 실린더를 올려놓아 발달 중인 압력성 궤양의 냉각 효과를 모방했습니다.
• 변수: 12 가지 다른 조건 (다른 조명, 다른 거리, 다른 신체 자세) 에서 두 가지 다른 카메라 (고급 전문 카메라와 저렴하고 해상도가 낮은 카메라) 를 사용하여 사진을 촬영했습니다.

결과: 누가 경주를 이겼나?

1. 스마트 학습자 (AI) 가 규칙책을 압도했다
AI 모델은 규칙책 방법 (약 95.6% 정확도) 에 비해 훨씬 더 정확했습니다 (약 99% 정확도).

• 이유: 규칙책은 너무 경직되어 있습니다. 카메라가 약간 다르거나 조명이 변하면 온도 차이를 판단하는 '마법의 숫자'가 무너집니다.
• 카메라 문제: 연구진이 저렴하고 해상도가 낮은 카메라를 사용했을 때, 규칙책 탐정은 혼란을 겪으며 특히 중간 - 어두운 피부색을 가진 사람들에게서 훨씬 더 많은 실수를 저질렀습니다. 반면 스마트 학습자는 두 카메라 모두에서 차분하고 정확하게 작동했습니다.

2. 피부색에 대한 놀라운 발견
규칙책 방법은 불공평했습니다. 저렴한 카메라를 사용할 때 중간 - 어두운 피부색 (MST 6) 을 가진 사람들이 가장 큰 어려움을 겪었습니다. 또한 비싼 카메라를 사용할 때 가장 어두운 피부색에서도 어려움을 겪었습니다.

• AI 의 장점: 스마트 학습자는 모두에게 공평하게 대했습니다. 모든 피부색에서 일관되게 잘 작동하여 피부의 멜라닌 양에 의해 편향되지 않았음을 입증했습니다.

3. AI 는 실제로 무엇을 보고 있었을까?
연구진은 AI 가 이미지에서 어디를 '보고' 있는지 확인하기 위해 특수 도구 (Grad-CAM) 를 사용했습니다.

• 발견: AI 는 단순히 차가운 부위의 중심만 보고 있지 않았습니다. 차가운 영역이 따뜻한 피부와 만나는 가장자리나 경계에 집중하고 있었습니다.
• 비유: 따뜻한 보도블록 위에서 녹아내리는 눈덩이를 상상해 보세요. 규칙책은 눈덩이 중심의 온도만 확인합니다. 반면 AI 는 눈이 물로 변하는 바삭한 가장자리를 봅니다. AI 는 온도 변화의 형태 자체가 온도 그 자체보다 중요하다는 것을 깨달았습니다.

왜 AI 가 가끔 실패했을까?

심지어 스마트 학습자도 몇 가지 실수를 했습니다. 논문은 이러한 실수가 '차가운 부위'가 다시 따뜻해지기 시작할 때 (재가열) 발생했다고 밝혔습니다.

• 혼란: 차가운 부위가 따뜻해지면서 차가움과 따뜻함 사이의 날카로운 가장자리가 흐려졌습니다. AI 는 척추 근처의 다른 따뜻한 부위에 산만해져 원래의 차가운 부위에 집중력을 잃었습니다.
• 교훈: 이는 AI 가 냉각의 패턴을 포착하는 데 매우 뛰어나지만, 그 패턴이 너무 흐리거나 약해지면 혼란을 겪을 수 있음을 시사합니다.

결론

이 논문은 열화상 카메라를 사용하여 압력성 궤양의 초기 징후를 탐지하는 데 있어 다음과 같은 점을 보여줍니다:

• 단일 온도 수치에 의존하지 마십시오. 그것은 너무 취약하며 카메라와 사람의 피부색에 지나치게 의존합니다.
• 전체 그림을 보는 AI 를 사용하십시오. 열의 형태와 경사를 이해함으로써 AI 는 서로 다른 카메라를 사용하거나 완벽하지 않은 조건에서 사진을 찍을 때에도 모든 피부색을 가진 사람들에게 공정하고 정확하게 작동할 수 있습니다.

이 연구는 실제 환자에 대한 추가 테스트가 필요하지만, 구식 '규칙책' 방법보다 '스마트 학습자' 접근 방식이 의료의 미래에 훨씬 더 유망하고 공평한 도구라는 결론을 내립니다.

기술 요약

기술적 요약: 촬영 프로토콜이 욕창 열 감지에 미치는 영향

문제 제기
욕창은 연간 미국에서 약 60,000 명의 사망을 초래하고 268 억 달러 이상의 비용을 발생시키는 중대한 의료 과제로서, 조기 발견이 중요하지만 어렵습니다. 육안 검사는 특히 어두운 피부색을 가진 환자에서 비가압성 홍반을 식별하기 어려워 신뢰할 수 없습니다. 열화상 촬영은 조직 허혈과 관련된 초기 온도 변화를 감지하는 비접촉식 방법을 제공하지만, 촬영 프로토콜의 변인 (조명, 거리, 자세, 카메라 유형) 과 다양한 환자의 피부색이 감지 정확도에 어떻게 영향을 미치는지에 대한 이해 부족으로 임상적 유용성이 저해받고 있습니다. 또한, 현재의 임상적 접근 방식은 종종 고정된 온도 임계값에 의존하는데, 이는 서로 다른 하드웨어나 생리학적 집단에서 일반화되지 못할 수 있습니다.

방법론
본 연구는 초기 욕창 온도 변화의 대리 지표인 열적 냉각을 감지하기 위한 두 가지 분류 접근법을 평가하기 위해 통제된 시뮬레이션을 활용했습니다.

• 데이터 수집: 연구자들은 다양한 피부색을 가진 35 명의 건강한 성인으로부터 1,680 개의 열화상을 수집했으며, Monk Skin Tone(MST) 척도에 따라 MST 1-5(n=5), MST 6(n=7), MST 7-10(n=23) 의 세 그룹으로 층화했습니다.
• 실험 프로토콜: 통제된 냉각 프로토콜은 후상장골극 (PSIS) 에 냉각된 석재 실린더를 5 분간 놓음으로써 유도되었습니다. 이미지는 고해상도 FLIR E8XT(320×240 열 해상도) 와 소비자용 FLIR ONE Pro(160×120 열 해상도) 라는 두 가지 다른 카메라로 촬영되었습니다.
• 촬영 변인: 조명 (주변광 vs 링 조명), 거리 (35cm vs 50cm), 자세 (전방, 중첩, 후방 무릎 배치) 를 변형한 12 가지 촬영 구성을 가진 요인 설계가 사용되었습니다.
• 분류 접근법:
  1. 임계값 기반: ROC 분석을 통해 도출된 -1.71°C 의 고정 온도 차 임계값이 적용되어, 냉각된 영역과 대조 영역 간의 온도 차이를 기반으로 이미지를 '냉각' 또는 '기준선'으로 분류했습니다.
  2. 딥러닝 (CNN): 세 가지 전이 학습 모델 (MobileNetV2, InceptionNetV3, ResNet50) 이 이미지를 분류하도록 미세 조정되었습니다. 모델들은 이미지별 정규화, 데이터 증강 (플립, 회전), 그리고 데이터 누출을 방지하기 위한 층화된 참가자 단위 5 교차 검증 프레임워크를 활용했습니다.
• 설명 가능성: CNN 예측에 영향을 미치는 공간적 특징을 시각화하기 위해 가중치 기울기 클래스 활성화 매핑 (Grad-CAM) 이 사용되었습니다.

주요 결과

• 전체 성능: 딥러닝 모델이 임계값 기반 접근법보다 현저히 우수한 성능을 보였습니다. CNN 은 98.6% 에서 99.6% 에 이르는 전체 정확도를 달성한 반면, 임계값 기반 방법은 95.6% 를 달성했습니다.
• 프로토콜 전반의 견고성: 임계값 기반 접근법은 조명과 거리에 따라 오분류 패턴이 프로토콜에 의존적으로 나타났으며, 오분류율은 1.9% 에서 13.0% 로 다양했습니다. 반면, CNN 은 12 가지 모든 촬영 프로토콜에서 일관된 성능을 유지했으며, 네 가지 프로토콜에서는 오분류가 전혀 발생하지 않았습니다.
• 하드웨어 의존성: 임계값 기반 방법은 하드웨어 의존성이 컸습니다. 저해상도 FLIR ONE Pro 에서 오분류율은 1.2%(고해상도 E8XT 기준) 에서 5.2% 로 급증했으며, 특히 중간 피부색 그룹 (MST 6) 에서 취약성이 두드러져 이 기기에서 발생한 총 44 건의 오분류 중 22 건을 차지했습니다. CNN 은 카메라 유형에 대한 우수한 견고성을 보여주어 모든 피부색에서 FLIR ONE Pro 에서 0.8% 의 낮은 오분류율을 유지했습니다.
• 피부색 형평성: 임계값 기반 접근법은 피부색 그룹 간에 성능이 다양하게 나타났으나 (MST 6 에서 정확도 가장 낮음), CNN 은 모든 그룹에서 97.5%~99.7% 의 높은 정확도를 유지했습니다.
• 오류 분석: Grad-CAM 시각화는 CNN 이 냉각 영역의 경계에서 열적 경사에 집중했음을 드러냈습니다. 오분류는 주로 재가열로 인해 시간이 지남에 따라 열적 경사가 감소할 때 발생하여, 모델의 주의가 냉각 영역 자체가 아닌 경쟁하는 따뜻한 인공물 (예: 척추旁 가열) 로 이동했습니다. 이러한 실패 양상은 피부색 전반에 걸쳐 일관되었으며, 오류가 피부색 생리학이 아닌 시간적 열 역학에 의해 주도되었음을 시사합니다.

의의 및 주장
본 논문은 고정 임계값 방법에 비해 딥러닝 기반 접근법이 열화상 기반 욕창 감지를 위해 더 형평성 있고 견고한 해결책을 제공한다고 주장합니다. 주요 기여점은 다음과 같습니다.

1. 우수한 일반화: CNN 은 공간적 온도 정보와 열적 경사를 보존하여 고정 임계값이 실패하는 다양한 촬영 조건과 카메라 유형 전반에 걸쳐 일반화할 수 있게 합니다.
2. 피부색 전반의 형평성: 서로 다른 피부색에서 카메라 의존적 취약성 패턴을 보인 임계값 기반 방법과 달리, 딥러닝 모델은 일관된 성능을 유지하여 단일 값 임계값에 영향을 미치는 생리학적 및 측정 변이에 덜 취약함을 시사합니다.
3. 임상적 함의: 이 연구 결과는 열화상의 임상적 구현이 조명, 거리, 또는 자세의 엄격한 표준화를 필요로 하지 않음을 시사합니다. CNN 은 자연스러운 변이를 견딜 수 있기 때문입니다. 또한, 본 연구는 이러한 시스템을 훈련하기 위한 데이터셋이 단순한 사후 온도 임계값이 아닌 조직 손상의 복잡한 공간적 역학을 반영하지 못할 수 있는 임상적 진실 (확인된 손상 상태) 에 기반하여 라벨링되어야 한다고 주장합니다.

저자들은 CNN 이 다양한 인구 집단에서 신뢰할 수 있는 감지를 위한 유망한 가능성을 보이지만, 실제 욕창을 가진 임상 인구와 더 크고 균형 잡힌 코호트에서의 향후 검증을 통해 이러한 기술적 이점이 실제 환경에서의 조기 감지 개선으로 이어지는지 확인해야 한다고 결론지었습니다.