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

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.