Cascade Deep Learning (nnU-Net + ResNet-18) for Meniscus Segmentation and Three-Grade Injury Classification on Knee MRI: A Single-Centre Study with Reader Assistance Evaluation

인간의 무릎은 공학의 경이로움으로, 관절을 완충하고 안정성을 유지하기 위해 반월상 연골이라고 불리는 두 개의 C자형 연골 패드에 의존합니다. 이 패드가 찢어지거나 마모되면 통증, 부종, 그리고 종종 수술이 필요한 운동성 저하가 발생합니다. 이러한 부상을 진단하기 위해 의사들은 자기공명영상, 즉 MRI에 의존하며, 이는 무릎 내부의 상세한 단면 영상을 만들어냅니다. 그러나 이 영상을 판독하는 것은 느리고 까다로운 작업입니다. 방사선 전문의는 연골의 질감에서 나타나는 미세한 변화를 찾기 위해 수백 개의 얇은 슬라이스를 훑어보아야 합니다. 이 과정은 시간이 많이 걸릴 뿐만 아니라 인적 오류가 발생하기 쉽습니다. 즉, 두 명의 의사가 동일한 스캔 영상을 보고도 한 명은 단순한 퇴행성 마모라고 판단하고, 다른 한 명은 즉각적인 수술이 필요한 심각한 파열이라고 판단하여 의견이 일치하지 않을 수 있습니다. 이러한 불일치는 치료를 지연시키거나 불필요한 시술로 이어질 수 있습니다

이 과정을 더 빠르고 신뢰할 수 있게 만들기 위해, 연구자들은 컴퓨터에게 이러한 영상을 읽는 법을 가르치기 시작했습니다. 딥러닝이라고 알려진 이 분야는 인간의 뇌가 얼굴을 인식하는 법을 배우는 것과 매우 유사하게, 컴퓨터 프로그램이 이미지 속의 패턴을 인식하도록 훈련하는 것을 포함합니다. 목표는 의사를 대체하는 것이 아니라, 우려되는 부위를 강조하고 제2의 의견을 제공하는 '두 번째 눈' 역할을 하는 도구를 만드는 것입니다. 중국의 한 병원에서 진행된 새로운 연구는 이러한 시스템이 특히 반월상 연골 부상에 얼마나 잘 작동하는지를 탐구합니다. 연구진은 먼저 MRI 스캔에서 반월상을 찾아낸 다음, 이를 분석하여 건강한 상태인지, 퇴행 중인지, 혹은 파열되었는지를 판별하는 2단계 컴퓨터 시스템을 구축했습니다. 그들은 이 시스템을 수백 명의 환자를 대상으로 테스트한 후, 컴퓨터가 경험이 적은 임상의들의 진단을 얼마나 개선할 수 있는지 확인하기 위해 컴퓨터가 초급 의사들의 수행 능력에 어떤 영향을 미치는지 관찰했습니다.

연구진은 마치 한 사람이 물체를 찾으면 다른 사람이 이를 검사하는 팀처럼, 특정 순서에 따라 작동하는 컴퓨터 프레임워크를 개발했습니다. 먼저, 시스템은 정교한 알고리즘을 사용하여 MRI 영상을 스캔하고 반월상 연골의 정확한 윤곽을 그려 주변의 뼈 및 액체와 분리합니다. 이 단계는 컴퓨터가 나머지 무릎 부위를 무시하고 정확히 어디를 보아야 할지 알려주기 때문에 매우 중요합니다. 반월상이 격리되면, 시스템의 두 번째 부분이 격리된 이미지를 조사하여 부상을 분류합니다. 시스템은 상태를 건강함, 퇴행성(마모 징후가 있음), 또는 3등급 파열(종종 수술이 필요한 완전 파열) 중 하나로 분류합니다. 이 시스템은 4년에 걸쳐 수집된 608개의 무릎 스캔 데이터를 통해 학습되었으며, 모든 데이터는 동일한 유형의 1.5-테슬라 MRI 장비로 촬영되었습니다. 영상에는 앞뒤 방향과 좌우 방향의 뷰가 모두 포함되어 있어, 컴퓨터가 여러 각도에서 반월상을 볼 수 있도록 했습니다.

연구진이 시스템 자체를 테스트했을 때 결과는 엇갈렸지만 유망했습니다. 컴퓨터는 반월상이 건강할 때는 매우 뛰어났으며, 대부분의 경우 성공적으로 윤곽을 그려냈습니다. 그러나 반월상이 손상되었을 때는 윤곽을 정확하게 그리는 데 어려움을 겪었는데, 이는 아마도 파열이 조직의 모양과 질감을 변화시켜 배경과 구별하기 어렵게 만들기 때문일 것입니다. 이러한 윤곽 묘사의 어려움에도 불구하고, 부상을 진단하는 시스템의 능력은 준수했습니다. 앞쪽과 옆쪽의 뷰를 결합했을 때, 컴퓨터는 약 74%의 확률로 반월상이 파열되었는지 여부를 정확히 식별했습니다. 또한 측면 뷰보다 무릎의 정면 뷰를 볼 때 파열을 더 잘 포착했습니다. 시스템이 단독으로는 경미한 마모와 완전한 파열을 완벽하게 구분할 수는 없었지만, 심각한 부상을 표시하는 데는 분명한 능력을 보여주었습니다.

그러나 이 연구의 가장 중요한 부분은 컴퓨터가 단독으로 어떻게 수행되었느냐가 아니라, 그것이 인간 의사를 어떻게 도왔느냐 하는 점이었습니다. 연구진은 근골격계 영상을 판독한 경험이 3년 미만인 두 명의 주니어 정형외과 레지던트를 모집하여 100개의 무릎 사례를 진단하게 했습니다. 먼저 의사들은 도움 없이 스캔을 살펴보았습니다. 그 후, 사례를 기억하지 못하도록 2주의 휴식기를 가진 뒤, 이번에는 컴퓨터의 도움을 받아 동일한 스캔을 다시 살펴보았습니다. 컴퓨터는 파열 가능성을 나타내는 확률 점수와 함께, 컴퓨터가 의심스럽다고 판단한 반월상의 특정 부위를 강조하는 시각적 지도를 제공했습니다.

인간과 기계의 파트너십 결과는 놀라웠습니다. 주니어 의사들이 혼자 작업했을 때의 AUC는 0.64였습니다. 컴퓨터의 안내를 받았을 때 그들의 수행 능력은 AUC 0.78로 향상되었습니다. 더욱 중요한 것은, 컴퓨터가 그들이 더 심각한 파열을 잡아내도록 도왔다는 점입니다. 도움 없이 주니어 의사들은 3등급 파열의 40%를 놓쳤으나, 컴퓨터의 도움을 받자 80%를 잡아냈습니다. 또한 이 도구는 의사들의 속도를 높여주었습니다. 단일 사례를 진단하는 데 걸리는 평균 시간은 거의 45초에서 28초 미만으로 줄어들었으며, 이는 38%의 감소를 의미합니다. 이러한 속도 향상은 컴퓨터가 의사들이 부상을 찾는 데 드는 시간을 줄여줌으로써 주의를 집중시키는 데 도움을 주었음을 시사합니다. 또한, 두 의사 모두 컴퓨터를 사용할 때 의사 간의 일치도가 향상되었는데, 이는 이 도구가 개인의 판단 차이를 줄이는 데 도움이 되는 일관된 기준을 제공했음을 시사합니다.

연구는 이 컴퓨터 시스템이 아직 전문가를 대체할 만큼 완벽하지는 않지만, 강력한 조력자 역할을 한다는 결론을 내렸습니다. 이 시스템은 특히 경험이 적은 임상의들에게 안전망 역할을 하여, 그들이 놓칠 수 있는 심각한 부상을 더 빠르게 발견하도록 돕습니다. 연구진은 파열된 조직의 정확한 경계를 정의하는 것의 어려움과 퇴행과 초기 파열 사이의 미세한 시각적 유사성 때문에 시스템의 성능이 제한되었다고 언급했습니다. 또한 이 연구가 단일 병원에서 수행되었으므로, 널리 채택되기 전에는 다양한 지역의 환자와 다양한 유형의 MRI 장비에 대해 테스트되어야 한다고 지적했습니다. 그럼에도 불구하고, 이번 연구 결과는 잘 설계된 컴퓨터 도구가 인간의 의사결정을 효과적으로 지원하여, 느리고 가변적인 과정을 더 빠르고 신뢰할 수 있는 과정으로 바꿀 수 있음을 입증합니다.