Deep Learning–Based Quantitative Assessment of Pneumothorax in Neonatal Chest Radiographs

기술 요약: 신생아 흉부 방사선 사진의 기흉에 대한 딥러닝 기반 정량적 평가

문제 정의
기흉은 신속한 탐지와 정확한 중증도 평가를 통해 중재를 유도해야 하는 신생아의 생명을 위협하는 질환이다. 신생아 집중치료실(NICU)에서 앙와위(supine)로 촬영된 흉부 방사선 사진을 수동으로 판독하는 것은 노동 집약적이고 시간이 많이 소요되며, 관찰자 간 변동성 및 진단 지연이 발생하기 쉽다. 딥러닝(DL) 알고리즘이 기흉의 존재 여부를 판단하는 이진 분류(binary classification)에서는 높은 성능을 입증해 왔으나, 기존 시스템들은 임상적으로 유의미한 중증도 정량화 기능을 제공하지 못하는 경우가 많다. 또한, 기흉 크기를 추정하기 위한 현재의 수동 방식은 복잡한 공식을 포함하며 소아 환자를 위한 표준화된 가이드라인이 부족하다. 특히 흉곽 외 확장(extrathoracic extension)을 포함하는 사례에 대해 객관적인 픽셀 단위 정량화를 적용하는 딥러닝 기반 의미론적 분할(semantic segmentation) 분야에는 구체적인 공백이 존재한다.

연구 방법론
본 다기관 회고적 연구는 한국의 11개 대학 병원에서 수집된 3,443장의 기흉이 포함된 신생아 흉부 방사선 사진을 활용하였다. 데이터셋은 환자 수준에서 훈련(n=2,754), 검증(n=344), 테스트(n=345) 세트로 나누어졌으며, 세 명의 소아과 전문가에 의해 수동 주석(annotation) 및 검증되었다. 또한, AI 보조 의사 라벨링(pseudo-labeling) 파이프라인을 통해 생성되고 전문가에 의해 정제된 60,931장의 흉곽 분할 마스크가 제작되었다.

• 모델 아키텍처: 본 연구는 ResNet-34 인코더를 갖춘 두 개의 독립적인 UNet++ 모델을 사용하였다. 한 모델은 기흉 영역을 분할하도록 학습되었고, 다른 모델은 흉곽(thoracic cavity)을 분할하도록 학습되었다. UNet++는 얇은 흉막선(pleural lines)과 작은 영역의 경계 연속성을 개선하는 향상된 스킵 연결(skip connections)을 위해 선택되었다.
• 전처리: 이미지는 그레이스케일로 변환되었고, 256×256 픽셀로 리샘플링되었으며, 224×224 픽셀로 중앙 크롭(center-cropped)되었다. 학습 중에는 표준 데이터 증강(밝기/대비 변화, 가우시안 블러, 회전, 수평 뒤집기)이 적용되었다.
• 학습: 모델은 이진 교차 엔트로피 손실(binary cross-entropy loss)과 Adam 옵티마이저(초기 학습률 1×10⁻⁴)를 사용하여 최대 200 에포크(epoch) 동안 학습되었다. 실험은 PyTorch 2.5.1을 사용하여 4개의 NVIDIA GeForce RTX 4090 GPU가 장착된 Windows 11 워크스테이션에서 수행되었다.
• 정량화 전략: 기흉 중증도는 픽셀 단위 마스크로부터 도출된 **기흉 대 흉곽 면적 비율(pneumothorax-to-thorax area ratio)**을 계산하여 정량화되었다. 시스템은 흉곽 내(intrathoracic, 경계 내부) 기흉과 흉곽 외(extrathoracic, 경계 외부 확장) 기흉을 구분하였다. 중증도는 비율 기반의 네 가지 범주(<10%, 10–20%, 20–30%, ≥30%)로 계층화되었다.
• 평가: 예측된 마스크와 참조 마스크 사이의 공간적 중첩을 평가하기 위해 **다이스 유사 계수(Dice Similarity Coefficient, DSC)**를 사용하여 성능을 측정하였다.

주요 결과

• 분할 성능: 테스트 데이터셋(n=345)에서 기흉 분할 모델은 0.9088의 중앙값 DSC를 달성하였다. 흉곽 분할 모델은 테스트 세트에서 0.9386의 중앙값 DSC를 달성하였다.
• 중증도별 정확도: 분할 정확도는 기흉 크기가 커질수록 향상되었다. 기흉 대 흉곽 비율에 따른 중앙값 DSC는 다음과 같다:
  • <10%: 0.8366
  • 10–20%: 0.9191
  • 20–30%: 0.9452
  • ≥30%: 0.9742
• 흉곽 외 사례: 모델은 50건의 흉곽 외 기흉 사례를 성공적으로 식별하고 분할하였으며, 중증도 그룹 전반에 걸쳐 0.9531의 견고한 중앙값 DSC(0.8840에서 0.9580 범위)를 유지하였다.
• 질적 검증: 대표 사례들에 대한 시각적 검사를 통해 자동 분할이 흉곽, 흉곽 내 및 흉곽 외 영역에 대해 수동 그라운드 트루스(ground truth)와 밀접하게 일치함을 확인하였으며, 특정 사례에서는 DSC가 0.96을 초 exceed하였다.

핵심 기여

1. 정량적 평가: 본 연구는 이진 분류를 넘어 픽셀 단위 의미론적 분할을 사용하여 기흉 중증도에 대한 객관적이고 재현 가능한 정량적 측정을 제공하는 딥러닝 기반 시스템을 도입하였다.
2. 흉곽 외 확장 능력: 시스템은 표준 탐지 알고리즘이 어려움을 겪는 경우가 많은, 기흉이 흉곽 외부로 확장되는 복잡한 사례를 효과적으로 처리한다.
3. 작은 병변 성능: 작은 병변에서 상당한 성능 저하를 보였던 이전 연구들과 달리, 본 모델은 기흉 대 흉곽 비율이 10% 미만인 경우에도 안정적인 성능(DSC 0.8366)을 유지하였다.
4. 임상 워크플로우 통합: 면적 비율 계산을 자동화함으로써, 본 시스템은 NICU에서 수동 중증도 추정에 따르는 시간과 복잡성을 줄이는 것을 목표로 한다.

의의 및 주장
저자들은 이 딥러닝 기반 시스템이 신생아 흉부 방사선 사진에서 기흉의 정확한 탐지, 국소화 및 정량적 중증도 평가를 가능하게 한다고 주장한다. 본 연구는 이러한 정량적 접근 방식이 중증도 계층화를 위한 재현 가능한 방법을 제공하여, 임상적으로 유의미한 기흉의 조기 인식을 촉진하고 적시의 정보에 기반한 임상 의사결정을 지원할 수 있다고 상정한다.

저자들은 단일 확립된 아키텍처(ResNet-34를 결과로 하는 UNet++)의 사용과 희귀성으로 인한 제한된 흉곽 외 사례 수 등 한계점을 인정하였다. 그들은 기술적 검증이 DSC에 의존했음에도 불구하고, 중증도 계층 그룹 전반에 걸친 견고한 성능을 통해 임상적 타당성이 확립되었음을 강조하였다. 본 연구는 제안된 알고리즘이 객관적인 중증도 추정을 위한 실행 가능한 도구를 제공하여, 잠재적으로 신생아 케어 관리를 향상시킬 수 있다고 결론짓는다.