A Study on the Application of Multimodal MRI Deep Learning in the Early Detection of Osteonecrosis of the Femoral Head

인체는 복잡한 기계와 같지만, 가장 치명적인 결함 중 일부는 관절이 만나는 뼈 내부 깊은 곳에서 소리 없이 발생합니다. 그러한 질환 중 하나가 대퇴골두 무혈성 괴사로, 이는 허벅지 뼈 상단의 머리 부분으로 가는 혈액 공급이 차단되어 뼈 조직이 죽어가는 질환입니다. 이 과정은 초기 단계에서는 통증이 없는 경우가 많지만, 방치할 경우 약해진 뼈가 붕괴되어 심한 통증, 운동 능력 상실, 그리고 결국 인공 고관절 치환술이 필요한 상황으로 이어질 수 있습니다. 관절을 살릴 수 있는 기회의 창이 매우 좁기 때문에, 질병을 조기에 발견하는 것이 매우 중요합니다. 수십 년 동안 의사들은 수술 없이도 몸 내부를 들여다볼 수 있는 강력한 스캔 기술인 자기 공명 영상(MRI)에 의존하여 이러한 초기 경고 신호를 포착해 왔습니다. 그러나 이러한 영상을 판독하는 것은 뼈의 미세한 질감 변화를 정상적인 변이와 구별해내야 하는 고도의 훈련된 안목을 요구하는 까다로운 작업이며, 이 과정은 의사마다 차이가 있을 수 있고 때로는 아주 미세한 이상 징징조차 놓칠 수도 있습니다.

최근, 진단의 일관성과 속도를 높이기 위한 노력의 일환으로, 중국의 여러 의료 및 기술 기관 연구진은 인공지능을 사용하는 새로운 방법을 개발했습니다. 그들은 컴퓨터 프로그램의 한 종류인 딥러닝 모델을 활용했는데, 이는 패턴을 인식하도록 훈련된 디지털 눈과 같은 역할을 합니다. 구체적으로, 그들은 "YOLO(You Only Look Once)"라고 불리는 모델 제품군을 테스트했습니다. 이 프로그램들은 이미지를 스캔하여 사물을 거의 즉각적으로 식별하는 능력으로 유명하며, 보통 자율주행 자동차나 보안 카메라에서 볼 수 있는 기술이지만, 여기서는 의료 영상에 적용되었습니다. 연구팀은 이 프로그램들이 인간보다 더 높은 정확도로 고관절 스캔에서 뼈 괴사의 초기 징후를 찾아내도록 가르칠 수 있는지, 그리고 바쁜 병원에서도 유용하게 쓰일 만큼 빠르게 수행할 수 있는지 확인하고자 했습니다.

연구진은 두 곳의 서로 다른 병원에서 수집한 수백 명의 환자(질환 진단을 받았거나 건강한 상태인 환자 포함)의 고관절 스캔 데이터를 모았습니다. 그들은 의사들이 일상적으로 촬영하는 두 가지 특정 유형의 영상에 집중했습니다. 하나는 뼈의 상세한 구조를 보여주는 영상이고, 다른 하나는 액체와 염증을 강조하는 영상입니다. 전형적인 의료 검사에서 의사는 전체적인 그림을 얻기 위해 이 두 영상을 각각 따로 살펴봅니다. 연구팀은 컴퓨터가 이 두 영상을 마치 하나의 결합된 뷰처럼 동시에 보도록 가르치는 것이 질병을 더 잘 찾아내는 데 도움이 될지 궁금했습니다. 답을 찾기 위해 그들은 일련의 엄격한 테스트를 수행했습니다. 먼저, 단일 센터의 스캔 데이터(참가자 251명)를 바탕으로 6가지 버전의 YOLO 소프트웨어를 훈련시켜 어떤 것이 문제를 찾는 데 가장 우수한지 확인했습니다. 그들은 컴퓨터가 얼마나 정확하게 맞혔는지뿐만 아니라, 실제 병원에서는 정확도만큼이나 결정 속도가 중요하기 때문에 얼마나 빨리 결정을 내리는지도 측정했습니다.

결과는 명확한 승자를 가리켰습니다. "버전 11"로 알려진 최신 소프트웨어 중 하나가 가장 효과적인 것으로 나타났습니다. 이 소프트웨어는 테스트된 거의 모든 사례에서 질병을 식별해냈으며, 놓친 사례는 거의 없었을 뿐만 아니라 각 스캔을 5밀리초 미만으로 처리했습니다. 이 속도는 컴퓨터가 이론적으로 사람이 커피 한 잔을 마시는 시간 동안 수천 개의 스캔을 분석할 수 있을 정도로 빠릅니다. 더 중요한 것은, 두 종류의 영상을 결합하는 전략이 어느 한 쪽만 보는 것보다 더 효과적임을 확인했다는 점입니다. 소프트웨어에 구조적 영상과 액체 민감 영상을 함께 입력했을 때, 정확도는 더욱 높아졌고 놀랍게도 속도 또한 더 빨라졌습니다. 이는 컴퓨터가 두 영상의 강점을 동시에 활용할 수 있었기 때문인데, 한쪽 영상의 명확한 뼈 윤곽을 사용하여 탐색을 안내하고 다른 쪽의 액체 신호를 통해 손상의 존재를 확정하는 방식을 취했습니다.

또한 연구는 소프트웨어가 다양한 조건에서 어떻게 작동하는지 탐구했습니다. 연구진은 컴퓨터를 매우 신중하게 설정하여 사례를 거의 놓치지 않도록 하거나, 혹은 매우 엄격하게 설정하여 오보를 거의 내지 않도록 조정할 수 있다는 것을 발견했습니다. 그들은 환자 선별을 목처로 할 때, 가능한 모든 사례를 찾아내는 것을 우선시하는 설정이 가장 신뢰할 수 있는 접근 방식이라는 것을 발견했습니다. 컴퓨터는 정상 표본에 대해 0.7에서 0.9, 비정상 병변에 대해 약 0.9 정도의 확신 점수를 부여하며 높은 신뢰도로 건강한 고관절과 초기 손상이 있는 고관절을 구분해 냈습니다. 이 소프트웨어가 완벽하지는 않으며 여전히 의사의 최종 판단을 필요로 하지만, 피로 때문에 미세한 세부 사항을 간과하거나 지치지 않는 강력한 '제2의 눈' 역할을 수행합니다.

이 연구는 인공지능이 정형외과 의사를 어떻게 도울 수 있는지에 대한 실질적인 경로를 제시합니다. 빠르고 정확한 모델을 사용하고 표준 의료 검사에서 사용 가능한 모든 정보를 제공함으로써, 병원은 잠재적으로 더 많은 환자를 더 짧은 시간에 스크린할 수 있으며, 뼈가 붕괴되기 전에 질병을 잡아낼 수 있습니다. 연구진은 자신들의 결과가 유망하지만, 이는 특정 데이터 세트에 기반한 것이므로 신뢰성을 확립하기 위해 더 다양한 환자군을 대상으로 실제 임상 현장에서 테스트될 필요가 있다고 언급했습니다. 그럼에도 불구하고, 이 연구는 관절을 보존하고 조용한 듯 치명적인 이 질환에 직면한 사람들의 삶의 질을 개선하는 데 도움이 될 지능형 도구를 구축하기 위한 견고한 토대를 제공합니다. 궁극적인 목표는 의사를 대체하는 것이 아니라, 의사가 적절한 시기에 올바른 결정을 내릴 수 있도록 더 날카롭고 빠른 도구를 제공하는 것입니다.