Deep Learning-Based Sex Classification and Chronological Age-Group Estimation from Knee Radiographs Using a Multi-Task Framework with Rank-Fusion and Tri-Loss Learning

법의학 및 의학 진단의 세계에서, 신원을 알 수 없는 사람을 식별하는 일은 종종 "그는 누구였는가?"라는 단순한 질문에서 시작됩니다. 가장 근본적인 두 가지 답변은 그 사람의 생물학적 성별과 연령입니다. 수십 년 동안 전문가들은 뼈가 어떻게 형성되었고 시간이 흐름에 따라 어떻게 변화했는지를 보여주는 징후를 조사함으로써 골격으로부터 이러한 단서들을 얻어왔습니다. 허벅지 뼈와 정강이 뼈가 만나는 복잡한 경첩 구조인 무릎 관절은 이 작업에 있어 특히 가치 있는 부위입니다. 이곳은 남성과 여성 사이의 명확한 차이를 보여주며, 젊은 성년기에서 노년기로 접어듦에 따라 예측 가능하고 점진적인 변화를 겪습니다. 전통적으로 의사와 법의학 전문가들은 이 관절의 X선 사진을 육안으로 관찰하며, 표준화된 차트를 사용하여 뼈의 상태를 점수화해 왔습니다. 그러나 이러한 수동 과정은 느릴 수 있으며, 서로 다른 전문가들이 동일한 영상에 대해 항상 일치된 의견을 갖는 것은 아닙니다. 인공지능 분야가 발전함에 따라, 연구자들은 컴퓨터가 인간의 눈보다 더 일관되고 정확하게 이러한 미세한 패턴을 학습할 수 있는지 질문하기 시작했습니다.

터키의 퀴타히아 보건과학대학교와 퀴타히아 시립병원의 연구팀은 이러한 노력에 있어 중요한 진전을 이루었습니다. 그들은 무릎 X선을 판독하여 해당 무릎의 주인이 누구인지 성별과 연령대를 자동으로 결정하도록 설계된 새로운 컴퓨터 시스템을 개발했습니다. 단일 방법에 의존하는 대신, 그들은 두 가지 별개의 작업을 동시에 처리하는 프레임워크를 구축했습니다. 첫 번째 작업인 무릎이 남성의 것인지 여성의 것인지 파악하기 위해, 연구팀은 단 하나의 컴퓨터 모델만을 신뢰하지 않았습니다. 대신, 그들은 세 가지 서로 다른 유형의 첨단 인공지능 시스템을 훈련시켜 동일한 영상을 관찰하게 했습니다. 그런 다음 이 세 시스템의 결과를 하나의 통합된 결정으로 결합했습니다. '랭크 퓨전 앙상블(Rank-Fusion Ensemble)'이라 부르는 이 접근 방식은 컴퓨터가 각 모델의 강점을 가중치로 반영할 수 있게 하여, 생물학적 성별에 대한 매우 신뢰도 높은 식별을 가능하게 했습니다.

두 번째 작업은 더 복잡했습니다. 바로 사람의 연령을 추정하는 것이었습니다. 성별이 이분법적인 범주인 것과 달리, 연령은 연속적인 진행 과정입니다. 30대인 사람은 40대인 사람과 많은 신체적 특징을 공유하므로, 연령대 사이의 경계는 모호합니다. 이를 처리하기 위해 연구진은 이미지의 미세한 디테일을 포착하는 데 탁월한 'ConvNeXt-Tiny'라는 특수 컴퓨터 아키텍처를 사용했습니다. 그들은 이 시스템이 연령대가 특정 순서를 따른다는 것을 이해하도록 가르쳤습니다. 연구진은 컴퓨터가 이웃한 연령대를 예측했을 때는 벌점을 적게 주고, 멀리 떨어진 연령대를 예측했을 때는 벌점을 더 많이 주도록 설계했습니다. 예를 들어, 시스템이 50세인 사람을 40세라고 예측했다면 이는 경미한 오류로 간주했지만, 20세라고 예측했다면 이는 중대한 실수로 간주했습니다. 저자들이 '트라이-로스(Tri-Loss)' 전략이라고 부르는 이 접근 방식은 모델이 노화의 자연스럽고 단계적인 특성을 존중하도록 도왔습니다.

연구팀은 22세에서 69세 사이의 환자들로부터 촬영된 1,042장의 무릎 X선 사진을 엄선하여 시스템을 테스트했습니다. 데이터는 남녀의 수가 거의 동일하고 환자들이 다섯 개의 서로 다른 10년 단위 연령대에 고르게 분포되도록 균형을 맞추었습니다. 시스템이 한 번도 본 적 없는 영상으로 테스트를 진행했을 때, 결과는 놀라웠습니다. 성별 판별에 있어 결합된 시스템은 96.65%의 확률로 정답을 맞혔습니다. 이 시스템은 남성과 여성의 골격 구조를 구별하는 데 매우 뛰어났으며, 두 집단을 분리하는 데 있어 완벽에 가까운 신뢰도를 나타내는 점수를 기록했습니다. 이 성능은 앙상블을 구성하는 데 사용된 세 가지 개별 컴퓨터 모델보다 유의미하게 높았습니다.

연령 추정 작업은 인접한 10년 단위 사이의 차이가 종종 미묘하기 때문에 더 어려운 과제였습니다. 그럼에도 불구하고, 특화된 시스템은 올바른 연령대를 맞히는 데 71.29%의 정확도를 달성했습니다. 더 중요한 점은, 시스템이 터무니없는 추측을 거의 하지 않았다는 것입니다. 틀렸을 때조차 대부분 단 한 단계의 연령 차이 내에 있었습니다. 연구진은 컴퓨터의 예측이 실제 연령대와 일치하거나, 혹은 바로 앞 또는 뒤의 연령대였던 경우가 전체 사례의 96.65%에 달한다는 것을 발견했습니다. 시스템은 젊은 성인을 노인으로 착각하는 것과 같은 극단적인 오류를 범하지 않았습니다. 이는 시스템이 단순히 별개의 범주를 암기하는 것이 아니라, 사람이 나이가 들면서 무릎에서 일어나는 점진적이고 중첩되는 변화를 성공적으로 학습했음을 시사합니다.

또한 연구팀은 컴퓨터가 자신의 답변에 대해 얼마나 확신을 갖는지 조사했습니다. 연구 결과, 시스템이 높은 확신을 보였을 때 대개 정답을 맞혔으며, 이는 시스템이 계산한 확률값이 신뢰할 수 있음을 의미했습니다. 이는 결과 자체만큼이나 결과의 신뢰도를 아는 것이 중요한 의료 및 법의학 분야에서 매우 중요한 세부 사항입니다. 연구진은 시스템이 매우 젊은 층과 매우 고령인 층을 식별하는 데는 탁월한 성능을 보였지만, 중년층은 구분하기가 약간 더 어려웠다고 언급했는데, 이는 아마도 그 시기의 무릎에서 일어나는 신체적 변화가 더 점진적이고 덜 뚜렷하기 때문일 것입니다.

이 연구는 딥러닝이 우리 뼈에 새겨진 이야기를 읽어내는 강력하고 객적인 도구가 될 수 있음을 입증합니다. 성별 식별을 위해 여러 인공지능 모델을 결합하고 연령 추정을 위해 특화된 접근 방식을 사용함으로써, 연구진은 전통적인 수동 관찰에 대한 정량적인 대안을 제시하는 시스템을 구축했습니다. 비록 이 연구가 특정 인구 집단과 특정 연령 범위를 대상으로 했지만, 결과는 무릎 방사선 사진의 자동 분석이 일관되고 높은 정확도의 인구통계학적 프로필을 제공할 수 있음을 시사합니다. 이러한 능력은 향-후 법의학 전문가들이 신원을 알 수 없는 유해를 식별하는 데 도움을 주거나, 임상의가 살아있는 환자의 연령 관련 변화를 평가하는 데 기여할 수 있으며, 이 모든 과정에서 인간의 해석에 따른 가변성 없이 수행될 수 있습니다. 이번 연구 결과는 성적 이형성과 예측 가능한 노화 과정을 지닌 무릎이 현대 머신러닝이라는 렌즈를 통해 이제 접근 가능한 풍부한 정보의 원천임을 확인시켜 줍니다.