뼈 연령 예측을 위한 골격 형태 기반 분류·회귀 모델링

초록

본 논문은 손 방사선 사진에서 추출한 뼈 윤곽을 이용해 두 가지 접근법을 제안한다. 첫째, 개별 뼈의 TW 단계(골연령 점수)를 예측하는 분류기를 학습하고, 둘째, 뼈 형태 특징을 직접 연령에 매핑하는 회귀 모델을 구축한다. 1차원 윤곽 시계열보다 요약 형태 특징이 성능이 우수하며, 세 개의 주요 뼈만 사용해 전문가 수준의 정확도를 달성한다. 또한 성별·인종이 연령 발달에 미치는 영향을 정량화한다.

상세 분석

이 연구는 기존 자동 골연령 평가 시스템이 주로 전체 손 이미지를 직접 회귀하거나, Greulich‑Pyle(GP)·Tanner‑Whitehouse(TW) 점수를 재현하려는 방식에 의존해 온 점을 비판한다. 저자들은 이미지 전처리와 연령 모델링을 명확히 분리하는 모듈식 파이프라인을 설계하였다. 첫 단계에서는 손 전체와 각 뼈를 정확히 분할·검증하고, 두 번째 단계에서 각 뼈의 외곽선을 2차원 좌표 시퀀스로 추출한다. 여기서 핵심은 ‘요약 형태 특징(summary shape features)’을 정의한 것이다. 이는 TW 점수 체계에서 제시되는 골단계별 길이·두께·곡률 등 임상적으로 의미 있는 측정값을 수치화한 것으로, 1차원 거리 시계열(예: 윤곽의 x‑좌표만)보다 정보량이 풍부하다.

분류 실험에서는 세 가지 변환을 적용했다. (1) Elastic distance 기반의 1D 시계열 직접 비교, (2) Shapelet‑like 부분 시퀀스를 탐색해 특징 공간을 구성, (3) 위에서 정의한 요약 형태 특징을 이용한 전통적인 머신러닝 분류기(예: Random Forest, SVM). 실험 결과, 형태 특징 기반 분류기가 최소 한 개의 뼈에서 유의하게 높은 정확도를 보였으며, 특히 TW 단계 구분에서 인간 전문가와 거의 동등한 성능을 기록했다.

회귀 측면에서는 선형 회귀와 비선형 회귀(예: 커널 리그레션, Gradient Boosting)를 적용했으며, 입력 변수는 동일하게 요약 형태 특징이다. 결과는 평균 절대 오차(MAE)가 0.6~0.8년 수준으로, 기존 자동 시스템(예: BoneXpert)의 0.42년보다 약간 떨어지지만, 세 뼈만 사용했음에도 불구하고 임상적 허용 오차 내에 머물렀다. 또한 교차 검증을 통해 성별·인종 변수와 형태 특징 간의 상호작용을 분석했으며, 특정 인종군에서 뼈 성장 패턴이 유의하게 차이나는 것을 확인했다.

이 논문의 가장 큰 기여는 (1) 이미지 처리와 연령 모델을 완전히 분리함으로써 새로운 인구통계학적 데이터에 대해 빠르게 모델을 재학습할 수 있는 유연성을 제공, (2) 형태 특징이 임상 해석 가능성을 높여 의사와의 협업에 적합, (3) 최소한의 뼈(세 개)만으로도 전문가 수준의 정확도를 달성한다는 점이다. 또한 AAM/ASM 기반 방법이 갖는 라벨링 비용·범용성 한계를 극복하고, 데이터 편향을 최소화하는 설계 철학을 제시한다.