장기 CT를 이용한 골다공증성 및 종양성 압박 골절 분류

초록

본 연구는 장기 CT 영상에서 골다공증성 및 종양성 척추 압박 골절을 구분하기 위해, 자동화된 형태·밀도 측정값 36개를 추출하고, 이를 지원 벡터 머신(SVM) 위원회에 학습시켰다. 250건의 CT 데이터(695개 골절)로 10‑fold 교차 검증을 수행한 결과, 정적 특징만 사용했을 때 정확도 81.2%, 시간에 따른 변화( longitudinal) 특징만 사용했을 때 66.5%, 두 특징을 결합했을 때 82.0%의 분류 정확도를 얻었다.

상세 분석

이 논문은 임상에서 척추 압박 골절(Virtual Compression Fracture, VCF)의 원인 구분이 치료 전략에 직접적인 영향을 미친다는 점에 착안하여, CT 기반 자동 분류 시스템을 설계하였다. 데이터는 250명의 환자(총 695개의 골절)에서 추출했으며, 각 골절은 사전에 골다공증성 또는 종양성으로 라벨링되어 있었다. 특징 추출 단계에서는 두 가지 축을 두었다. 첫 번째는 정적 형태·밀도 지표로, 골절 부위의 높이 감소율, 전·후방 각도, 체적 비율, Hounsfield Unit(HU) 평균·표준편차 등 30여 개의 정량적 변수와, 골밀도 변화를 반영하는 6개의 추가 변수(예: 주변 골수 HU 차이)를 포함한다. 두 번째는 longitudinal 특징으로, 동일 환자를 대상으로 시간 간격을 두고 촬영된 CT 간의 변화량을 계산한다. 여기에는 골절 진행률, HU 변화율, 형태 변형 속도 등이 포함된다.

분류 모델은 다수의 SVM을 조합한 ‘committee’ 방식을 채택했으며, 각 SVM은 서로 다른 커널(선형, RBF 등)과 하이퍼파라미터를 갖는다. 이렇게 함으로써 개별 모델의 편향을 상쇄하고, 전체적인 일반화 성능을 향상시켰다. 10‑fold 교차 검증 결과, 정적 특징만 사용했을 때 0.812의 정확도, 순수 longitudinal 특징만 사용했을 때는 0.665로 상대적으로 낮은 성능을 보였다. 이는 단일 시점의 정량적 정보가 골절 원인 구분에 더 큰 기여를 함을 시사한다. 그러나 정적과 longitudinal 특징을 결합했을 때 0.820이라는 최고 정확도를 달성했으며, 이는 시간에 따른 변화 정보가 미세한 보정 역할을 할 수 있음을 의미한다.

한계점으로는 라벨링이 병리학적 검증 없이 영상 판독에 의존했을 가능성, 데이터셋이 단일 기관에 국한됐다는 점, 그리고 SVM 위원회의 복잡성으로 인한 실시간 임상 적용 어려움 등을 들 수 있다. 향후 연구에서는 다기관 데이터 확보, 딥러닝 기반 엔드‑투‑엔드 모델 비교, 그리고 임상 워크플로에 통합 가능한 경량화 모델 개발이 필요하다.