Pediatric Appendicitis Detection from Ultrasound Images

📝 Abstract

**
소아에서 급성 복통의 주요 원인인 충수염은 증상이 비특이적이고 초음파 영상의 품질이 다양해 진단이 어렵다. 본 연구는 독일 레게스부르크 어린이병원에서 수집한 Regensburg Pediatric Appendicitis Dataset(초음파 영상 + 실험실 데이터 + 임상 점수)을 활용해, 사전 학습된 ResNet‑50을 전이학습(fine‑tuning)하여 초음파 이미지만으로 충수염(양성)과 비충수염(음성)을 구분하는 이진 분류 모델을 개발하였다. 이미지 전처리(그레이스케일 변환, 224×224 리사이즈, 정규화)와 데이터 증강(회전, 플립, 대비 변동, 가우시안 노이즈)으로 일반화 능력을 강화했으며, 환자별 이미지가 훈련·시험 집합에 겹치지 않도록 하여 데이터 누수를 방지하였다.

주요 성과

• 정확도(Accuracy): 93.44 %
• 정밀도(Precision): 91.53 %
• 재현율(Recall, Sensitivity): 89.8 %
• F1‑Score: 90.6 %
• AUC: 0.95

Grad‑CAM을 이용한 시각화 결과, 모델이 충수 부위와 주변 지방 조직에 집중하는 등 임상의가 보는 영역과 일치함을 확인하였다.

**

💡 Deep Analysis

**

1️⃣ 연구 배경 및 필요성

• 임상적 난이도: 소아는 증상이 비전형적이며, 초음파는 연산자 의존도가 높아 진단 오류율이 15‑30 %에 달한다.
• AI 도입 기대: 딥러닝은 저대비·고노이즈 초음파 영상에서도 복잡한 패턴을 자동 추출할 수 있어, 객관적·일관된 보조진단 도구가 될 가능성이 크다.

2️⃣ 데이터셋 특성

강점: 다중 뷰(1‑15장)와 임상·실험실 정보가 함께 제공돼 향후 멀티모달 모델 확장이 용이함.

3️⃣ 모델 설계 및 학습 전략

• 기본 구조: ImageNet 사전학습 ResNet‑50 (50층) → 전이학습
• 동결 전략: 초기 레이어 고정 → 저수준 특징(에지·텍스처) 유지, 후반 레이어와 FC 레이어만 재학습
• 입력: 224×224×3 (RGB 변환 후 채널 복제)
• 출력: 시그모이드 → 충수염 확률
• 하이퍼파라미터 (논문에 명시되지 않음 → 추정)
  • 옵티마이저: Adam (learning rate ≈ 1e‑4)
  • 배치 크기: 32‑64
  • Epoch: 30‑50 (early stopping 적용)

전이학습의 장점: 제한된 라벨 데이터(≈ 수천 장)에도 높은 성능을 달성, 학습 시간·자원 절감.

4️⃣ 성능 평가 및 해석

• Confusion Matrix: False‑Negative가 주로 저품질·경계성 영상, False‑Positive는 림프절·장벽 비후와 혼동.
• Grad‑CAM: 모델이 충수 부위와 주변 지방에 집중, 임상의가 보는 핵심 영역과 일치 → 해석 가능성 확보.

5️⃣ 기존 연구와 비교

핵심 차별점: 초음파라는 저품질·고변동성 데이터에서도 딥러닝이 손수 만든 특징보다 월등히 우수함을 입증.

6️⃣ 강점 및 한계

강점

1. 실제 임상 환경 반영: 다양한 뷰와 품질의 초음파 이미지 사용.
2. 전이학습 활용: 라벨링 비용 최소화, 빠른 모델 수렴.
3. 해석 가능성: Grad‑CAM을 통한 시각적 검증.
4. 임상 적용 가능성: 높은 정밀도·재현율 → 오진·불필요한 수술 감소.

한계

1. 단일 기관 데이터: 레게스부르크 병원만 포함 → 외부 검증 필요.
2. 이미지 레이블링: 환자당 여러 이미지가 독립 샘플로 처리돼, 동일 환자 내 이미지 상관관계 무시.
3. 멀티모달 활용 미비: 실험실·임상 점수를 모델에 통합하지 않아 잠재적 성능 향상 기회 상실.
4. 실시간 적용 검증 부족: 실제 응급실 워크플로우에서의 지연 시간·사용자 인터페이스 평가가 필요.

7️⃣ 향후 연구 방향

• 다기관 외부 검증(다른 국가·병원)으로 일반화 능력 확인.
• 멀티모달 모델(이미지 + 실험실 + 임상 점수) 구축 → 성능 2‑3 % 추가 향상 기대.
• 경량화 모델(MobileNet, EfficientNet) 개발 → 모바일·포터블 초음파 기기와 연동.
• 임상 시험(prospective, randomized) 진행해 실제 진단 시간·수술율 감소 효과 측정.
• 연산자 피드백 루프: 모델이 제시한 Grad‑CAM을 실시간으로 보여주어 초음파 검사의 질 향상에 기여.

8️⃣ 임상적 파급 효과

• 오진 감소: 재현율 90 % 이상으로 미진단 위험 최소화.
• 불필요한 수술 방지: 정밀도 91 %로 위양성 감소, 의료비 절감.
• 교육 도구: 초음파 초보자에게 시각적 가이드 제공, 교육 효율 향상.
• 리소스 제한 환경: 방사선 노출 없는 초음파와 AI 결합으로 저소득 국가·소규모 병원에서도 고품질 진단 가능.

요약

본 논문은 ResNet‑50 기반 전이학습 모델이 소아 초음파 영상만으로도 충수염을 93 % 이상의 정확도로 구분할 수 있음을 입증하였다. 데이터 전처리·증강, 환자 단위 데이터 분리, Grad‑CAM을 통한 해석 가능성 확보 등 실용적인 설계가 돋보인다. 다만, 단일 기관 데이터와 멀티모달 활용 부족이 한계이며, 외부 검증 및 임상 적용 연구가 뒤따라야 한다. 이러한 연구는 초음파라는 저비용·비방사선 영상에 AI를 접목함으로써, 전 세계 소아 응급 진료의 표준화·품질 향상에 크게 기여할 잠재력을 지닌다.

📄 Full Content

급성 충수염은 소아와 청소년에게 가장 흔한 외과적 응급 상황으로, 연간 인구 1,000명당 약 1~2건이 발생합니다. 일반적으로 충수의 내강 폐쇄에 의해 발생하며, 이로 인해 염증, 세균 과증식, 치료가 이루어지지 않을 경우 천공까지 진행됩니다. 이 질환은 단순 형태에서 복합 형태로 급속히 진행될 수 있으며, 복막염, 농양 형성, 생명을 위협하는 패혈증을 초래할 위험이 있습니다. 소아 환자에서는 조기 정확한 진단이 필수적인데, 어린 아이들은 비전형적인 증상을 보이는 경우가 많아 복통의 다른 원인과 임상적으로 구분하기가 어렵기 때문입니다. 연구에 따르면 충수염에 대한 진단 오류는 여전히 중요한 문제이며, 연령대에 따라 오진율이 15%에서 30%에 이르는 것으로 보고되었습니다. 위음성 진단은 합병증 위험을 높이고, 위양성 진단은 불필요한 충수절제술, 장기 입원 및 높은 의료비용을 초래할 수 있습니다. 따라서 소아 응급의학 분야에서는 진단 정확도 향상이 최우선 과제로 여겨지고 있습니다[1,2].

충수염이 의심되는 경우 현재의 진단 흐름은 임상 평가, 실험실 검사, 영상 검사를 결합합니다. 알바라도 점수(Alvarado Score)와 소아 충수염 점수(Pediatric Appendicitis Score, PAS)와 같은 임상 점수 체계는 통증 이동, 구역, 압통 등 증상과 백혈구 증가, C-반응성 단백질(CRP) 상승과 같은 실험실 지표를 통합합니다[3]. 이러한 점수는 위험 계층화를 돕지만 결정적인 진단을 제공하지 못하므로 영상 검사를 통한 확인이 필요합니다. 영상 방법 중 초음파(US)는 방사선 노출이 없고 비침습적이며 응급실에서 즉시 이용 가능하다는 장점 때문에 소아에서 1차 선호 기술로 자리 잡고 있습니다. 그러나 초음파를 통한 충수염 진단은 검사자의 숙련도에 크게 좌우되며, 환자의 해부학적 구조, 장내 가스, 체형 등에 따라 변동성이 큽니다. 충수의 시각화 성공률은 전체 사례의 60~80%에 불과하고, 비만이거나 협조가 어려운 어린이에서는 진단 정확도가 크게 떨어집니다. 경험이 풍부한 방사선과 전문의라도 영상 품질이 낮을 경우 초기 충수염과 장간막 림프절염, 위장관 감염을 구분하는 데 어려움을 겪습니다. 이러한 제한점은 일관되고 객관적인 진단 통찰을 제공할 수 있는 자동화된 영상 해석 시스템에 대한 긴급한 필요성을 제기합니다[4,5].

최근 몇 년간 인공지능(AI)과 머신러닝(ML)은 인간이 인식하기 어려운 복합적인 시각·통계 패턴을 식별함으로써 진단 영상 분야에 혁신을 일으켰습니다[6][7][8][9]. 방사선학에서는 AI가 MRI·CT에서 종양 검출, 흉부 X‑ray에서 폐 병변 스크리닝, 심초음파에서 심장 기능 평가 등에 큰 잠재력을 보여주었습니다[10,11]. 초음파 영상에서도 AI 알고리즘은 태아 성장 모니터링, 갑상선 결절 분류, 간 섬유화 단계 판정 등에 성공적으로 적용되었습니다[12][13][14][15]. AI 기반 시스템의 주요 장점은 원시 이미지 데이터로부터 직접 학습함으로써 주관적 해석에 대한 의존도를 최소화한다는 점입니다. 특히 컨볼루션 신경망(CNN) 기반의 딥러닝은 저수준 에지·텍스처부터 고수준 구조적 패턴까지 계층적인 특징을 자동으로 추출할 수 있어, 신호대잡음비가 낮고 수동적인 특징 설계가 어려운 초음파 데이터에 매우 적합합니다.

다양한 CNN 구조 중에서도 Residual Network(ResNet)는 일반 컴퓨터 비전은 물론 의료 영상 분석에서도 뛰어난 성능을 입증했습니다. ResNet은 하나 이상의 레이어를 건너뛰는 스킵 연결을 도입해 네트워크가 직접 변환을 학습하는 대신 잔차 매핑을 학습하도록 함으로써, 더 깊은 네트워크에서도 기울기 소실 문제를 완화합니다. 본 연구는 이러한 딥 residual learning을 활용해 초음파 데이터를 이용한 소아 충수염 진단 정확도를 향상시키고자 합니다. 우리는 독일 레겐스부르크에 위치한 어린이병원 St. Hedwig에서 2016년부터 2021년까지 복통을 호소하며 입원한 소아 환자를 대상으로 수집한 Regensburg Pediatric Appendicitis Dataset을 사용했습니다. 이 데이터셋에는 B‑mode 초음파 영상, 실험실 검사 결과, 임상 점수, 전문가 주석이 포함되어 있습니다. 우리의 주요 목표는 ResNet 기반 CNN을 훈련시켜 초음파 영상을 ‘충수염’과 ‘비충수염’으로 분류하고, 표준 지표를 통해 진단 성능을 평가하는 것이었습니다.

데이터셋 개요

Regensburg Pediatric Appendicitis Dataset은 2016년2021년 사이 레겐스부르크 어린이병원 St. Hedwig에 복통으로 입원한 소아 환자를 대상으로 후향적으로 수집된 임상 데이터베이스입니다. 이 데이터는 영상, 임상, 실험실 정보를 결합한 다중모달 진단 모델링을 지원하도록 설계되었습니다. 각 환자 기록에는 오른쪽 하복부(RLQ), 충수, 장루프, 림프절, 자유액 영역, 생식기 등 다양한 복부 부위에서 촬영된 115장의 B‑mode 초음파 이미지가 포함될 수 있습니다. 초음파 파일은 BMP 형식으로 US_Pictures/ 디렉터리에 저장되며, 파일명은 환자 식별자와 뷰 인덱스를 조합한 형태(예: 23.7.bmp는 환자 23의 7번째 뷰)로 구성됩니다[16,17]. 충수는 급성 충수염과 일치하는 비압축성 관상 구조로 시각화됩니다[16,17].

영상 외에도 ap$p_d$ata.xlsx 파일에는 실험실 검사 결과, 신체 검사 소견, 전문가 초음파 평가가 표형식으로 정리되어 있습니다. 알바라도 점수와 PAS와 같은 임상 점수 체계도 포함되어 영상 결과와 기존 진단 기준을 연계할 수 있도록 했습니다. 각 대상자는 다음 세 가지 결과 변수에 대해 라벨링되었습니다.

• Diagnosis – 충수염 vs. 비충수염
• Management – 외과적 치료 vs. 보존적 치료
• Severity – 복합성 vs. 단순성 (또는 비충수염)

연구는 레겐스부르크 대학 윤리위원회(번호 18‑1063‑101, 18‑1063_1‑101, 18‑1063_2‑101)의 승인을 받았으며, 해당 규정과 지침에 따라 수행되었습니다. 윤리위원회는 후향적 분석 및 익명화된 일상 데이터의 공개에 대해 서면 동의가 필요 없다고 확인했으며(바이에른 병원법 제27조 4항), 퇴원 후 추적된 환자에 대해서는 부모 또는 법정 대리인의 서면 동의를 받았습니다. 본 연구에서는 이진 이미지 분류를 위해 ‘Diagnosis’ 라벨(충수염 vs. 비충수염)만을 사용했습니다.

전처리 및 데이터 증강

초음파 영상은 밝기, 대비, 공간 스케일 등 획득 파라미터에서 환자 간 변동성이 높았습니다. 입력을 표준화하기 위해 각 이미지를 그레이스케일로 변환하고, 224 × 224 픽셀로 리사이즈한 뒤 평균 0, 표준편차 1로 정규화했습니다. 모델의 일반화 능력을 높이고 임상적 변동성을 시뮬레이션하기 위해 다음과 같은 데이터 증강을 적용했습니다.

• 무작위 회전(±10°)
• 좌우 플립
• 대비 조정
• 가우시안 노이즈 삽입

한 환자당 다수의 이미지가 존재하므로, 모든 이미지를 독립 샘플로 취급하되 동일 환자의 이미지가 훈련·테스트 세트에 동시에 포함되지 않도록 하여 데이터 누수를 방지했습니다. 최종 데이터셋은 클래스 비율을 유지하면서 80%는 훈련, 20%는 테스트 용도로 분할되었습니다.

모델 설계 및 학습

우리는 사전 학습된 ResNet‑50을 기반으로 전이 학습(transfer learning)을 적용한 CNN을 구현했습니다. 구체적인 구조는 다음과 같습니다.

1. 입력 레이어 – 224 × 224 × 3 정규화 이미지
2. 기본 ResNet‑50의 초기 컨볼루션·맥스풀링 레이어
3. 네 개의 Residual Block – 각각 다중 컨볼루션 레이어와 스킵 연결을 포함, 잔차 학습을 통해 기울기 소실을 방지
4. Global Average Pooling – 공간 정보를 압축
5. 완전 연결(Dense) 레이어 – ReLU 활성화 함수 적용
6. 시그모이드 출력 레이어 – 충수염(1) vs. 비충수염(0) 확률 제공

미세 조정(fine‑tuning) 과정에서는 초기 레이어를 고정(freeze)하여 일반적인 저수준 특징을 유지하고, 후반부 Residual Block과 완전 연결 레이어를 재학습시켜 초음파 특유의 텍스처 패턴에 적응하도록 했습니다.

학습은 Python 3.10, TensorFlow 2.14/Keras 환경에서 NVIDIA GPU 워크스테이션을 이용해 수행했으며, 주요 하이퍼파라미터는 다음과 같습니다.

• 옵티마이저: Adam (learning rate = 1e‑4)
• 배치 크기: 32
• 에폭 수: 50 (early stopping 적용)
• 손실 함수: Binary Cross‑Entropy

평가 지표

모델 성능은 정확도(ACC), 정밀도(PRE), 재현율(REC), F1‑score, ROC 곡선 아래 면적(AUC) 등 표준 분류 지표를 사용해 평가했습니다.

결과

전이 학습된 ResNet‑50을 미세 조정한 결과, 테스트 데이터셋에서 전체 정확도 93.44%, 정밀도 91.53%, 재현율(민감도) 89.8%를 달성했습니다. 정밀도와 재현율의 조화인 F1‑score는 90.6%였으며, ROC‑AUC는 0.95로 매우 높은 구별력을 보였습니다.

혼동 행렬(Figure X)에서는 대부분의 충수염 사례가 올바르게 식별되었으며, 오분류된 경우는 주로 경계가 모호하거나 영상 품질이 낮은 경우였습니다. 위양성은 주로 염증성 림프절 비대나 장벽 비후와 같이 초음파에서 충수염과 유사하게 보이는 경우에서 발생했습니다. 그럼에도 불구하고 높은 정밀도는 불필요한 알람을 최소화하고 방사선과에게 신뢰할 수 있는 보조 도구를 제공한다는 점을 시사합니다.

Grad‑CAM(Gradient‑weighted Class Activation Mapping)을 이용해 최종 컨볼루션 레이어의 활성화 맵을 시각화한 결과, 네트워크가 일관되게 해부학적으로 의미 있는 영역—충수 부위, 주변 지방, 인접 장루프—에 집중함을 확인했습니다. 이는 방사선과가 수동 평가 시 주목하는 영역과 일치하여, 모델이 의미 있는 이미지 특징에 기반해 예측하고 있음을 뒷받침합니다. 충수염 양성 사례에서는 염증성 관상 구조와 주변 지방의 에코강도가 강조되었고, 비충수염 사례에서는 다른 복부 부위에 주목함으로써 병변 부재를 확인했습니다. 이러한 시각화 도구는 모델 투명성을 높이고 방사선과가 자동 분류의 근거를 이해하는 데 도움을 줍니다.

전통적인 머신러닝 기반 충수염 탐지 연구는 주로 회색 수준 공분산 행렬(GLCM), 에지 디스크립터, 강도 분포와 같은 수작업 특징을 추출하고, 서포트 벡터 머신(SVM)이나 랜덤 포레스트와 같은 분류기를 적용했습니다. 이러한 방법의 보고된 정확도는 75%~85% 수준에 머물렀으며, 특징 설계의 주관성과 초음파 영상 품질 변동성에 크게 제한되었습니다.

이에 반해 본 연구의 ResNet 기반 딥러닝 접근법은 초음파 데이터에서 계층적인 공간 특징을 자동으로 추출함으로써 수작업 특징 설계가 필요 없으며, 정확도를 93.44%까지 끌어올렸습니다. 또한 전이 학습을 활용함으로써 라벨링된 데이터와 학습 시간을 크게 절감했습니다.

표 X는 제안 모델의 정량적 성능을 요약합니다. 정확도, 정밀도, 재현율이 모두 높은 수준으로 일치함은 모델이 두 클래스 모두에서 균형 잡힌 분류 성능을 유지하고 있음을 의미합니다.

임상적 의미

높은 민감도(재현율)는 치료되지 않은 충수염을 놓치는 경우를 최소화하는 데 특히 중요합니다. 높은 정밀도는 불필요한 수술이나 추가 검사의 발생을 억제합니다. 이러한 AI 도구를 임상 워크플로에 통합하면, 특히 인력·시간이 제한된 고부하 환경에서 방사선과가 실시간 의사결정 지원을 받아 진단 일관성을 확보할 수 있습니다.

결론

본 연구는 Regensburg Pediatric Appendicitis Dataset의 B‑mode 초음파 영상을 이용해 자동으로 소아 충수염을 탐지하는 딥 residual CNN(ResNet‑50)을 개발·검증했습니다. 모델은 전체 정확도 93.44%, 정밀도 91.53%, 재현율 89.8%를 달성했으며, 이는 비침습적 초음파 영상만으로도 높은 진단 성능을 구현할 수 있음을 보여줍니다. 이러한 결과는 급성 충수염과 같은 응급 상황에서 빠르고 객관적이며 재현 가능한 AI 보조 진단 도구가 방사선과의 해석을 보완하고, 특히 응급실·자원 제한 환경에서 진단 지연을 감소시켜 천공 및 수술 후 합병증을 줄이는 데 기여할 수 있음을 시사합니다.

향후 연구 방향

본 연구는 몇 가지 제한점을 가지고 있습니다. 첫째, 데이터셋 규모가 딥러닝 표준에 비해 다소 제한적이며, 다기관·다인종 코호트를 포함한 대규모 데이터가 모델의 외부 일반화 능력을 향상시킬 것입니다. 둘째, 정적 B‑mode 이미지만을 분석했으므로, 동영상(시네 루프)이나 연속 프레임에서 얻을 수 있는 시공간 정보를 활용하면 진단 정확도를 더욱 높일 수 있습니다. 셋째, 전이 학습으로 과적합을 완화했지만, 초음파 기기, 획득 설정, 검사자 경험 차이에 따른 도메인 쉬프트가 다른 기관 데이터에 적용될 때 성능 저하를 일으킬 수 있습니다. 향후 연구에서는 도메인 적응(domain adaptation) 기법을 도입해 이러한 문제를 해결하고자 합니다.

또한, 위양성·위음성의 임상적 영향을 정밀히 평가해야 합니다. 특히 위음성은 심각한 합병증을 초래하므로 최소화가 필수적이며, 이를 위해 백혈구 수치, CRP, 알바라도·PAS 점수와 같은 임상·실험실 데이터를 결합한 다중모달 AI 모델을 개발하면 진단 정확도를 더욱 향상시킬 수 있습니다.

추가적으로, Transformer 기반 아키텍처나 시계열 CNN을 활용해 전체 초음파 비디오를 분석하고, Layer‑wise Relevance Propagation(LRP)이나 SHAP와 같은 설명 가능한 AI(XAI) 기법을 적용해 정량적 해석성을 제공한다면, 임상의 신뢰를 높이고 교육적 활용도 확대가 가능할 것입니다.

참고문헌
[1] …
[2] …
[3] …
[4] …
[5] …
[6] …
[7] …
[8] …
[9] …
[10] …
[11] …
[12] …
[13] …
[14] …
[15] …
[16] …
[17] …

(※ 실제 논문에서는 위와 같이 번호가 매겨진 참고문헌을 상세히 기재합니다.)