X-Ray 이미지를 통한 골밀도 예측을 위한 AI 모델

본 연구는 딥러닝 기술을 사용하여 X선 이미지에서 골밀도(BMD)를 예측하기 위한 강력한 인공 지능(AI) 모델을 개발하는 것을 목표로 하며, 특히 다양한 집단에 대한 모델의 일반화 가능성을 향상시키는 데 중점을 두고 있습니다. 목적은 골다공증에 대한 접근 가능한 비침습적 검사 도구를 제공하여 방글라데시와 같이 자원이 부족한 환경에서 종종 사용할 수 없거나 비용이 감당할 수 없는 이중 에너지 X선 흡수계(DEXA) 스캔에 대한 의존도를 줄이는 것입니다. CNN(Convolutional Neural Network) 아키텍처를 활용한 이 AI 모델은 골다공증의 조기 진단 및 관리를 지원해 궁극적으로 임상 의사결정 및 의료 효율성을 향상시킬 것으로 기대된다.

이 사례 관리 관찰 연구는 Uttara에 있는 Ibn Sina 진단 및 상담 센터의 방사선과에서 수행됩니다. 이 연구는 전향적 데이터 수집 단계와 회고적 데이터 수집 단계로 구성되어 있어 포괄적인 데이터 집계가 가능합니다. 전향적 단계에서는 X선 영상 및 DEXA 스캔을 받는 적격 환자로부터 데이터가 직접 수집됩니다. 회고적 단계에서는 X선 이미지 및 해당 BMD 보고서를 포함한 임상 데이터베이스에서 과거 데이터가 추출됩니다. 이 연구는 방글라데시의 다양한 연령, 성별, 임상적 배경에 따른 골다공증 유병률을 반영하여 광범위한 인구통계 전반에 걸친 뼈 건강의 변화를 다루는 것을 목표로 합니다.

방글라데시에서는 특히 농촌 및 자원이 제한된 지역에서 DEXA 스캐너와 훈련된 인력의 가용성이 제한되어 있어 골다공증이 여전히 제대로 진단되지 않고 있습니다. 표준 진단 경로는 증상이 있는 X선 영상으로 시작하는 경우가 많으며, 골다공증이 의심되는 경우 DEXA 스캔이 이어집니다. 이 2단계 과정은 비용과 시간이 많이 걸리고 진단과 치료가 지연되어 골절을 비롯한 심각한 합병증을 유발할 수 있습니다. X선 이미지에서 AI 기반 BMD 예측은 이 경로를 간소화하여 추가 DEXA 기반 테스트가 필요할 수 있는 환자의 비용 효율적인 검사 및 우선순위 지정을 가능하게 할 가능성이 있습니다. AI 모델은 예측 정확도를 향상시킬 수 있는 연령, 성별, 폐경 상태, 당뇨병 및 심혈관 질환 포착 상관관계와 같은 동반 질환과 같은 인구통계 및 임상 공변량을 포함하는 포괄적인 데이터 세트를 사용하여 훈련됩니다. 궁극적으로 목표는 기존 임상 워크플로우에 통합할 수 있고 DEXA를 사용할 수 없는 환경에서 DEXA의 필요성을 완화할 수 있는 골다공증 검사를 위한 안정적이고 확장 가능한 솔루션을 제공하는 것입니다.

이 연구는 DEXA 측정으로 정의된 정상적인 골밀도, 골감소증, 골다공증을 가진 개인을 포함한 다양한 인구 집단을 대상으로 합니다. 이러한 다양성은 AI 모델이 광범위한 환자 프로필을 설명하고 예측 견고성을 향상시킬 수 있도록 보장합니다. 인구는 증상이 있는 개인과 무증상 개인을 모두 포함하여 모든 연령층과 성별의 성인으로 구성됩니다.

이번 연구는 뼈 건강에 영향을 미칠 수 있는 환자에 대한 포괄적인 정보를 수집하는 것을 목표로 데이터 수집을 위한 구조화된 프로토콜을 따를 예정입니다. 주요 변수에는 연령, 성별, 폐경기 상태와 같은 인구통계학적 세부정보가 포함됩니다. 당뇨병, 심혈관 질환, BMI 및 골절 병력과 같은 동반 질환의 존재와 같은 임상 변수; 영상 및 진단 결과, 특히 X선 영상(척추 또는 고관절)과 실제 BMD 값에 대한 DEXA 스캔 결과입니다. 전향적 단계에서는 X-ray 또는 DEXA 스캔을 받는 적격 환자에게 접근하여 동의를 받고, 동의 시 데이터 무결성과 기밀성을 보장하기 위한 고유 식별자를 포함하여 임상 및 인구통계 데이터가 기록됩니다. 그런 다음 익명화된 X선 및 DEXA 이미지가 수집되어 AI 훈련을 위한 기본 데이터 세트가 형성됩니다. 후향적 단계에는 척추 및 고관절 X선 이미지와 해당 BMD 결과에 초점을 맞춰 기존 임상 기록에서 데이터를 추출하는 작업이 포함됩니다. 개인정보 보호를 위해 식별 가능한 환자 정보는 제거됩니다. 이 과거 데이터 세트는 예상 데이터를 보완하여 더 넓은 범위의 사례를 제공하고 모델 일반화에 기여합니다.

AI 모델은 이미지 기반 예측에 맞춰진 CNN 아키텍처를 사용하여 개발됩니다. 탐색적 데이터 분석은 먼저 주요 인구통계 및 임상 요인의 분포를 이해하기 위해 수행되며, 이를 통해 데이터 세트의 균형과 구조를 알 수 있습니다. 데이터가 정리되고 처리되면 CNN 모델은 실제 DEXA 측정값을 Ground Truth로 사용하여 X선 이미지에서 직접 BMD 값을 예측하도록 훈련됩니다. 모델 성능은 예측 정확도를 평가하기 위한 평균 절대 오차(MAE) 및 피어슨 상관 계수(PCC)는 물론 진단 측정을 위한 AUPRC(정확도-재현 곡선 아래 면적) 및 전반적인 정확도를 포함하여 임상 적용에 중요한 측정항목을 사용하여 평가됩니다. 견고성. 정확성을 더욱 보장하기 위해 k-겹 교차 검증 기술이 적용되어 각 지표에 대한 평균값과 표준 편차를 생성하여 모델의 일관성에 대한 통찰력을 제공합니다. 다양한 CNN 아키텍처와 훈련 방법론 간의 비교를 통해 BMD 예측을 위한 최적의 접근 방식을 식별할 수 있습니다.

완료되면 AI 모델은 X선 이미지의 골밀도 평가를 위한 보조 진단 도구 역할을 하며 여러 가지 응용 분야가 예상됩니다. 첫째, 이 모델은 낮은 BMD 값을 식별하여 골다공증의 조기 발견을 지원하여 임상의가 진단 경로에서 조기에 골다공증을 발견하고 잠재적으로 환자 결과를 개선할 수 있게 해줍니다. 둘째, 의료 전문가가 특히 자원이 제한된 환경에서 추가 테스트를 위해 환자의 우선 순위를 지정할 수 있도록 함으로써 임상 의사 결정에 도움이 될 것입니다. 셋째, 연령, 성별, 골밀도 동반질환 등 임상 공변량 분석을 통해 위험 평가를 개선하고 보다 개인화된 골다공증 관리 전략을 지원할 수 있습니다. 마지막으로, 이미지, BMD 값 및 임상 데이터의 구조화된 저장은 향후 뼈 건강 연구를 지원하여 골다공증 검사 및 예방 치료 기능을 향상시킬 것입니다.

이 연구에는 X선 및 DEXA 스캐닝을 위해 임상 방사선과에서 이미 사용할 수 있는 시설 외에 추가 시설이 필요하지 않습니다. 기존 데이터 저장 기능은 데이터 관리를 지원하여 환자 정보에 대한 개인 정보 보호 및 보안 표준을 준수하도록 보장합니다. 요약하면, 이 연구의 AI 모델은 X선 이미지에서 정확하고 비침습적인 BMD 예측을 제공함으로써 골다공증 검사를 위한 실행 가능하고 확장 가능한 솔루션을 제공하고자 합니다. 이 접근 방식은 특히 시골 및 자원이 부족한 환경에서 의료 접근성을 향상시킬 수 있는 잠재력이 있으며, 값비싼 DEXA 스캔에 대한 의존도를 완화하는 검사 도구로 기능할 수 있습니다.