견관절 불안정성 수술 계획 수립에 필수적인 관절와 골 소실 측정을 위해, 시간 소모적이고 판독자 간 변동성이 큰 기존 수동 및 반자동 방식의 단점을 보완하고자, 3차원 CT 스캔을 기반으로 선형적 en-face view, 최적 원 방식(best-circle method)을 활용하는 완전 자동화된 딥러닝 파이프라인을 개발하고 검증했습니다. 91명의 환자 CT 이미지(평균 연령 40세, 범위 14-89세, 남성 65명)를 대상으로 관절와 분할, 랜드마크, 골 소실 측정 등의 수동 라벨링을 수행했습니다. 이 파이프라인은 (1) U-Net을 이용한 관절와 및 상완골 자동 분할, (2) 두 번째 네트워크를 이용한 관절와 림 포인트 예측, (3) PCA, 투영, 원 fitting을 통한 골 소실 비율 계산의 3단계로 구성됩니다. 자동 측정 결과는 기존 판독 결과와 높은 일치도를 보였으며, 의사 간 일치도를 넘어섰습니다(ICC 0.84 vs 0.78). 또한, 낮은 골 소실 및 높은 골 소실 그룹에서도 유효했습니다(각각 ICC 0.71 vs 0.63, 0.83 vs 0.21, P < 0.001). 환자를 낮은, 중간, 높은 골 소실 범주로 분류할 때, 낮은 경우 재현율 0.714, 높은 경우 0.857을 달성했으며, 낮은 경우를 높은 경우로, 높은 경우를 낮은 경우로 오분류하는 경우는 없었습니다. 이 결과는 본 연구에서 개발한 방법이 견관절 불안정성 수술 전 계획 수립 및 심각한 관절와 골 소실 환자 선별에 있어 시간 효율적이고 임상적으로 신뢰할 수 있는 도구임을 시사합니다.
