본 논문은 척추 건강 평가 및 척추증, 추간판탈출증, 척추관협착증과 같은 질환 진단에 필수적인 척추 구조 측정의 자동화를 위한 AI 시스템을 제시한다. 기존 수동 측정 방식의 주관성과 시간 소모 문제를 해결하기 위해, UNet, nnU-Net, CNN 등 심층 학습 아키텍처를 활용하여 MRI 스캔에서 척추 구조 (특히 추간판 높이와 척추관 전후 직경)를 자동으로 분할하고 측정하는 AI 모델을 개발하였다. 대규모 MRI 데이터셋으로 학습 및 전문가의 주석과 비교하여 검증하였으며, 요추, 경추, 흉추 영역에서 높은 Dice 계수 (각각 0.94, 0.91, 0.90)를 달성하여 정확한 척추 파라미터 측정이 가능함을 보였다.
시사점, 한계점
•
시사점:
◦
MRI 기반 척추 측정의 자동화를 통해 정확성 향상 및 의료진 업무 부담 경감.
◦
척추 영역 전반에 걸친 일관된 성능으로 임상 의사결정 지원 및 환자 치료 결과 개선.
◦
고부담 환경에서의 척추 평가 효율성 증대.
•
한계점:
◦
본 논문에서는 구체적인 한계점이 언급되지 않았다. 추가 연구를 통해 다양한 척추 질환 및 MRI 스캔의 변이에 대한 모델의 일반화 성능, 다양한 인종 및 연령대에 대한 성능 평가, 임상 적용에 대한 추가적인 검증 등이 필요할 것으로 예상된다. 또한 사용된 MRI 데이터셋의 특성과 규모에 대한 자세한 설명이 부족하다.
