라디오믹스

2 Contents

HR-pQCT 기반 방사선학적 분석(Radiomics)을 이용한 만성 신장 질환(CKD) 피질골의 고유 골질 특성 규명

만성 신장 질환(CKD)은 시간이 지남에 따라 신장 기능이 점진적으로 저하되는 질환으로, 전신의 골격계에 심각한 악영향을 미칠 수 있습니다. 신장 기능이 떨어지면 체내 미네랄 대사의 불균형과 호르몬 변화가 일어나 뼈의 질이 급격히 저하되는 결과를 초래합니다. 이러한 골격의 변화는 단순히 뼈가 약해지는 것을 넘어 심혈관 질환이나 골절 등 심각한 합병증으로 이어지며 환자의 생존율에 직접적인 영향을 줍니다. 따라서 뼈의 구조적 변화를 조기에 발견하는 것은 환자의 예후 관리를 위해 매우 중요하지만, 기존의 진단 방식은 침습적이어서 통증을 유발하거나 해상도가 낮아 미세한 변화를 감지하기 어렵다는 한계가 있었습니다. 이러한 진단적 한계를 극복하기 위해 고해상도 말초 정량 컴퓨터 단층 촬영인 HR-pQCT 기술이 도입되었습니다. 이 첨단 스캐너는 뼈의 3D 입체 정보를 통해 내부 구조의 질까지 상세하게 보여주어 초기 골 손상을 감지하는 데 큰 도움을 줍니다. 특히 만성 신장 질환 환자에게서 나타나는 피질골의 두께 감소나 미세한 구멍인 다공성의 증가를 시각적으로 확인할 수 있게 해줍니다. 최근에는 이러한 고해상도 이미지를 효과적으로 분석하기 위해 딥러닝을 이용한 영역 분할과 머신러닝 분류를 결합한 인공지능 알고리즘이 개발되었으며, 이를 통해 약 90% 수준의 높은 정확도로 환자의 골격 상태를 판별하는 성과를 거두고 있습니다. AI 모델의 판별 성능을 한층 더 높이기 위해 연구자들은 이미지 내 픽셀 간의 관계를 분석하는 명암도 동시발생 행렬(GLCM)과 국소 질감을 분석하는 로컬 바이너리 패턴(LBP) 기술을 도입했습니다. 이 두 기법을 결합하여 특징을 추출했을 때, 단일 방식만을 사용했을 때보다 골격의 변화를 훨씬 정밀하게 분류할 수 있다는 점이 증명되었습니다. 또한 라플라시안 및 가우시안 필터를 적용하여 아주 미세한 국소 질감부터 거친 구조적 패턴까지 다양한 축척에서 분석을 수행합니다. 이러한 정교한 과정은 육안으로는 구별하기 힘든 피질골 내부의 복잡한 물리적 변화를 수치화하여 진단의 데이터 신뢰성을 확보하는 기초가 됩니다. 최신 연구의 핵심인 라디오믹스(Radiomics) 접근 방식은 피질골의 세부 사항을 심층적으로 분석하기 위해 뼈를 원위부와 골간부 등의 하위 영역으로 나누어 조사합니다. 부위별로 나타나는 질감 패턴의 차이가 모델의 진단 능력에 미치는 영향을 파악하기 위함입니다. 이 과정에서 웨이블릿 필터를 사용해 이미지를 서로 다른 주파수 대역으로 분리함으로써, 전체적인 밀도 패턴뿐만 아니라 불규칙한 질감의 변화까지도 정밀하게 포착해냅니다. 또한 상관관계가 높은 중복 데이터를 제거하는 2단계 필터링 과정을 통해 변별력이 가장 높은 특징만을 선택하여 분석 모델의 효율성을 극대화하고 뼈의 공간적 이질성을 효과적으로 식별합니다. 결과적으로 라디오믹스 분석은 기존의 밀도 기반 측정 방식으로는 놓치기 쉬운 미묘한 골 조직의 변화를 성공적으로 식별해냈습니다. 만성 신장 질환 환자군은 피질골 내에서 더욱 이질적이고 대비가 높은 질감 패턴을 보이는데, 이는 다공성 증가와 미세 구조적 악화를 객관적으로 반영하는 지표가 됩니다. 이러한 정량적 분석 결과는 임상 현장에서 환자의 골절 위험을 보다 정확하게 예측하고 관리할 수 있는 강력한 보조 도구가 될 것입니다. 향후 이 기술이 기존 영상 진단 방법을 보완하고 고도화된 머신러닝 모델과 결합된다면, 만성 신장 질환 환자 개개인을 위한 맞춤형 정밀 의료 시스템을 구축하는 데 크게 기여할 것으로 전망됩니다.

HR-pQCT 기반 방사선학적 분석(Radiomics)을 이용한 만성 신장 질환(CKD) 피질골의 고유 골질 특성 규명
생물학연구정보센터학술웨비나
  • 생명과학
  • 융합

병원에간인공지능,의사와친해지기ㅣ연세대의대 [연구현장속으로/토요과학강연]

연세대학교 의과대학 의료 인공지능 연구실은 딥러닝 기술을 활용해 질병을 진단하고 환자의 예후를 예측하는 혁신적인 연구를 수행하고 있습니다. 영상의학의 범위를 넘어 환자 맞춤형 치료 계획을 수립하고 정밀 의료를 실현하기 위해 다양한 임상 데이터를 통합 분석하는 것이 핵심입니다. 특히 X-ray, CT, MRI와 같은 의료 영상에서 암을 비롯한 주요 병변을 자동으로 검출하고 분류하는 기술은 현대 의학에서 매우 중요한 위치를 차지하고 있습니다. 이러한 기술은 단순히 영상 분석에 그치지 않고 병리 및 유전체 데이터까지 아우르는 정밀 의료의 토대가 됩니다. 의료 인공지능 연구의 성공을 위해서는 의사와 과학자 사이의 긴밀한 협력 관계가 필수적입니다. 연구원들은 병원 내 다양한 임상 과와 소통하며 실제 현장에서 필요한 알고리즘을 개발하고, 이를 통해 치료 계획의 정확도를 높이는 데 주력합니다. 뇌졸중과 같은 급성 질환을 MRI 영상에서 자동으로 진단하는 모델 개발부터 신약 개발에 따른 환자의 반응을 유추하는 연구까지 그 범위가 매우 넓습니다. 병원이라는 현장 중심의 환경에서 확보되는 방대한 데이터는 인공지능 모델이 실제 환자들에게 적용될 수 있는 실용적인 기술로 거듭나게 하는 핵심 자산이 됩니다. 병리 슬라이드 영상 분석은 세포 수준의 미세한 변화를 관찰하여 암의 특성을 파악하는 연구 분야입니다. 폐암이나 대장암과 같은 질환에서 종양의 영역을 분할하는 기술과 면역 염색 분석을 통해 종양의 성격을 규명하고 치료 반응을 예측합니다. 현미경으로 관찰되는 방대한 병리 데이터를 딥러닝 모델로 학습시킴으로써, 의료진은 보다 정교한 정보를 바탕으로 환자에게 최적화된 진료를 제공할 수 있게 됩니다. 이는 환자가 병원을 방문했을 때 체감할 수 있는 의료 서비스의 질을 획기적으로 향상시키며, 맞춤형 정밀 의료를 현실로 앞당기는 중요한 과정입니다. 라디오믹스 기술은 의료 영상 속에 숨겨진, 육안으로는 식별하기 어려운 미세한 정보를 수치화된 피처로 추출하는 첨단 기법입니다. 예를 들어 흉부 CT 영상에서 추출한 라디오믹스 피처를 활용하면 PD-L1과 같은 특정 면역 단백질의 발현 여부를 비침습적인 방식으로 예측할 수 있습니다. 이러한 방식은 환자에게 신체적 부담을 주지 않으면서도 조직 검사와 유사한 수준의 바이오마커 정보를 얻을 수 있게 해줍니다. 최종적으로는 딥러닝 기술과 임상 데이터를 결합하여 암 진단 파이프라인을 구축함으로써 진단의 효율성과 정확성을 극대화하는 비침습적 진단 모델 개발을 목표로 합니다. 의료 인공지능은 이제 더 이상 먼 미래의 상상이 아니라 우리 곁의 의료 현장에서 실질적인 변화를 만들어내고 있는 핵심 기술입니다. 다양한 전공의 연구자들이 협업하여 개발하는 알고리즘은 실제 임상 환경에 적용되어 의사의 의사결정을 돕고 환자의 치료 성과를 개선하는 데 기여하고 있습니다. 앞으로의 연구는 단순히 질병을 찾아내는 수준을 넘어, 각 환자에게 가장 적합한 약제와 치료법을 제시하는 지능형 의료 시스템으로 발전해 나갈 것입니다. 인공지능과 의학의 결합은 인류의 건강한 삶을 보장하기 위한 가장 강력한 도구가 되어줄 것으로 기대됩니다.

병원에간인공지능,의사와친해지기ㅣ연세대의대 [연구현장속으로/토요과학강연]
서울시립과학관
  • 생명과학
  • 뇌인지과학
  • 융합