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.

만성 신장 질환으로 인한 신장 기능의 저하는 일반인에 비해 골절 위험을 약 17배나 증가시키며, 골절 발생 후 사망 위험 또한 훨씬 높게 만드는 치명적인 요인이 됩니다.

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.