Earticle

초록

영어

This study developed a machine learning model to predict aspiration risk prior to Video fluoroscopic Swallowing Study (VFSS) using basic clinical data and underlying disease information, and applied SHAP-based Explainable artificial intelligence (XAI) to interpret model decisions. A retrospective dataset of 500 patients with dysphagia was analyzed using Logistic Regression, Random Forest, and XGBoost models. XGBoost showed the best performance (accuracy 0.824, sensitivity 0.845, specificity 0.810, F1 score 0.798). Stroke was identified as the most influential predictor, followed by head and neck cancer and Parkinson’s disease. SHAP analysis further revealed that head and neck cancer had a greater impact than Parkinson’s disease, and that low BMI was a clinically meaningful factor. In particular, underweight status (BMI <18.5 kg/m²) was associated with a marked increase in aspiration risk. These findings suggest that the proposed model can effectively identify high-risk patients using non-imaging clinical data. The integration of XAI enhances interpretability, supporting its potential as a practical clinical decision support tool for early risk assessment and intervention.

한국어

본 연구는 VFSS 시행 전, 환자의 기초 임상 정보와 기저 질환을 활용하여 Aspiration 발생 위험을 예측하는 머신러닝 모델을 개발하고, 설명 가능한 인공지능(XAI)인 SHAP을 통해 모델의 판단 근거를 정량적으로 분석하고자 하였다. 연하곤란으로 VFSS를 시행한 환자 500명의 후향적 데이터를 대상으로 성별, 연령, BMI, 뇌졸중, 파킨슨병, 식도암, 두경부암을 예측 변수로 설정하였으며, Logistic Regression, Random Forest, XGBoost 모델의 성능을 비교하였다. 분석 결과, XGBoost 모델이 정확도 0.824, 민감도 0.845, 특이도 0.810, F1 점수 0.798로 가장 우수한 성능을 보였다. 변수 중요도 분석에서는 뇌졸중, 파킨슨병, 두경부암 순으로 나타났으나, SHAP 분석에서는 뇌졸중에 이어 두경부암이 두 번째 주요 위험 요인으로 확인되었고, BMI 또한 낮은 중요도에도 불구하고 임상적으로 유의한 변수로 나타났다. 특히 저체중 상태에서 흡인 위험이 증가하는 비선형적 경향이 확인되었다. 이러한 결과는 XGBoost 기반 모델이 흡인 고위험군 선별에 효과적임을 시사하며, XAI를 통한 해석 가능성 확보로 영상 장비가 제한된 임상 환경에서도 신뢰할 수 있는 의사결정 지원 도구로 활용될 수 있음을 보여준다.

목차

Abstract
Ⅰ. 서론
Ⅱ. 실험 재료 및 방법
1. 연구대상 및 데이터 수집(Study Population and Data Collection)
2. 변수 정의 및 전처리(Variable Definitions and Preprocessing)
3. 기계학습 모델 구축(Machine Learning Model Construction)
4. 설명 가능한 인공지능(XAI) 기반 모델 해석 및 SHAP 분석
5. 성능 평가 (Performance Evaluation)
Ⅲ. 결과
1. 머신러닝 모델 성능 비교 (Performance Comparison of Machine Learning Models)
2. 머신러닝 기반 변수 중요도 분석(Feature Importance Analysis)
3. 설명 가능한 인공지능(XAI) 기반 SHAP 변수중요도 및 비선형적 방향성 분석(SHAP Feature Importance and Non-linear Directionality Analysis based on XAI)
Ⅳ. 고찰
V. 결론
참고문헌
요약

키워드

저자

• Sang Jo Park [ 박상조 | Department of Radiology, Severance Hospital/Department of Medical Physics, Graduate School of Convergence Science, Korea University ]
• Jong Woon Park [ 박종운 | Department of Radiology, Asan Medical Center/Department of Medical Physics, Graduate School of Convergence Science, Korea University ] Corresponding Author

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  대한디지털의료영상학회논문지 [Korean Journal of Digital Imaging in Medicine]

• 간기

  연3회

• pISSN

  1976-7641

• 수록기간

  1995~2026

• 십진분류

  KDC 510 DDC 610