Earticle

초록

영어

As artificial intelligence (AI)-based medical devices increasingly enter clinical practice, domain shift---the performance degradation when a model trained at one institution is deployed at another---has emerged as a critical barrier to commercialization. This study investigates domain shift effects on deep learning-based Risser Grade classification using pelvic X-ray data from two Korean medical institutions (Institution A: 1,618 cases for training; Institution B: 1,000 cases for external testing). A two-stage pipeline was developed: YOLOv8-nano for automatic iliac crest ROI detection, followed by EfficientNet-B4 for six-class Risser Grade classification. Intra-institutional performance yielded a quadratic weighted kappa (QW-κ) of 0.915, comparable to clinician inter-rater agreement (κ = 0.909--0.930). Cross-institutional performance yielded QW-κ = 0.903, with a domain shift of only Δκ = 0.012. This is markedly smaller than domain shifts reported in other medical imaging tasks. Grade-specific analysis revealed that Grades 1--3 experienced relatively larger sensitivity drops compared to Grades 0 and 5. From a management perspective, these findings challenge the prevailing assumption that multi-institutional data universally constitutes a VRIN resource. We discuss implications for regulatory strategy, cost-efficient market expansion, and user trust management. To our knowledge, this is the first cross-institutional external validation study in Risser Grade AI classification.

한국어

최근 인공지능(AI) 기반 의료기기의 임상 적용이 확대되면서, 단일 기관에서 개발된 AI 모델이 타 기관 환경에서 성능이 저하되는 '도메인시프트(Domain Shift)' 문제가 상용화의 핵심 장벽으로 부각되고 있다. 본 연구는 척추측만증 진단에 활용되는 Risser Grade 자동 분류 딥러닝 모델을 대상으로, 국내 2개 의료기관(영남대학교병원 1,618건, 인제대학교 백병원 1,000건)의 골반 X-ray 데이터를 활용하여 다기관 외부 검증(cross-institutional external validation)을 수행하였다. 실험 결과, 기관 내 성능(quadratic weighted κ = 0.915)에 비해 기관 간 적용 시 κ = 0.903으로 Δκ = 0.012의 소폭 하락이 관찰되었다. 이는 기존 의료 영상 AI 도메인 시프트 연구(Zech et al., 2018: Δ=0.20)에서 보고된 심각한 성능 저하와는 대조적인 결과로, Risser Grade 분류에서는 도메인 시프트의 영향이 상대적으로 제한적임을 시사한다. 등급별 분석에서는 Grade 1~3에서 상대적으로 큰 민감도 하락(Δsens = -0.028~-0.040)이 관찰된 반면, Grade 0과 5에서는 거의 변동이 없었다. 본 연구는 Risser Grade AI 분류 분야에서 최초의 다기관 외부 검증이라는 학술적 기여와 함께, AI 의료기기 개발 기업의 다기관 데이터 확보 전략 및 규제 대응에 대한 경영학적 시사점을 제공한다.

목차

요약
I. 서론
II. 이론적 배경 및 연구가설
1. Risser Grade 시스템과 의료진 판독 신뢰도
2. 딥러닝 기반 Risser Grade 자동 분류 선행연구
3. 의료 AI에서의 도메인 시프트와 실무적 함의
4. 연구가설
III. 연구 방법론
1. 데이터 수집
2. 참조표준 구축
3. 딥러닝 모델 아키텍처
4. 실험 설계
5. 평가 지표
6. 통계 분석
IV. 분석결과
1. 기관별 데이터 기술 통계
2. 기관 내 성능 (Baseline)
3. 기관 간 성능 및 도메인 시프트 분석
4. 선행연구 대비 성능 포지셔닝
V. 결론
1. 논의
2. AI 의료기기 상용화에 대한 실무적 시사점
3. 학술적 기여
참고문헌
Abstract

키워드

저자

• 김민희 [ Kim, Minhee | 경북대학교 IT대학 컴퓨터학부 박사과정 ] 제1저자
• 박창병 [ Park, Changbyung | ㈜신라시스템 대표이사 ] 공동저자
• 백성하 [ Baek, Sungha | ㈜신라시스템 기술이사 ] 공동저자
• 고석주 [ Koh, Seok-Joo | 경북대학교 IT대학 컴퓨터학부 교수 ] 교신저자

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  경영컨설팅연구 [Korean Management Consulting Review]

• 간기

  격월간

• pISSN

  1598-172X

• eISSN

  3059-0469

• 수록기간

  2001~2026

• 등재여부

  KCI 등재

• 십진분류

  KDC 325 DDC 658