Earticle

디지털 시대의 도래는 우리의 일상에 큰 변화를 가져왔으며, 스마트폰과 컴퓨터는 현대인들에게 필수적인 도구로 자리잡았다. 그 중에서도 스마트폰 사용의 증가와 함께 발생한 대표적인 건강 문제 중 하나가 바로 경추목증후군이다. 본 연구에서는 오픈소스 소프트웨어로 Orange3를 이용하여 X선 경추 측면 영상의 Lordotic Image와 Straight Image를 이용하여 분류모델을 제시하고, 경추 증후군의 판독 율을 알아보고자 하였다. 2025년 9월15일부터 11월14일까지 IRB승인을 받은 경추 측면 영상을 Lorotic과 Straight로 분류하여 학습용 이미지 각각 1200장, 판독용 이미지 각각 400장을 사용하였다. 학습 및 판독된 영상의 해상도는 ″512×677″ 사이즈로 변경하였다. 교차 검증의 분할 수가 5일 경우 테스트 항목별 평균점수가 Neural Network가 0.790으로 가장 높았으며 Stack가 0.749, SVM이 0.661, Random Forest가 0.640의 순이었다. 각 모델별 Recall은 Neural Network가 0. 668로 가장 높았으며 Stack가 0.665, SVM이 0.438, Random Forest가 0.406의 순이었다. Lodotic Image의 Lodotic을 Lodotic으로 바르게 판독한 Neural Network가 362(90.5%)로 가장 높았으며, Stack가 359(89.7%), Random Forest 334(83.5%), SVM이 324(81%)의 순이었다. Straight Image의 경우 Straight을 Straight로 바르게 판독한 Neural Network가 305(76.25%)로 가장 높았으며, Stack가 299(74.7%), SVM이 259(64.75%), Random Forest 223(55.75%)의 순이었다. 판독용 이미지 800장에 대하여 Fold 수와 모델별 Recall에 대한 상관관계는 각 모델의 Fold수는 Neural Network와 Stak의 Recall과는 0.997의 상관관계를 가지고 있으며 이러한 상관관계는 매우 유의한 것으로 나타났다.(p<0.001) 본 연구는 의료영상 분석을 위한 통계적인 기초자료라고 판단되며, 의료영상을 판독하기 위한 전문적인 솔루션이 정착되기를 기대한다.

The advent of the digital age has brought significant changes to our daily lives, and smartphones and computers have established themselves as essential tools for modern people. Among these, one of the representative health problems that has emerged alongside the increase in smartphone usage is cervical neck syndrome. This study aimed to propose a classification model using the open-source software Orange3 to analyze Lordotic and Straight X-ray images of the cervical spine and to investigate the diagnosis rate of cervical neck syndrome. From September 15 to November 14, 2025, IRB-approved lateral cervical spine images were classified into Lordotic and Straight categories, with 1,200 images of each category used for training and 400 images of each category used for diagnosis. The resolution of the training and diagnosis images was changed to a size of 512×677. When the number of cross-validation splits was 5, the average score per test item was highest for the Neural Network at 0.790, followed by the Stack at 0.749, the SVM at 0.661, and the Random Forest at 0.640. The recall for each model was highest for Neural Network at 0.668, followed by Stack at 0.665, SVM at 0.438, and Random Forest at 0.406.The Neural Network that correctly identified Lodotic as Lodotic in Lodotic Images was the highest at 362 (90.5%), followed by Stack at 359 (89.7%), Random Forest at 334 (83.5%), and SVM at 324 (81%). For Straight Images, the Neural Network that correctly identified Straight as Straight was the highest at 305 (76.25%), followed by Stack at 299 (74.7%), SVM at 259 (64.75%), and Random Forest at 223 (55.75%). Regarding 800 images for interpretation, the correlation between the number of folds and model-specific recall showed that the number of folds for each model had a correlation of 0.997 with the recall of both the Neural Network and Stak, and this correlation was found to be highly significant (p<0.001). This study is considered to provide statistical foundational data for medical image analysis, and we look forward to the establishment of professional solutions for medical image interpretation.

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.

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.

소아 손목 골절은 성장판과 미성숙 골 구조의 복잡성으로 인해 임상 현장에서 오진율이 높은 영역이며 미세 골절의 정확한 탐지를 위해서 고해상도 영상의 공간 정보 보존이 필수적이다. 그러나 1024px 이상의 고해상도 학습은 한정된 하드웨어자원에서 배치 크기를 극도로 제한시키기 때문에 배치 단위의 통계량에 의존하는 기존 배치 정규화(BN) 모델의 성능과 학습 중 수렴 안정성을 저하시키게 된다. 본 연구는 이러한 공학적 한계를 해결하고자 그룹 정규화(GN) 기반의 고해상도딥러닝 프레임워크를 제안하였다. GRAZPEDWRI 데이터셋을 활용하여 성능을 검증한 결과, 제안된 GN 모델(1024px)은 BN 모델 대비 mAP에서 약 7.4%의 성능 향상(0.381 vs 0.354)을 달성하였다. 특히 맥니마 검정 결과, BN 모델이 놓친 사례 중 44건을 GN 모델이 성공으로 전환시키며 통계적인 유의미한 우위를 입증하였으며(p < 0.001), 연산 효율성 측면에서 GN 768px 모델이 더 높은 해상도의 BN 1024px 모델보다 위양성을 절반 이하로 줄이면서도 유의미하게 우수한 진단 성능을 보였다(p < 0.001 ). 결론적으로, 본 연구의 GN 기반 프레임워크는 자원 제한적인 임상 환경에서도 고해상도 의료 영상 학습의 안정성을 확보하여, 소아 미세 골절 진단의 정확도와 신뢰도를 획기적으로 개선시킬 수 있는 기술적 토대를 마련하였다.

Accurate diagnosis of pediatric wrist fractures is challenging due to complex growth plate structures, necessitating high-resolution deep learning models to detect subtle fracture lines. However, high-resolution training is often hindered by hardware constraints that limit batch sizes, leading to statistical instability and performance degradation in standard Batch Normalization (BN) layers. This study proposes a high-resolution framework utilizing Group Normalization (GN), which operates independently of batch size, to overcome these technical bottlenecks. Evaluations using the GRAZPEDWRI dataset demonstrated that the proposed GN model (1024px) achieved a superior mAP of 0.381 compared to the BN model (0.354) and significantly reduced false positives (10 vs. 75). Notably, the GN 768px model statistically outperformed the higher-resolution BN 1024px model (p < 0.001), proving its superior diagnostic efficiency. These results suggest that the GN-based framework effectively stabilizes high-resolution medical image training under resource-limited environments, significantly enhancing the accuracy and clinical reliability of AI-assisted pediatric fracture detection.

유방 자기공명영상에서 기존 초음파검사 영상과 명확히 대응되지 않는 병변에 대해 Volume Navigation Technique (VNT) 기반 병변 재확인을 위한 2차 초음파 검사 및 초음파 유도 생검의 검사 과정과 임상증례를 소개하고자 하였다. 본원에서는 유방암 환자를 대상으로 시행한 유방 자기공명영상과 실시간 초음파 영상을 기준점 정합 방식으로 동기화하여 해부학적 구조를 대응시키고, 병변 위치 탐색 및 표적 설정이 가능한 VNT 기반 초음파 검사를 시행하였다. 본 논문에서는 2025년 1월부터 2026년 4월까지 유방암 환자를 대상으로 시행한 VNT 초음파 유도 생검 44건을 후향적으로 분석하였고, 총 44건의 병리 분석 결과, 양성 병변은 38건(86.4%), 고위험 병변은 1건(2.3%), 악성 병변은 5건(11.4%)으로 확인되었다. 또한 초음파상 비종괴성 병변이나 미세 저에코 변화 병변에서도 조직학적 진단이 가능하였다. 유방 VNT 초음파 유도 생검은 자기공명영상에서 발견된 병변에 대해 초음파 기반의 조직학적 진단과 치료 계획 수립에 유용하였으며, 자기공명영상 유도 생검에 비해 접근성과 효율성이 높아 유방 영상 중재 분야에서 유용한 대안적 검사 방법으로 활용 가능할 것으로 사료된다.

Breast lesions detected on Magnetic Resonance Imaging(MRI) without definite sonographic correlation on conventional ultrasound require additional imaging evaluation and histopathologic confirmation. This study aimed to describe the examination workflow and clinical application of Volume Navigation Technique (VNT)-based second-look ultrasound and ultrasound-guided biopsy for these lesions. A retrospective analysis was performed on 44 cases of VNT-guided breast biopsy conducted between January 2025 and April 2026 in breast cancer patients. VNT was performed using a GE Healthcare ultrasound system with the Volume Navigation system by synchronizing breast MRI and real-time ultrasound images through landmark-based coregistration. Among the 44 lesions analyzed, 38 lesions(86.4%) were benign, 1 lesion (2.3%) was classified as high-risk, and 5 lesions(11.4%) were malignant. Histopathologic diagnosis was feasible even in lesions presenting as non-mass lesions or subtle hypoechoic changes on ultrasound. VNT-guided biopsy enabled ultrasound-based histopathologic diagnosis of MRI-detected breast lesions without definite sonographic correlation and demonstrated clinical utility in treatment planning. Given its accessibility and procedural efficiency, VNT may serve as a practical alternative to MRI-guided biopsy.

자기공명영상(MRI)은 신경계 질환의 진단, 특성 분석 및 경과 관찰에 있어 핵심적인 역할을 합니다. 최근 인공지능(AI), 특히 딥러닝(DL) 기술은 자동 분할(segmentation), 분류, 예후 예측 및 의사결정 지원을 가능하게 함으로써 뇌 MRI 분석 분야에 혁신적인 변화를 가져왔습니다. 본 종설 논문은 뇌종양 분석, 자동 종양 진단 모델, AI 보조 급성 뇌졸중 영상 분석 등 딥러닝을 활용한 최근의 대표적이고 영향력 있는 연구 10건을 종합적으로 다룹니다. 또한 방법론적 프레임워크(CNN, 3D 아키텍처, 파운데이션 모델), 임상적 적용(종양 등급 분류, 분자적 특성 예측, 뇌졸중 환자 분류), 벤치마크 데이터셋(BraTS 등), 성능 검증, 해석 가능성, 규제 관련 과제 및 임상 도입의 장벽 등을 체계적으로 검토합니다. 아울러 멀티모달 융합, 연합 학습(federated learning), 파운데이션 모델과 같은 새로운 패러다임에 대해서도 논의합니다. AI 기반 MRI 분석은 혁신적인 잠재력을 보여주고 있으나, 이를 일상적인 신경 영상 진료에 통합하기 위해서는 엄격한 검증, 해석 가능성 확보, 워크플로 조화 및 윤리적 거버넌스 확립이 필수적입니다

Magnetic resonance imaging (MRI) plays a central role in the diagnosis, characterization, and monitoring of neurological disorders. In recent years, artificial intelligence (AI)—particularly deep learning (DL)—has transformed brain MRI analysis by enabling automated segmentation, classification, prognostication, and decision support. This review synthesizes ten representative and influential studies, including recent work in deep learning for brain tumor analysis, automated tumor diagnosis models, and AI-assisted acute stroke imaging. We systematically examine methodological frameworks (CNNs, 3D architectures, foundation models), clinical applications (tumor grading, molecular prediction, stroke triage), benchmarking datasets (BraTS and others), performance validation, interpretability, regulatory challenges, and translational barriers. We also discuss emerging paradigms such as multimodal fusion, federated learning, and foundation models. AI-driven MRI analysis demonstrates transformative potential, but its integration into routine neuroimaging requires rigorous validation, interpretability assurance, workflow harmonization, and ethical governance.