인공지능 기반 척추측만증 진단 및 예후 예측 모델 = AI-based Scoliosis Diagnosis and Prognosis: Cobb’s Angle and Bone Age

국문 초록 (Abstract)

본 연구는 척추측만증의 진단 및 예후 예측을 위하여 인공지능(AI) 기반 통합 파이프라인을 제안하고, 국내 병원에서 수집된 1,500건 이상의 X-ray 영상을 활용하여 실증분석을 수행하였다. 먼저 척추 X-ray 영상에서 Deformable DETR(Transformer 계열 객체검출 알고리즘)을 적용해 Cobb 각도를 자동 산출하였고, 이를 통해 전문의 대비 약 ±3도 이내의 오차 범위를 달성함으로써 측만각 측정의 정확성과 일관성을 높였다. 이어서 수부(손목) X-ray를 대상으로 ResNet50+Attention 구조를 적용한 뼈나이(Bone Age) 예측 모델을 구축한 결과, 약 0.645년(약 7.74개월)의 평균절대오차(MAE)를 기록하여 기존 상용 솔루션과 유사한 수준의 성능을 보였다. 마지막으로 Cobb 각도, 뼈나이, 환자 임상정보를 결합한 예후 예측 모델(Random Forest/Gradient Boosting)은 단일 지표만 사용하는 모델 대비 약 5~6%p 높은 분류 정확도(AUC 0.91)를 달성하였으며, 이는 성장 지표와 임상정보가 척추측만증 진행 여부 판별에 유의미한 기여를 한다는 것을 실증적으로 보여준다. 특히 본 연구에서는 전문의 간 Cobb 각도 측정 편차가 일반적으로 3~9도 수준임을 고려하여, ±3도 이내의 자동 측정 정확도를 임상적으로 허용 가능한 범위로 설정하였다(Parente et al., 2023). 뼈나이 예측 역시 상용 AI 솔루션(BoneXpert 등)이 ±6개월 전후의 정확도를 실현하는 점을 참고하여, ±0.7년 수준을 목표치로 설정하였다. 본 모델은 이러한 정량적 기준을 충족함으로써, 기술적 정밀도뿐 아니라 실제 임상 현장 적용 가능성까지 확보하였음을 보여준다. 본 연구는 이러한 통합 접근을 통해 국내 임상현장에서 AI를 활용한 척추측만증 관리가 진단 자동화를 넘어 조기 교정 시점 결정, 치료전략 수립 등 실질적 의사결정에 기여할 수 있음을 제시한다.

다국어 초록 (Multilingual Abstract)

This study proposes an integrated AI-based pipeline for scoliosis diagnosis and prognosis, and empirically evaluates its performance using over 1,500 clinical X-ray images collected at a Korean hospital. First, a Deformable DETR (Transformer-based object detection algorithm) was employed to automatically compute Cobb’s angle from spinal X-ray images, achieving an error margin of around ±3° compared to expert measurements and thus improving consistency in curvature assessment. Next, a ResNet50+Attention model was applied to hand/wrist X-rays for bone age prediction, resulting in a mean absolute error (MAE) of about 0.645 years (7.74 months), comparable to commercial solutions. Finally, a prognosis model (Random Forest/Gradient Boosting) incorporating Cobb’s angle, bone age, and patient clinical data outperformed the single metric approach by approximately 5–6 percentage points in classification accuracy (AUC 0.91), empirically confirming the significance of growth indicators and clinical parameters in predicting scoliosis progression. This study highlights the potential for an integrated approach to advance AI-driven scoliosis management beyond mere diagnostic automation, supporting early bracing decisions and strategic treatment planning in real-world clinical settings.