Diagnostic Protocol for Lumbar Malposition in Chuna Manual Therapy via Deep Learning Analysis of Lumbar X-rays
연구 프로토콜
- 연구 유형: 딥러닝 기반 요추 X-ray 추나 변위 자동 진단 알고리즘 개발 및 검증을 위한 방법론적 연구 프로토콜(후향적 영상 활용 설계)
- 대상 및 규모: 공개 요추 X-ray 데이터셋(BUU-LSPINE 등) 및 비식별화된 임상 요추 전후·측면 영상 최소 1,000장 확보 목표(L1~L5 및 L5~S1 포함 영상)
- 분석 지표: 추체 외곽 네 모서리 좌표, 천골곶 표지점, 양측 척추경 최내측점 등 방사선학적 바이오마커 기반 굴곡·신전·측굴·회전 변위 정량화
- 핵심 결과 및 한계: 전문가 합의 실측값과의 일치도(MAE, ICC, F1-score, AUC, Cohen's kappa) 평가 체계를 수립한 사전 프로토콜이며, 실제 모델 성능 수치는 후속 연구를 통해 검증되어야 합니다.
연구 배경 및 주요 내용
전통적인 추나 임상에서는 척추 분절의 배열과 가동성을 파악할 때 시술자의 손끝 감각을 활용한 촉진 진단에 비중을 두어 왔습니다. 그러나 촉진 중심의 평가는 시술자의 숙련도에 따라 판단이 달라지기 쉽고 검사자 간 재현성이 낮다는 한계가 꾸준히 지적되었습니다. 2019년 추나요법 건강보험 급여화 이후 객관적이고 표준화된 진단에 대한 요구가 커지면서 단순방사선영상(X-ray)을 참고하는 추나 진단법이 활용되고 있으나, 해부학적 구조물의 상대적 위치만을 정성적으로 비교하는 방식만으로는 미세한 변위를 일관되게 수치화하기 어려웠습니다.
이에 저자인 김경묵(2025)은 요추 전후(AP) 및 측면(Lateral) X-ray 영상에서 방사선학적 바이오마커(Radiographic biomarkers)를 딥러닝으로 자동 인식해 요추 부정렬을 정량화하는 방법론적 프로토콜을 수립했습니다. 분석 대상은 요추 1번부터 5번(L1~L5)과 요천추부(L5~S1)가 명확히 촬영된 공개 데이터셋 및 비식별화 임상 PACS 영상이며, 심한 아티팩트나 골융합, 이전 척추 수술 이력으로 해부학적 경계가 불분명한 영상은 제외 기준에 두었습니다. 선행 척추 랜드마크 연구들의 표본 규모를 참고하여 최소 1,000장 이상의 영상 데이터를 구축하고, 환자 단위로 학습·검증·테스트 세트를 나눈 뒤 5-겹(5-fold) 등 K-겹 교차검증을 병행하여 과적합을 줄이도록 설계했습니다.
모델 학습의 기준이 되는 실측 자료(Ground truth)는 한방재활의학과 전문의 또는 5년 이상 임상 경력을 갖춘 한의사 2인이 독립적으로 수기 주석(Manual annotation)을 시행한 뒤 합의를 거쳐 확정합니다. 세부 변위 지표는 크게 두 축으로 나뉩니다. 첫째, 굴곡·신전·측굴 변위를 산출하기 위해 전후 및 측면 영상에서 각 요추 추체의 좌상·우상·좌하·우하 네 모서리 좌표를 찍어 상·하 종판(Endplate) 경사각과 인접 추체 간 각도 차이를 계산하고, L5~S1 구간에서는 요추 5번 하연과 양측 천골곶(Sacral promontory) 두 지점을 추가해 천골경사각과 요천추각을 평가합니다. 둘째, 회전 변위를 평가하기 위해 전후 영상에서 각 추체 양측 척추경 최내측점(Inner pedicle margin)을 지정하고 추체 중심선 대비 편위와 좌우 비대칭 정도를 수치화합니다.
합성곱 신경망(CNN) 모델이 도출한 표지점 좌표와 변위 분류 결과는 전문가 주석과의 비교를 통해 다각도로 검증할 계획입니다. 좌표 검출 오차와 연속형 각도 일치도는 평균절대오차(MAE)와 급내상관계수(ICC)로 측정하며, 변위 유형 분류 성능은 정확도(Accuracy), F1-점수(F1-score), 수신자조작특성 곡선하면적(AUC), 코헨 카파 계수(Cohen's kappa)로 산출합니다. 다만 이 논문은 임상 결과를 단정하는 보고가 아니라 시험 설계와 평가 절차를 사전 공개한 연구 프로토콜이므로, 실제 의료 현장에서의 판독 정확도와 임상적 유용성은 향후 모델 학습과 다기관 외부 검증이 완료된 뒤에 판단해야 합니다.
연구 설계 및 분석 요약 (PICO)
| 분석 항목 | 세부 내용 |
|---|---|
| 연구 설계 | 딥러닝 기반 추나 요추 변위 진단 알고리즘 개발·검증을 위한 방법론적 연구 프로토콜 (후향적 영상 데이터 활용) |
| 연구 대상 | L1~L5 및 L5~S1이 포함된 공개 요추 X-ray 데이터셋 및 비식별화 후향적 임상 AP·Lateral 영상 (목표 표본 최소 1,000장; 골융합·수술 영상 제외) |
| 시험 중재 (분석 기법) | 합성곱 신경망(CNN) 모델을 이용한 추체 네 모서리, 천골곶, 양측 척추경 최내측점 자동 검출 및 굴곡·신전·측굴·회전 변위 정량 산출 |
| 비교 대조군 (참조 기준) | 한방재활의학과 전문의 또는 임상 경력 5년 이상 한의사 2인이 독립 표기 후 합의하여 확정한 수기 주석 실측값(Ground truth) |
| 주요 평가 지표 | 표지점 검출 평균절대오차(MAE), 급내상관계수(ICC), 변위 분류 정확도(Accuracy), F1-score, AUC, 코헨 카파 계수(Cohen's kappa) |
| 해석상 한계점 | 실제 학습·검증 수치가 도출되기 전 단계의 연구 프로토콜이며, 정지된 2차원 X-ray 정렬 수치만으로는 환자의 통증 원인이나 동적 기능장애를 단독 단정할 수 없음 |
임상적 의의 및 읽을 때 유의점
이 논문은 인공지능 영상 분석을 통해 추나 진단의 객관성과 재현성을 높이려는 설계도를 담고 있지만, 프로토콜 논문인 만큼 현재 시점에서 특정 인공지능 프로그램의 진단 효능이 확인된 것처럼 해석해서는 안 됩니다. 또한 임상 현장에서 요추 X-ray상의 미세한 각도 차이나 회전 소견이 곧바로 환자의 허리 통증 강도와 일치하는 것은 아닙니다. 무증상 성인에서도 경미한 척추 비대칭은 흔히 관찰되므로, 외부 의료기관에서 촬영한 X-ray나 MRI 영상 자료를 참고할 때에도 반드시 하지 직거상 검사 등 이학적·신경학적 검진, 실제 관절 가동 범위, 근육 긴장도, 통증 양상을 종합하여 추나 시술 부위와 강도를 결정해야 안전합니다.
- 김경묵. 요추 X-ray의 딥러닝 분석을 통한 추나 요추 변위 진단 프로토콜. 척추신경추나의학회지. 2025;20(2):77-84. doi:10.30581/jcmm.2025.20.2.77
원문 PDF (척추신경추나의학회) · 초록·원문 (OASIS)
이 논문을 인용한 설명
← 추나 정보 포털 홈으로 돌아가기