R.노두현정형외과와 연구 이야기
글자
← 연구 이야기

AI와 영상 검사 · 2025

AI가 골절을 찾는 데 도움이 될까요?

고관절 X-ray에서 골절 유형을 구분하고 의사의 판독을 보조하는 AI를 시험했습니다.

The Bone & Joint Journal · Zheng Z et al. · Ro DH

연구 수치로 읽는 결과

개발 4,493장, 외부 675장, 판독 비교 341장을 구분한 도표입니다. 341장은 외부 자료의 일부로 세 막대를 합산하지 않습니다. Table III의 0.83–0.89는 세 의사의 평균 열 값으로, 평가 주체 설명의 불일치 때문에 AI 단독 민감도로 표시하지 않습니다.그림 크게 보기

개발 4,493장, 외부 675장, 판독 비교 341장을 구분한 도표입니다. 341장은 외부 자료의 일부로 세 막대를 합산하지 않습니다. Table III의 0.83–0.89는 세 의사의 평균 열 값으로, 평가 주체 설명의 불일치 때문에 AI 단독 민감도로 표시하지 않습니다.

Bone & Joint Journal (2025). DOI: 10.1302/0301-620X.107B2.BJJ-2024-0791.R1 · Original explanatory chart based on reported data

근거·원문그림 이용조건
01

골절을 찾는 일과 골절의 종류를 나누는 일

고관절은 골반과 허벅지뼈가 만나는 관절입니다. 고관절 X-ray를 판독할 때는 골절이 있는지에 더해, 어떤 형태인지 구분하는 과정이 필요합니다. AI가 이 과정의 일부를 보조할 수 있는지 연구가 이어지고 있습니다.

이 논문은 X-ray에서 네 가지 골절 유형을 자동으로 분류하는 모델을 개발했습니다. AI만의 영상 분류 성능과, 의사가 AI 결과를 참고할 때의 판독 결과를 함께 살폈습니다. ‘AI가 맞히는가’와 ‘의사에게 도움이 되는가’를 구분한 연구입니다.

02

세 기관의 X-ray 5,168장을 분석했습니다

두 기관의 영상 4,493장으로 모델을 개발하고, 다른 기관의 영상 675장으로 외부 검증했습니다. 한 병원 자료 안에서만 시험하면 촬영 방식이나 환자 구성에 익숙해진 성능이 섞일 수 있습니다. 그래서 새로운 기관의 자료에서 확인한 결과를 따로 보았습니다.

분류한 유형은 전위, 외반 감입, 안정형, 불안정형입니다. 모델은 합성곱 신경망을 기반으로 했으며 정형외과 의사의 진단을 기준으로 평가했습니다. 전체 자료는 방사선 영상 수이며, 곧바로 같은 수의 환자라고 읽으면 안 됩니다.

03

외부 검증의 민감도와 특이도

공개 초록은 전위형·외반 감입형·안정형·불안정형의 외부 민감도를 각각 0.83·0.89·0.88·0.85로 보고했습니다. 특이도는 각각 0.94·0.90·0.95·0.99였습니다.

두 기관의 X-ray 4,493장으로 모델을 개발하고, 다른 기관의 영상 675장으로 평가했습니다. 골절 유형을 자동으로 분류하는 성능과 의사가 AI 결과를 참고하는 판독 평가는 나누어 살펴야 합니다. 민감도는 실제 해당 골절이 있는 영상 중 찾아낸 비율이고, 특이도는 해당 골절이 없는 영상 중 없다고 구분한 비율입니다. 평가 조건이 다른 수치를 한데 묶어 전체 정확도로 설명하지 않습니다.

04

환자의 회복이 좋아졌다는 뜻까지는 아닙니다

과거 X-ray를 분석한 후향적 연구입니다. 외부 기관의 영상으로 검증한 점은 의미가 있지만, 실제 응급실에서 AI를 사용한 뒤 진단 시간이 줄었는지나 환자의 합병증·회복이 달라졌는지까지 평가한 연구는 아닙니다.

이번 결과는 영상 판독을 보조할 가능성에 관한 근거입니다. 진단 보조 성능을 수술의 성공률로 바꾸어 읽거나, 새로운 병원에서도 같은 성능이 보장된다고 생각해서는 안 됩니다. 실제 환자에게 도움이 되는지를 확인하는 다음 단계의 연구가 필요합니다.

연구 숫자 다시 보기

5,168전체 방사선 영상
675외부 검증 영상
4유형골절 분류
RESEARCH FINDING장

모델 개발과 검증에 사용한 영상

개발 자료 · 2기관
4,493
외부 자료 · 1기관
675
의사 판독 비교
341
02,5005,000
자료의 규모를 나타내며 모델의 진단 성능이 아닙니다. 의사 판독 비교 341장은 외부 자료 675장의 일부이므로 세 막대를 합산하지 않습니다.

많이 묻는 질문

민감도와 정확도는 같은 뜻인가요?

다릅니다. 민감도는 실제 해당 골절이 있는 영상에서 찾아낸 비율입니다. 전체 정확도와 구분해야 하며, 누가 어떤 조건에서 판독한 결과인지도 함께 확인해야 합니다.

AI가 의사보다 더 잘 진단한다는 결론인가요?

이 연구는 모델의 유형별 분류와 AI 보조 전후 판독을 평가했습니다. 그 결과를 모든 환경에서 AI가 의사를 대체한다는 결론으로 확대할 수 없습니다.

글에 나온 용어
고관절
골반과 허벅지뼈가 만나는 엉덩이 관절입니다.
민감도
실제 해당 골절이 있는 영상 중 AI가 찾아낸 비율입니다.
특이도
해당 골절이 없는 영상 중 AI가 없다고 구분한 비율입니다.
연구 방법과 수치 자세히 보기

Deep learning for automated hip fracture detection and classification

대상과 방법

고관절 AP 방사선 5,168장 · 3개 기관

2개 기관의 4,493영상으로 모델을 개발하고 다른 기관의 675영상으로 검증했습니다. 네 골절 유형을 분류하고 AI 보조 전후 의사 판독을 비교했습니다.

논문에 보고된 결과

  1. 두 기관의 4,493영상으로 개발하고 독립 기관의 675영상을 외부 자료로 사용했습니다.
  2. 외부 자료 중 341영상으로 의사 세 명의 AI 보조 전후 판독을 비교했습니다.
  3. 연구에서는 AI 보조를 통한 의사 판독 정확도 개선을 보고했습니다.

해석의 범위

후향적 영상 연구입니다. 유형별 민감도·특이도는 전체 정확도와 다르며, 실제 진료에서 환자 결과의 개선을 직접 입증하지 않습니다.

Keywords · 주제어

Abstract · 원문 초록

Zhiqian Zheng, Byeong Y Ryu, Sung E Kim, Dae S Song, Seong H Kim, Jung-Wee Park, Du H Ro. Deep learning for automated hip fracture detection and classification : achieving superior accuracy. The bone & joint journal. 2025;107-B(2):213-220. doi:10.1302/0301-620X.107B2.BJJ-2024-0791.R1.

AIMS

The aim of this study was to develop and evaluate a deep learning-based model for classification of hip fractures to enhance diagnostic accuracy.

METHODS

A retrospective study used 5,168 hip anteroposterior radiographs, with 4,493 radiographs from two institutes (internal dataset) for training and 675 radiographs from another institute for validation. A convolutional neural network (CNN)-based classification model was trained on four types of hip fractures (Displaced, Valgus-impacted, Stable, and Unstable), using DAMO-YOLO for data processing and augmentation. The model's accuracy, sensitivity, specificity, Intersection over Union (IoU), and Dice coefficient were evaluated. Orthopaedic surgeons' diagnoses served as the reference standard, with comparisons made before and after artificial intelligence assistance.

RESULTS

The accuracy, sensitivity, specificity, IoU, and Dice coefficients of the model for the four fracture categories in the internal dataset were as follows: Displaced (1.0, 0.79, 1.0, 0.70, 0.82), Valgus-impacted (1.0, 0.80, 1.0, 0.70, 0.82), Stable (0.99, 0.95, 0.99, 0.83, 0.89), and Unstable (1.0, 0.98, 0.99, 0.86, 0.92), respectively. For the external validation dataset, the sensitivity and specificity were as follows: Displaced (0.83, 0.94), Valgus-impacted (0.89, 0.90), Stable (0.88, 0.95), and Unstable (0.85, 0.99), respectively. The overall means (Micro AVG and Macro AVG) for the external dataset were Micro AVG (0.83 (SD 0.05), 0.96 (SD 0.01)) and Macro AVG (0.69 (SD 0.02), 0.95 (SD 0.02)), respectively.

CONCLUSION

Compared to human diagnosis alone, our study demonstrates that the developed model significantly improves the accuracy of detecting and classifying hip fractures. Our model has shown great potential in assisting clinicians with the accurate diagnosis and classification of hip fractures.

PubMed에서 초록 보기

이어서 읽기

AI와 영상 검사척추가 휘어도 AI가 각도를 잴 수 있을까요?AI와 영상 검사AI는 다리 X-ray에서 무엇을 찾아 각도를 잴까요?
관절염 기본 정보관련 글 찾기