MediWave

  서론: 흉부 X선과 인공지능의 만남이 여는 심혈관 영상의학의 새로운 지평 심혈관질환(Cardiovascular disease, CVD)은 전 세계적으로 사망 원인 1위를 차지하는 질환군으로, 조기 진단과 위험도 예측이 환자의 예후를 결정하는 핵심 요소이다.  전통적으로 관상동맥질환(Coronary artery disease, CAD)의 위험도 평가는 임상 위험 인자(흡연, 고혈압, 당뇨, 고지혈증 등)와 더불어 관상동맥 석회화(Coronary artery calcium, CAC) 평가를 통해 이루어져 왔다.  특히 Agatston score 는 심장 CT를 이용한 표준 지표로 널리 사용되고 있다. 그러나 심장 CT는 상대적으로 높은 비용과 방사선 피폭이라는 한계를 지니며, 모든 환자에게 일상적으로 적용하기에는 현실적인 제약이 있다.  반면 흉부 X선 검사(chest radiography) 는 응급실, 외래, 입원 환경에서 가장 빈번하게 시행되는 영상 검사 중 하나로, 저비용·저선량이라는 장점을 지닌다. 최근 인공지능(AI), 특히 딥 컨볼루션 신경망(Deep Convolutional Neural Network, DCNN) 의 발전은 기존 영상 판독의 한계를 뛰어넘어, 인간 판독자가 직관적으로 인지하기 어려운 미세한 영상 패턴을 추출하고 임상적 의미를 도출하는 단계에 이르렀다.  본 컬럼에서는 흉부 X선 영상 기반 AI를 이용한 관상동맥 석회화 예측 및 심혈관질환 위험도 평가 에 관한 Johns Hopkins University 연구를 중심으로, 그 영상의학적 의미와 임상적 파급효과를 심층적으로 고찰하고자 한다. 관상동맥 석회화(Coronary Artery Calcium)의 병태생리와 임상적 의의 관상동맥 석회화는 죽상동맥경화(atherosclerosis)의 진행 과정에서 나타나는 비가역적 변화로, 혈관 내막의 만성 염증과 지질 침착 이후 칼슘이 침착되며 형성된다.  이러한 석회화는 단순한 ...

http://dx.doi.org/10.31916/sjmi2025-02-7  Key word: Medical Imaging · Precision Medicine · AI Radiology · Predictive Diagnostics 서론: 의료영상은 더 이상 ‘진단 보조 수단’이 아니다 의료영상(Medical Imaging)은 지난 수십 년간 질병을 “확인(confirmatory)”하는 도구로 인식되어 왔다.  임상 증상이 발생한 이후, 병변의 위치와 범위를 시각적으로 확인하는 것이 영상의학의 핵심 역할이었다.  그러나 최근 10여 년간 정량 영상(quantitative imaging) , 분자영상(molecular imaging) , 인공지능(AI) 기반 분석 , 방사선량 최적화 기술 이 융합되면서 의료영상의 본질적 역할은 급격히 변화하고 있다. 이제 의료영상은 ▶ 질병을 예측(Predictive)하고 ▶ 개인별 위험도를 계층화(Risk Stratification)하며 ▶ 치료 반응과 예후를 정밀하게 예측(Precision Medicine)하는 임상 의사결정의 중심 인프라 로 자리 잡았다. 특히 2024–2025년 발표된 다수의 SCI급 연구들은 영상의학이 단순 판독을 넘어, 임상 지능(Clinical Intelligence)의 핵심 축으로 기능하고 있음을 명확히 보여준다. 1. 예측의학 시대의 핵심 도구, 신경영상(Neuroimaging) 알츠하이머병: 증상 이전에 진단되는 시대 알츠하이머병(Alzheimer’s disease)은 의료영상 패러다임 전환을 가장 상징적으로 보여주는 질환이다. 과거에는 기억력 저하라는 임상 증상이 나타난 후 MRI에서 해마 위축을 확인하는 방식이 주를 이루었지만, 현재는 아밀로이드 PET·타우 PET 을 통해 무증상 단계(preclinical stage)에서 병리학적 변화를 확인할 수 있다. Figure 1. PET 기반 알츠하이머병 전임상 진단 아밀로이드 PET 영상에서 대...

Lung Cancer Risk Prediction Model · XGBoost · 폐암 조기검진 AI 1. 서론 : 폐암 스크리닝과 머신러닝 기반 위험 예측의 필요성 폐암 (Lung Cancer) 은 전 세계적으로 암 사망률 1 위를 차지하는 질환으로 , 조기 진단 여부가 예후를 결정하는 핵심 요소이다 . 그러나 기존의 폐암 스크리닝 전략은 연령 , 흡연력 (pack-years) 등 제한된 임상 변수에 기반한 단순 기준을 적용해 왔으며 , 이로 인해 고위험군 누락 (false negative) 과 저위험군 과잉검사 (false positive) 문제가 지속적으로 제기되어 왔다 . 최근 의료 인공지능 (AI) 과 머신러닝 (Machine Learning) 기술의 발전은 이러한 한계를 극복할 수 있는 새로운 가능성을 제시하고 있다 . 특히 폐암 위험 예측 모델 (Lung Cancer Risk Prediction Model) 은 다변량 임상 데이터를 종합적으로 분석하여 , 스크리닝 단계에서 개인 맞춤형 위험도 평가 를 가능하게 한다 . 본 컬럼에서는 중국 광저우 Lung-Care Project Program 코호트 (11,708 명 ) 를 기반으로 수행된 연구를 중심으로 , ·          Logistic Regression 기반 폐암 위험 예측 모델 과 ·          XGBoost 기반 머신러닝 폐암 위험 예측 모델 의 성능을 비교 · 분석하고 , 임상적 · 영상의학적 의미를 심층적으로 고찰한다 . 2. 연구 개요 및 데이터 구성 2.1 연구 대상 및 코호트 특성 본 연구는 전향적 코호트 연구 (prospective cohort study) 로 설계되었으며 , 광저우 Lung-Care Project Program 에 등록된 총 11,708 명 의 일반...

 https://doi.org/10.1016/j.acra.2025.12.028 Portable Brain CT, Motion Artifact Correction, Diffusion Model, AI Medical Imaging, Brain CT Image Quality 1. 서론: Portable Brain CT와 Motion Artifact의 근본적 한계 Portable Brain CT 는 중환자실(ICU), 응급실, 수술 직후 병상(bedside), 재난 현장 등에서 환자를 이동시키지 않고 뇌 영상을 획득할 수 있는 혁신적 영상 기술이다. 그러나 이러한 Portable CT 는 구조적·물리적 제약으로 인해 motion artifact 가 빈번하게 발생하며, 이는 영상 판독 정확도와 진단 신뢰도를 심각하게 저하시킨다. 특히 중증 환자, 의식 저하 환자, 인공호흡기 착용 환자는 자발적 두부 고정이 불가능 하며, 기존의 고정 장치 역시 임상적으로 적용이 어렵다. 이로 인해 brain CT motion artifact , streak artifact , double skull artifact 등이 빈번히 관찰된다. 최근 이러한 문제를 해결하기 위해 Diffusion Model 기반 AI motion correction 알고리즘 이 제안되었으며, 본 컬럼에서는 *Academic Radiology (2025)*에 게재된 최신 연구를 바탕으로 Portable Brain CT 영상 품질 개선과 영상 판독 관점에서의 임상적 의미 를 심층적으로 분석한다. 2. Diffusion Model 기반 Motion Correction의 원리 2.1 Diffusion Model이란 무엇인가? Diffusion model 은 노이즈가 포함된 영상으로부터 점진적으로 원본 이미지를 복원하는 확률 기반 생성 모델이다. 의료 영상 분야에서는 low-dose CT reconstruction , MRI denoising , motion correction 등에서 탁월한 ...

 http://dx.doi.org/10.31916/sjmi2025-01-7  서론: 영상의학, AI와 만나 새로운 국면을 맞다 의료영상 분야는 지금 거대한 변곡점에 서 있다.  인공지능(AI)의 급속한 발전은 단순히 판독 보조 기술의 차원을 넘어, Radiology Extender(영상의학 확장자)라는 새로운 패러다임을 형성하고 있다. 기존에 방사선 전문의가 수작업으로 수행하던 병변 탐지, 정량화 분석, 영상 트리아지(triage), 구조화된 리포트 작성 등의 반복적 업무를 AI가 대신 수행하면서, 영상의학의 속도·정확도·효율성이 모두 비약적으로 향상되고 있다. 1. AI 영상의학의 핵심 4대 기능 (1) 병변 탐지 및 분류 (Lesion Detection and Classification) 딥러닝(Deep Learning), 특히 합성곱 신경망(CNN) 기반의 모델들은 CT, MRI, X-ray, 유방촬영 등 다양한 영상에서 병변을 자동으로 탐지하고 분류한다. AI는 폐결절, 뇌출혈, 유방암 미세석회화 등 다양한 병변을 사람 수준의 정확도로 찾아내며, 방사선 전문의를 ‘두 번째 판독자(Second Reader)’로 지원한다.  그림 1A. AI 병변 탐지 과정 AI가 CT 영상에서 폐결절을 자동 탐지하고 악성 가능성을 확률로 제시함. 영상 판독: 폐 우하엽에 6mm 결절, malignancy risk 27%. 이러한 이중 판독(Double Reading) 구조는 오진 가능성을 낮추고, 진단 신뢰도를 높이는 데 기여한다. (2) 영상 트리아지 및 우선순위 설정 (Image Triage and Prioritization) 응급실과 고부하 영상실에서는 시간과의 싸움이 생명이다. AI는 CT·MRI 데이터를 실시간으로 분석하여, 응급성이 높은 영상부터 자동으로 우선순위를 매긴다.   그림 1B. 응급 트리아지 알고리즘 시각화 AI가 두부 CT에서 급성 출혈을 탐지하고 “STAT(응급)” 태...

  ChatGPT-4 Turbo를 활용한 영상의학 AI 성능 모니터링의 혁신: 뇌출혈 검출 시스템 사례 분석 서론 의료 인공지능(AI)은 영상의학 분야에서 빠르게 확산되고 있으며, 특히 응급 상황에서 빠른 진단이 필요한 외상성 두부 손상(traumatic brain injury) , 자발성 뇌출혈(intracranial hemorrhage, ICH) 등의 탐지에 큰 역할을 하고 있습니다.  그러나 AI 모델의 성능은 시간이 지남에 따라 성능 드리프트(performance drift)가 발생할 수 있으며, 이는 환자 안전에 직결되는 문제입니다. 최근 Baylor College of Medicine과 Radiology Partners Research Institute 연구팀은 ChatGPT-4 Turbo 를 활용하여, 상용 딥러닝 기반 ICH 검출 시스템(Aidoc)의 배포 후(post-deployment) 성능을 실시간에 가깝게 모니터링하는 방법을 제안하였습니다. 1. 연구 배경 기존의 AI 성능 감시(drift detection)는 주로 실시간 피드백(real-time feedback)과 정답 데이터(ground truth) 확보를 기반으로 하지만, 의료 환경에서는 진단 확정까지 시간이 오래 걸려 실시간 모니터링이 어렵습니다.  이러한 한계를 극복하기 위해, 연구팀은 HIPAA 준수 환경의 Microsoft Azure에서 구동되는 ChatGPT-4 Turbo를 데이터 추출 및 분석에 활용하였습니다. 1.1 성능 드리프트의 위험성 영상 장비 제조사 변경, 환자 집단 특성 변화, 영상 획득 프로토콜 차이 등 다양한 요인으로 AI 성능이 변할 수 있습니다. 정기적인 성능 검증과 업데이트 가 필요하지만, 수작업 검토는 인력과 비용 부담이 크다는 단점이 있습니다. 2. 연구 방법 2.1 데이터 수집 연구팀은 미국 내 37개 Radiology Partners 소속 기관 에서 수집된 332,809건의 무조영...