[Medical AI] Deep neural networks with promising diagnostic accuracy for the classification of atypical femoral fractures

 

📌 Paper Information

* Journal/Publisher(출처): Acta Orthopaedica
* Publication Date(발간일): 2021년 2월 25일
* Link: https://www.tandfonline.com/doi/epdf/10.1080/17453674.2021.1891512?needAccess=true

 

[한 줄 요약]
일반 X-ray 영상에서 비전형 대퇴골 골절(AFF)과 일반 대퇴골 골절(NFF)을 구분하기 위해 CNN(ResNet50, VGG19, InceptionV3) 기반의 전이학습 및 ROI 정렬 파이프라인을 구축하고, 94%의 진단 정확도를 달성한 연구.

 

 

1. Problem (연구 배경 및 문제 정의)

• 진단의 어려움: 비전형 대퇴골 골절(AFF, Atypical femoral fracture)은 일반 대퇴골 골절(NFF)에 비해 발생 빈도가 낮아 의료진이 일반 X-ray 방사선 사진만으로 둘을 명확히 구분하고 진단하기 어렵습니다.
• 기술적 한계: 기존의 의료 AI 연구들은 단순 '골절 유/무(Fracture vs Non-fracture)'를 분류하는 데 집중하여 높은 정확도(95% 이상)를 보였으나, "골절의 미세한 유형(AFF vs NFF)"을 세부 분류하는 문제에서는 성능이 65~86% 수준으로 급격히 저하되는 문제가 있었습니다.
• 데이터 부족: 희귀 질환 특성상 대규모 의료 영상 데이터를 확보하기 어렵습니다.

 

2. Key Idea (핵심 아이디어)

1. 전이학습(Transfer Learning)의 적극적인 활용
   • 데이터 부족 문제를 극복하기 위해 ImageNet(ILSVRC 2012)으로 사전 학습된(Pre-trained) 모델의 가중치를 가져와 3채널 RGB 변환 후 fine-tuning을 진행했습니다.
2. 이원화된 데이터 입력 파이프라인 (Automated vs Intervention)
   • Automated Pathway: 사용자 개입 없이 기본 전처리(크기 조정, 정규화)만 거쳐 모델에 입력하는 자동화 방식.
   • Intervention Pathway: 간단한 수동 클릭(2-click)으로 골절 부위를 중앙에 맞추고 대퇴골을 수직 방향으로 정렬(Cropping & Rotation)하여 모델의 시각적 편향을 제거하는 방식.
     

     

     Intervention Pathway은 데이터에 (A) reposition (B) rotation (C) cropping을 적용

3. CAM(Class Activation Mapping)을 통한 설명 가능성(XAI) 확보
   • 딥러닝 모델이 대퇴골의 어느 부위를 보고 AFF와 NFF를 구분했는지 시각화하여 의료 진단의 신뢰성을 확보했습니다.

 

 

3. Architecture & Methodology (모델 구조 및 실험 환경)

📊 데이터셋 구성 및 전처리

• Dataset: 총 373명 환자의 982장 Radiographs (AFF: 149명 433장 / NFF: 224명 549장)
• Preprocessing: DICOM ➔ JPEG 변환, 3채널 RGB 복제, 256x256 스퀘어 패딩 및 Resizing, 0~1 Normalization.
• Augmentation: Random Rotation(±10°), Shifting(<10%), Zooming(<10%)을 통한 모델 견고성(Robustness) 확보.

🏗️ 비교 검증한 대표 비전 모델 3종

• ResNet50: Residual Connection을 통해 Gradient Vanishing 문제를 해결하여 깊은 레이어에서도 빠른 수렴 속도와 높은 성능을 발휘.
• VGG19: Sequential 구조의 고전적 CNN (학습 수렴이 상대적으로 느림).
• InceptionV3: Factorized Convolutions 및 Inception block을 통해 연산 효율성을 높인 모델.

 

4. Results (실험 결과)

5-Fold Cross-Validation을 통해 검증한 각 파이프라인별 및 모델별 진단 정확도(Diagnostic Accuracy) 결과입니다.

1) Automated Pathway (자동 파이프라인)

Automated Pathway 방법의 정확도

Model	Accuracy (SD, 표준편차)	Sensitivity	Specificity	Precision
ResNet50	90.5% (1.3)	89.0% (3.3)	92.2% (3.0)	92.2% (3.0)
InceptionV3	89.4% (2.5)	90.6% (3.4)	88.4% (2.6)	88.4% (2.4)
VGG19	82.7% (1.6)	85.4% (4.0)	79.6% (4.8)	81.0% (3.4)

2) Intervention Pathway (AFF 가운데 정렬 및 크롭 적용 파이프라인)

Model	Accuracy (SD, 표준편차)	Sensitivity	Specificity	Precision
ResNet50	94.4% (2.0)	94.4% (1.5)	95.8% (1.9)	95.8% (1.9)
InceptionV3	93.4% (3.7)	92.8% (5.0)	94.2% (3.7)	94.8% (3.3)
VGG19	92.2% (2.7)	93.0% (2.0)	91.6% (5.2)	91.6% (5.2)

 

 

Automated Pathway(윗줄)와 Intervention Pathway(아랫줄)의 ROI

 

 

💡Conclusions

* ResNet50의 압도적 성과: 대부분 다른 모델보다 성능이 높았으며, 수렴 속도가 가장 빨랐습니다. (AUC 0.94 달성)
* Intervention의 효과: 이미지의 회전각과 위치를 정렬한 후 크롭한 데이터를 사용하는 것만으로 전체 모델의 평균 정확도가 약 4% 향상되었습니다.