뇌졸중 연하장애(VFSS)에서 시간적 파라미터 정량화와 딥러닝 기반 자동 분석 연구

Automated deep learning-based quantification of temporal parameters in stroke dysphagia using VFSS

연구 내용

뇌졸중 연하장애에서 VFSS 영상의 시간적 파라미터를 딥러닝으로 자동 측정하고, 흡인 및 병변 양상과의 상관을 정량적으로 해석하는 연구

연하장애는 흡인 위험과 직결되며 VFSS에서 관찰되는 시간적 파라미터가 임상 패턴을 반영할 수 있습니다. 본 연구는 여러 시간 지표(구강 단계 지속, 인두 지연, 인두 반응/이행, 후두 현관 반응·지속, 상부 식도 괄약근 개방 및 반응 등)를 수기 측정에 의존하지 않고 딥러닝 기반 ResNet3D 계열 모델로 자동화하는 접근을 수행합니다. 또한 흡인 유무와 Penetration-Aspiration Scale(PAS) 수준에 따라 어떤 시간 지표가 유의하게 달라지는지, 병변 위치에 따른 차이까지 분석하여 임상적으로 활용 가능한 정량 근거를 제시합니다. 이를 통해 VFSS 해석의 재현성과 효율을 높이는 데 목적을 둡니다.

관련 프로젝트

0건

연구 흐름

2023년에는 VFSS 영상에서 연하 과정의 시간적 파라미터를 자동 측정하기 위해 ResNet3D 기반 딥러닝 모델을 구성하고 기존 VGG 및 I3D 계열과 성능을 비교하는 연구를 수행하였습니다. 같은 해 축적된 VFSS 자료를 후향적으로 분석하여 흡인 위험 및 병변 위치에 따라 시간 지표가 어떻게 변화하는지 상관과 집단 차이를 확인했습니다. 2024년에는 관련 연구의 수정 사항을 반영하는 정정 논문이 출판되며 모델/분석 파이프라인의 완성도를 관리하는 흐름으로 이어졌습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

VFSS 시간 지표 자동 산출
흡인 위험 정량화 보조도구
PAS 기반 임상 의사결정 지원
병변 위치별 연하 패턴 분류
인두 단계 이상 조기 탐지
연하치료 경과의 객관적 추적
영상 해석 표준화와 재현성 향상
딥러닝 기반 영상 분석 파이프라인 구축
재활 치료 전략 수립 근거 제공
연하 재활의 데이터 기반 임상 연구 확장