목적: 골절 위험을 예측하기 위한 컴퓨터단층촬영(CT) 기반 멀티태스크 학습 모델을 개발하고, 이를 외부적으로 검증하고자 한다. 대상 및 방법: 본 연구는 멀티태스크 학습 접근법을 이용하여 두 단계로 수행되었다. 먼저, 50–80세 환자 2553명의 복부 CT 영상을 사용하여 단면적 척추체 골절(VF) 검출 모델을 개발하였다. 그 다음, 해당 검출 모델을 멀티태스크 학습 프레임워크 내에서 활용하여 5년 추적 기간에 걸친 종단적 VF 예측 모델을 개발하였다. 외부 평가는 두 개의 독립 병원에서 온 환자 1506명을 대상으로 수행하였다. 성능은 단일태스크와 멀티태스크 모델, 골(bone)만 및 골+근육(bone+muscle) 영상, 영상만 및 임상 모델 간에 비교하였다. 결과: 단면적 골절 검출 모델에서 환자의 평균 연령은 76.2세였고, 66.7%가 여성이었다. VF 검출을 위한 분류 과제에서 골과 근육을 모두 사용한 모델은 개발 세트에서 수신자 조작 특성 곡선 아래 면적(AUROC) 0.82, 외부 검증 세트에서 0.80을 보였다. 멀티태스크 학습을 사용했을 때, 골+근육 이미지 모델은 c-index 0.68을 보였으며 외부 검증 세트에서 골만 모델보다 2년, 3년, 5년 AUROC에서 우수한 성능을 나타냈다(각각 0.79 vs. 0.75, 0.71 vs. 0.68, 0.71 vs. 0.68, 모두 p < 0.01). 또한 멀티태스크 모델은 골절 위험 평가 도구(Fracture Risk Assessment Tool, FRAX)보다 유의하게 우수하였다(c-index: 0.68 vs. 0.66, p < 0.01). 결론: 골과 근육 데이터를 통합한 CT 기반 멀티태스크 학습 모델은 골 영상만 사용한 모델 및 전통적 임상 모델에 비해 VF에 대한 예측 성능이 더 우수하였다. 핵심 사항: 질문: 다른 이유로 CT 촬영을 받는 많은 개인에서 척추 골절 위험이 여전히 과소평가되고 있으며, 이는 향상된 기회(opportunistic) 예측 도구의 필요성을 시사한다. 결과: CT에서 골과 근육 특성을 모두 통합한 멀티태스크 딥러닝 모델은 골만 및 전통적 임상 모델, FRAX를 포함하여 그보다 우수한 성능을 보였다. 임상적 유의성: 제안된 모델은 일상적으로 획득되는 CT 영상을 이용하여 정확한 척추 골절 위험 예측을 가능하게 하며, 추가 검사가 필요 없이 조기 식별과 중재를 촉진한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.