RSNA, 2025 본 저널 기사에 대한 보충 자료는 이용 가능합니다.

목적: 딥러닝 영상 재구성(deep learning image reconstruction, DLIR)을 이용한 초저선량(ultralow-dose, ULD) 흉부 CT에서 Lung-RADS 분류와 용적 기반 결절 평가가 가능한지 전향적으로 평가하고자 하였다. 방법: 기관 윤리심의위원회(Institutional review board, IRB)가 이 전향적 연구를 승인하였다. 본 연구에는 40명의 환자(평균 연령 66±12세; 여성 21명)가 포함되었다. 연구 참여자는 순차적으로 LDCT와 ULDCT를 시행받았으며(CTDIvol, 0.96±0.15 mGy 및 0.12±0.01 mGy), 영상은 적응 통계 반복 재구성(adaptive statistical iterative reconstruction-V 50%, ASIR-V50) 및 DLIR로 재구성하였다. CT 영상 품질은 주관적으로 및 객관적으로 비교하였다. 폐 결절은 두 명의 판독자가 Lung-RADS 1.1을 사용하여 시각적으로 평가하였고, 동시에 컴퓨터 보조 도구로 자동 평가하였다. 결과: DLIR은 ASIR-V50에 비해 LDCT 및 ULDCT 영상에서 유의하게 더 높은 신호대잡음비를 제공하였다(모든 P < .001). 전반적으로 DLIR은 ULDCT 영상에서 주관적 영상 품질이 더 우수하였으며(P < .001), LDCT 영상에서는 ASIR-V50과 비교하여 유사한 품질을 보였다(P = .01-1). Lung-RADS 범주 3–4 결절에 대한 판독자의 결절 단위 민감도는 DLIR-LDCT 및 DLIR-ULDCT 영상에서 각각 70.6–88.2% 및 64.7–82.4%였고(P = 1), 범주는 판독자 내에서 대부분 일치하였다. 결절 ≥4 mm에 대한 컴퓨터 보조 검출의 결절 단위 민감도는 DLIR-LDCT 및 ULDCT 영상에서 각각 72.1% 및 67.4%였으며(P = .50), 결절 용적 차이에 대한 95% 일치 한계는 DLIR-LDCT와 DLIR-ULDCT 간에서 -85.6에서 78.7 mm3로, DLIR-LDCT와 ASIR-V50-LDCT 간의 동일-스캔 결절 용적 차이(-63.9에서 78.5 mm3)와 유사하였다. 또한 용적 차이가 25% 미만인 결절의 비율은 각각 88.5% 및 92.3%였으며(P = .65), 결론: DLIR은 ULDCT 영상에서 LDCT 영상과 비교하여 동등한 Lung-RADS 및 결절 용적 평가를 가능하게 하였다.

목적: 본 연구는 전단파 탄성조영술(shear wave elastography, SWE)을 사용하여 극상근(supraspinatus tendon, SST) 파열의 만성성(chronicity)을 추정할 수 있는지 평가하고자 하였다. 방법: 후향적 연구를 수행하였다. 2015년 11월부터 2016년 7월까지 지속적인 어깨 통증이 있는 113명(남성 52명, 여성 61명; 연령 범위, 21~79세)의 환자에서 일상적인 B-모드 초음파검사로 119회의 회전근개 건 검사를 시행하였고, 동시에 SWE로 SST의 탄성(elasticity)을 측정하였다. 양질이 떨어지는 검사 8회를 제외하고 SST 측정이 누락된 4회를 제외했으며, 다른 질환을 가진 환자의 검사 27회를 제외한 후 총 80회의 검사를 분석하였다. 찢어진 SST는 54회의 검사에서 관찰되었으며(부분층 파열 27회, 전층 파열 27회), 탄성 값은 여러 방식으로 비교하였다. 결과는 Mann-Whitney U 검정 또는 Kruskal-Wallis 검정을 사용하여 분석하였다. 결과: 정상 SST(중앙값, 94.65; 사분위 범위[IQR], 87.43~105.47)와 찢어진 SST(중앙값, 96.79; IQR, 86.71~108.56) 사이, 또는 전층 파열(중앙값, 93.80; IQR, 82.50~108.33)과 부분층 파열(중앙값, 96.83; IQR, 90.60~112.20) 사이에서는 탄성 값(kPa)에 통계적으로 유의한 차이가 없었다. 그러나 증상 지속 기간이 1년 이하인지 1년 초과인지에 따라 탄성에는 통계적으로 유의한 차이가 있었으며, 1년 이하(중앙값, 92.20; IQR, 84.01~104.38)와 1년 초과(중앙값, 105.10; IQR, 100.41~116.03; P=0.032)에서 나타났다. 결론: 1년 이상 지속된 만성 어깨 통증 환자의 찢어진 SST에서는 탄성 값이 유의하게 더 높았다. SWE로 측정한 탄성 값이 회전근개 건 파열의 만성성에 대한 수술 전 대리 지표로 사용될 수 있는지 여부를 확인하기 위해서는 더 큰 표본을 가진 추가 연구가 필요해 보인다.

목적: 비조영(non-contrast) 흉부 컴퓨터단층촬영(CT) 영상에서 광범위한 병적 상태를 동반한 폐실질(lung parenchyma)을 분할하기 위한 딥 신경망을 개발하고자 하였다. 재료 및 방법: 2017년 1월부터 2017년 5월까지 203명의 환자(남성 115명, 여성 88명; 연령 범위, 31–89세)로부터 얇은 절편(thin-section) 비조영 흉부 CT 영상을 포함하였으며, 이 중 150예는 폐실질 면적의 40%를 초과하는 광범위한 폐실질 질환을 포함하였다. 폐실질 질환에는 간질성 폐질환(ILD), 폐기종, 비결핵성 마이코박테리아 폐질환, 결핵으로 파괴된 폐, 폐렴, 폐암 및 기타 질환이 포함되었다. 5명의 숙련된 영상의학과 전문의가 CT 영상에서 절편(slice)별로 폐의 경계를 수작업으로 그렸다. 네트워크 개발에 사용된 데이터셋은 훈련 157예, 개발 20예, 내부 검증 26예로 구성되었다. 본 과업에는 2차원(2D) U-Net과 3차원(3D) U-Net 모델을 사용하였다. 네트워크는 폐실질을 전체로 분할하는 것과 우측 및 좌측 폐를 각각 분할하는 것을 모두 수행하도록 학습되었다. 대외 검증을 위해 ILD의 고해상도 CT 영상을 포함한 제네바 대학병원(University Hospitals of Geneva) ILD 데이터셋을 사용하였다. 결과: 내부 검증에서 Dice 유사도 계수는 99.6 ± 0.3%(2D U-Net 전체 폐 모델), 99.5 ± 0.3%(2D U-Net 분리 폐 모델), 99.4 ± 0.5%(3D U-Net 전체 폐 모델), 99.4 ± 0.5%(3D U-Net 분리 폐 모델)였으며, 대외 검증 데이터셋에서 Dice 유사도 계수는 98.4 ± 1.0%(2D U-Net 전체 폐 모델)와 98.4 ± 1.0%(2D U-Net 분리 폐 모델)였다. ILD의 범위가 폐실질 면적의 75%를 초과한 31예에서 Dice 유사도 계수는 97.9 ± 1.3%(2D U-Net 전체 폐 모델)와 98.0 ± 1.2%(2D U-Net 분리 폐 모델)였다. 결론: 본 딥 신경망은 비조영 흉부 CT 영상에서 광범위한 병적 상태를 동반한 폐실질의 경계를 자동으로 정확하게 구획하는 데 있어 우수한 성능을 보였다.

코로나바이러스감염증-19(COVID-19)는 전 세계적 유행으로서 공중보건에 위협이 되고 있다. 흉부 CT와 흉부 X선촬영은 COVID-19 진단의 표준인 역전사 중합효소 연쇄반응 외에도 COVID-19의 관리에 있어 핵심적이다. 본 연구는 COVID-19 진단 및 관리에서 흉부 CT와 흉부 X선촬영의 활용 현황을 검토하고, 흉부 CT 및 X선촬영에 인공지능을 적용한 초기의 대표적 연구들을 소개한다. 또한 저자들은 인공지능의 향후 가치에 대한 통찰을 제공하기 위해 자신의 경험을 공유한다.

또한, 본 호에 게재된 Wu와 Seo의 사설을 참조하십시오.

목적: 생성형 인공지능(AI) 시스템은 흉부 X선(CXR) 보고서를 자동으로 작성하는 데 활용될 수 있다. 효율성 및 인력 부족 문제를 해결할 수 있다는 점에서 유망하나, 정확성, 신뢰성 및 임상적 유용성은 여전히 불확실하다. 본 연구는 소규모 사례 세트에서 소프트웨어를 사용한 전문가들의 델파이(Delphi) 설문을 바탕으로, 흉부 방사선학 한국학회(Korean Society of Thoracic Radiology, KSTR)의 AI 보조 CXR 보고서 작성에 관한 입장문을 제시한다. 재료 및 방법: 20명의 흉부 방사선 전문의가 자동 보고서 작성용 AI 기반 도구(KARA-CXR, version 1.0.0.3; KakaoBrain, 서울, 대한민국)를 사용하여 60개의 CXR 사례를 검토한 후 델파이 설문에 참여하였다. 델파이 설문에 앞서, 참여자들은 설문 준비 과정의 일환으로 각자 근무지에서 60개의 CXR 사례를 개별적으로 검토하였다. 60개의 사례는 6가지 임상 환경(건강검진, 입원, 응급실, 중환자실, 호흡기 외래, 비호흡기 외래)으로 균등하게 분배하였으며, 각 환경에 10개 사례가 포함되었다. 참여자들은 자신이 실제로 업무를 수행해온 CXR 사례를 개별적으로 선택하였다. 전체 선택 및 검토 과정은 1개월 이내에 완료되었다. 이후 2회의 델파이 라운드를 수행하였다. 참여자들은 9점 리커트 척도에서 AI 기반 도구의 임상적 적용 가능성에 관하여 12개의 핵심 질문(72개 항목)을 평가하였다. 합의는 ≥70%의 동의로 정의하였다. 결과: 72개 항목 중 41개(56.9%)에서 합의가 도출되었다. 응답자들은 정확성과 임상적 통합에 관한 대부분의 질문에서 중립적 입장을 취했으며, 해당 도구에 대해 깊은 인상도, 실망도 나타내지 않았다. 호의적 견해는 건강검진 검사에서만 제한적으로 나타났다. 반면, 일상 진료에서 해당 AI 기반 도구를 단독으로 사용하는 것에 대해서는 반대하였다. 참여자들은 배포 전 추가 성능 최적화의 필요성을 강조하였으며, 도입 전 학회에서 승인한 교육 및 지침을 시행할 것을 제안하였다. 결론: KSTR은 방사선 전문의의 검증이 동반되는 건강검진 환경에서만 AI 기반 흉부 X선 자동 보고서 작성 도구의 사용을 지지하며, 일상 진료에서의 단독 사용에는 반대한다. 또한 도입 전 성능 최적화와 학회에서 승인한 교육 및 지침을 권고한다.

© RSNA, 2025.

대한흉부영상의학회(Korean Society of Thoracic Radiology, KSTR)는 한국 학교 구내식당 근로자를 대상으로 저선량 흉부 CT(LDCT) 폐암 검진의 필요성을 평가하였다. 본 평가는 발암성 조리 연무에의 노출로 인해 폐암 위험이 증가할 수 있다는 우려가 점차 커짐에 따라 제기되었다. 한국 학교 구내식당 근로자를 위한 LDCT 검진의 여러 측면에 대해 합의에 도달하기 위해, 흉부 영상의학과 전문의들이 델파이(Delphi) 방법을 활용한 설문조사에 참여하였다. 설문조사에서 다루어진 주요 쟁점에는 이 특정 집단을 위한 맞춤형 환경 평가의 필요성, LDCT 결과 해석을 위한 지침, 그리고 폐암의 잠재적 위험요인으로서 조리 직업의 평가가 포함되었다. 설문조사 결과는 한국 학교 구내식당 근로자에서 LDCT 폐암 검진의 이점을 지지하는 근거가 부족함을 보여주었다. 또한 LDCT 검진을 받아야 하는 한국 학교 구내식당 근로자를 결정하기 위한 기준, 결과 해석 지침, 그리고 조리 업무가 폐암의 위험요인이라는 주장에 대한 근거 수준에 대해서는 합의가 이루어지지 않았다. 본 입장문에서 KSTR은 이러한 측면들을 비판적으로 검토하고, 한국 학교 구내식당 근로자의 고유한 직업적·환경적 맥락을 고려함으로써 근거 기반의 폐암 검진 접근의 중요성을 강조한다.

RSNA, 2025 본 저널 기사에 대한 보충 자료는 이용 가능합니다.

목적: 딥러닝 영상 재구성(deep learning image reconstruction, DLIR)을 이용한 초저선량(ultralow-dose, ULD) 흉부 CT에서 Lung-RADS 분류와 용적 기반 결절 평가가 가능한지 전향적으로 평가하고자 하였다. 방법: 기관 윤리심의위원회(Institutional review board, IRB)가 이 전향적 연구를 승인하였다. 본 연구에는 40명의 환자(평균 연령 66±12세; 여성 21명)가 포함되었다. 연구 참여자는 순차적으로 LDCT와 ULDCT를 시행받았으며(CTDIvol, 0.96±0.15 mGy 및 0.12±0.01 mGy), 영상은 적응 통계 반복 재구성(adaptive statistical iterative reconstruction-V 50%, ASIR-V50) 및 DLIR로 재구성하였다. CT 영상 품질은 주관적으로 및 객관적으로 비교하였다. 폐 결절은 두 명의 판독자가 Lung-RADS 1.1을 사용하여 시각적으로 평가하였고, 동시에 컴퓨터 보조 도구로 자동 평가하였다. 결과: DLIR은 ASIR-V50에 비해 LDCT 및 ULDCT 영상에서 유의하게 더 높은 신호대잡음비를 제공하였다(모든 P < .001). 전반적으로 DLIR은 ULDCT 영상에서 주관적 영상 품질이 더 우수하였으며(P < .001), LDCT 영상에서는 ASIR-V50과 비교하여 유사한 품질을 보였다(P = .01-1). Lung-RADS 범주 3–4 결절에 대한 판독자의 결절 단위 민감도는 DLIR-LDCT 및 DLIR-ULDCT 영상에서 각각 70.6–88.2% 및 64.7–82.4%였고(P = 1), 범주는 판독자 내에서 대부분 일치하였다. 결절 ≥4 mm에 대한 컴퓨터 보조 검출의 결절 단위 민감도는 DLIR-LDCT 및 ULDCT 영상에서 각각 72.1% 및 67.4%였으며(P = .50), 결절 용적 차이에 대한 95% 일치 한계는 DLIR-LDCT와 DLIR-ULDCT 간에서 -85.6에서 78.7 mm3로, DLIR-LDCT와 ASIR-V50-LDCT 간의 동일-스캔 결절 용적 차이(-63.9에서 78.5 mm3)와 유사하였다. 또한 용적 차이가 25% 미만인 결절의 비율은 각각 88.5% 및 92.3%였으며(P = .65), 결론: DLIR은 ULDCT 영상에서 LDCT 영상과 비교하여 동등한 Lung-RADS 및 결절 용적 평가를 가능하게 하였다.

목적: 본 연구는 전단파 탄성조영술(shear wave elastography, SWE)을 사용하여 극상근(supraspinatus tendon, SST) 파열의 만성성(chronicity)을 추정할 수 있는지 평가하고자 하였다. 방법: 후향적 연구를 수행하였다. 2015년 11월부터 2016년 7월까지 지속적인 어깨 통증이 있는 113명(남성 52명, 여성 61명; 연령 범위, 21~79세)의 환자에서 일상적인 B-모드 초음파검사로 119회의 회전근개 건 검사를 시행하였고, 동시에 SWE로 SST의 탄성(elasticity)을 측정하였다. 양질이 떨어지는 검사 8회를 제외하고 SST 측정이 누락된 4회를 제외했으며, 다른 질환을 가진 환자의 검사 27회를 제외한 후 총 80회의 검사를 분석하였다. 찢어진 SST는 54회의 검사에서 관찰되었으며(부분층 파열 27회, 전층 파열 27회), 탄성 값은 여러 방식으로 비교하였다. 결과는 Mann-Whitney U 검정 또는 Kruskal-Wallis 검정을 사용하여 분석하였다. 결과: 정상 SST(중앙값, 94.65; 사분위 범위[IQR], 87.43~105.47)와 찢어진 SST(중앙값, 96.79; IQR, 86.71~108.56) 사이, 또는 전층 파열(중앙값, 93.80; IQR, 82.50~108.33)과 부분층 파열(중앙값, 96.83; IQR, 90.60~112.20) 사이에서는 탄성 값(kPa)에 통계적으로 유의한 차이가 없었다. 그러나 증상 지속 기간이 1년 이하인지 1년 초과인지에 따라 탄성에는 통계적으로 유의한 차이가 있었으며, 1년 이하(중앙값, 92.20; IQR, 84.01~104.38)와 1년 초과(중앙값, 105.10; IQR, 100.41~116.03; P=0.032)에서 나타났다. 결론: 1년 이상 지속된 만성 어깨 통증 환자의 찢어진 SST에서는 탄성 값이 유의하게 더 높았다. SWE로 측정한 탄성 값이 회전근개 건 파열의 만성성에 대한 수술 전 대리 지표로 사용될 수 있는지 여부를 확인하기 위해서는 더 큰 표본을 가진 추가 연구가 필요해 보인다.

목적: 비조영(non-contrast) 흉부 컴퓨터단층촬영(CT) 영상에서 광범위한 병적 상태를 동반한 폐실질(lung parenchyma)을 분할하기 위한 딥 신경망을 개발하고자 하였다. 재료 및 방법: 2017년 1월부터 2017년 5월까지 203명의 환자(남성 115명, 여성 88명; 연령 범위, 31–89세)로부터 얇은 절편(thin-section) 비조영 흉부 CT 영상을 포함하였으며, 이 중 150예는 폐실질 면적의 40%를 초과하는 광범위한 폐실질 질환을 포함하였다. 폐실질 질환에는 간질성 폐질환(ILD), 폐기종, 비결핵성 마이코박테리아 폐질환, 결핵으로 파괴된 폐, 폐렴, 폐암 및 기타 질환이 포함되었다. 5명의 숙련된 영상의학과 전문의가 CT 영상에서 절편(slice)별로 폐의 경계를 수작업으로 그렸다. 네트워크 개발에 사용된 데이터셋은 훈련 157예, 개발 20예, 내부 검증 26예로 구성되었다. 본 과업에는 2차원(2D) U-Net과 3차원(3D) U-Net 모델을 사용하였다. 네트워크는 폐실질을 전체로 분할하는 것과 우측 및 좌측 폐를 각각 분할하는 것을 모두 수행하도록 학습되었다. 대외 검증을 위해 ILD의 고해상도 CT 영상을 포함한 제네바 대학병원(University Hospitals of Geneva) ILD 데이터셋을 사용하였다. 결과: 내부 검증에서 Dice 유사도 계수는 99.6 ± 0.3%(2D U-Net 전체 폐 모델), 99.5 ± 0.3%(2D U-Net 분리 폐 모델), 99.4 ± 0.5%(3D U-Net 전체 폐 모델), 99.4 ± 0.5%(3D U-Net 분리 폐 모델)였으며, 대외 검증 데이터셋에서 Dice 유사도 계수는 98.4 ± 1.0%(2D U-Net 전체 폐 모델)와 98.4 ± 1.0%(2D U-Net 분리 폐 모델)였다. ILD의 범위가 폐실질 면적의 75%를 초과한 31예에서 Dice 유사도 계수는 97.9 ± 1.3%(2D U-Net 전체 폐 모델)와 98.0 ± 1.2%(2D U-Net 분리 폐 모델)였다. 결론: 본 딥 신경망은 비조영 흉부 CT 영상에서 광범위한 병적 상태를 동반한 폐실질의 경계를 자동으로 정확하게 구획하는 데 있어 우수한 성능을 보였다.