배경: 우리는 발달성 고관절 이형성증(DDH) 선별을 위한 표준 단면을 개발하기 위해, 2차원(2D) 초음파(US) 검사에서 5개의 랜드마크를 자동으로 탐지하는 심층학습 신경망 모델을 제안하고자 하였다. 방법: DDH 선별을 위해 2D US 동안 5개의 랜드마크를 탐지하는 전역(global) 및 국소(local) 네트워크 모델을 개발하였다. 2016년 1월부터 2021년 12월까지 3차 의료기관에서 DDH 선별을 목적으로 고관절 초음파를 시행받은 환자(N = 532)를 등록하였다. 모든 데이터셋은 랜드마크 탐지의 최종 평가를 위해 70:10:20 비율로 무작위로 훈련, 검증, 테스트 세트로 분할하였다. DDH 유도에 필요한 5개 랜드마크 탐지에 대한 이 모델의 성능은 제곱근평균오차(root mean square error, RMSE)와 다이스 유사계수(dice similarity coefficient)로 분석하였다. 결과: 전역 및 국소 네트워크를 사용하여 DDH를 진단하고 분류하기 위한 5개 랜드마크의 RMSE 값은 4.023 ± 3.723이었다. EfficientNetB2를 사용한 점(point) 결과는 1번째 점 1.69 ± 1.26, 2번째 점 3.34 ± 2.37, 3번째 점 2.54 ± 1.61, 4번째 점 5.92 ± 4.25, 5번째 점 6.61 ± 4.82였다. 결론: 우리의 심층학습 네트워크 모델은 초음파 영상을 이용하여 DDH에 필요한 5개 랜드마크를 탐지하는 데 가능함을 보였다. 임상 환경에서 심층학습 모델을 적용하면 DDH를 결정하는 주요 매개변수들이 유의하게 탐지될 것이다.

배경: 골 연령 평가(bone age assessment, BAA)에 사용되는 딥러닝 방법은 대부분 수부 전체를 이용하거나 수근골(carpal bones) 없이 국소 합성곱 신경망(regional convolutional neural networks)을 활용하므로, 영유아에게 적용하기에는 충분하지 않다. 목적: 본 연구는 수근골 분석을 통합하여 영유아에서의 BAA 정확도를 향상시키고, 모든 연령대에서 유사한 BAA 정확도를 달성하고자 하였다. 대상 및 방법: BAA를 위한 하이브리드 Greulich-Pyle(GP) 및 수정 Tanner-Whitehouse 딥러닝 모델을, 공개 데이터셋의 추가 수근골 분석을 통합하여 학습하였다. 단일 기관에서 수집된 총 453장의 손 방사선 영상을 외부 검증용으로 선정하였다. 기준 표준(reference standard)을 마련하기 위해, 3명의 인체 전문가가 GP Atlas에 기초하여 BAA를 수행한 후, 관찰자 간 일치도를 평가하였다. 모델의 성능은 수근골 분석을 포함한 1개 모델(M1)과 포함하지 않은 1개 모델(M2) 및 기준 표준 간의 두 BAA 모델 사이 평균 절대 차이(mean absolute difference, MAD)와 제곱평균제곱근(root mean square error, RMSE)을 비교하여 추정하였다. MAD는 네 가지 주요 발달 단계, 즉 사춘기 전(pre-puberty), 초기 및 중기 사춘기(early and mid-puberty), 후기 사춘기(late puberty), 사춘기 후(post-puberty)에 대해 성별 및 연령군별로 각 모델 간에 비교하였다. 결과: M1 모델은 모든 연령군에서 M2 모델(0.388; 95% 신뢰구간 [CI]: 0.358 - 0.418)보다 더 낮은 MAD(0.366; 95% CI: 0.337 - 0.395)를 보이며 더 높은 정확도를 나타냈고, 이는 유의한 차이였다(P < 0.001). 기준 표준 대비 RMSE 값은 M1 및 M2 모델 각각 0.483년 및 0.505년이었다. 성별 및 발달 단계 분포에 따르면, M1 모델은 성별과 무관하게 사춘기 전 환자에서 M2 모델에 비해 더 높은 예측 능력을 보였으며(남아 P = 0.008, 여아 P = 0.022), 임상적으로 유의하였다. 결론: 본 연구 결과에 따르면, BAA 모델에 수근골 분석을 통합하는 것은 특히 영유아에서 정확도를 향상시켰다.