배경: 반월상 연골 램프 병변(meniscal ramp lesions)은 특히 전방십자인대(ACL) 손상과 동반될 때 무릎 안정성에 영향을 줄 수 있다. 자기공명영상(MRI)은 주요 진단 도구이지만, 진단 정확도는 여전히 최적 수준에 미치지 못한다. 본 연구는 심층 학습 기술이 MRI 기반 램프 병변 검출을 향상시킬 수 있는지 확인하고자 하였다. 방법: ACL 손상 및 내측 반월상 연골 후방각(중재골의 posterior horn) 상태를 관절경으로 기록한 236명의 환자 의무기록을 후향적으로 검토하였다. 램프 병변 검출을 위해 MRI 데이터를 이용한 심층 학습 모델을 개발하였다. ACL 재건술을 시행받은 환자에서 램프 병변의 위험인자를 로지스틱 회귀, extreme gradient boosting (XGBoost), 랜덤 포레스트 모형으로 분석하였고, 최종 예측 모형에는 Swin Transformer Large 아키텍처를 이용하여 이를 통합하였다. 결과: MRI 데이터를 이용한 심층 학습 모델은 임상의의 평가에 비해 전반적인 진단 성능이 우수하였다(정확도 73.3% 대 68.1%, 특이도 78.0% 대 62.9%, 민감도 64.7% 대 76.4%). 위험인자(연령, 후내측 경골 골수 부종, 외측 반월상 연골 파열)를 반영하면 모델의 정확도가 80.7%로 향상되었고, 민감도 81.8%, 특이도 80.9%였다. 결론: 심층 학습을 MRI 데이터 및 위험인자와 통합하는 것은 램프 병변에 대한 진단 정확도를 유의하게 향상시켰으며, 이는 MRI 단독 모델 및 임상의 평가를 모두 상회하였다. 본 연구는 인공지능이 램프 병변을 검출하기 위한 보다 정확한 진단 도구를 임상의에게 제공할 잠재력이 있으며, 치료와 환자 예후 개선으로 이어질 수 있음을 시사한다. 근거 수준: 진단 수준 III. 근거 수준에 대한 완전한 설명은 저자 지침을 참조하라.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.