인공지능을 이용한 골다공증 예측 및 개인별 위험 요인 분석 모델의 구축

Abstract

Introduction This thesis aimed to develop a deep learning model for the prediction of risk for osteoporosis and to provide the clinical interpretation of the model with presenting the customized risk through explanation of contributing variables through the explainable artificial intelligence (XAI) techniques. Methods The study utilized Korean National Health and Nutrition Examination Survey datasets (KNHANES). According to study protocol, a total of 8680 responders were chosen as the study population. Then they were classified to 3 groups; osteoporosis, osteopenia and normal, with T-score of bone mineral density at femoral neck or total femur. The deep learning models for osteoporosis diagnosis upon the dataset were trained and significant risk factors was examined with Local Interpretable Model-agnostic Explanations (LIME). Comparison of performance of deep learning models with machine learning methods and conventional clinical tools were made and risk factors from contribution ranking. Moreover, individualized explanation of feature contribution was investigated. Results The deep learning model showed area under curve (AUCs) of 0·85 in femoral neck and 0·93 in total femur dataset of KNHANES. Compared to deep learning model, ML models and conventional tools showed lower performance. Through LIME method, significant features were induced and each feature’s integrated contribution and interpretation for individual risk were presented. Conclusion In conclusion, the deep learning model with XAI technique for the risk prediction of osteoporosis showed outperforming performance compared with conventional clinical assessment tools and machine learning models and enabled the customized risk of osteoporosis with the explanation of variables contribution. ;본 연구의 목적은 딥러닝 모델을 이용하여 골다공증의 위험을 예측하고, 설명가능한 인공지능 (Explainable artificial intelligence; XAI) 기술을 이용하여 결과를 임상적으로 해석하고 개인별 위험 분석 모델을 구축하기 위함이다. 본 연구는 국민건강영양조사 원시자료의 2008 – 2011년 데이터를 이용하여 수행되었으며, 총 37,753명의 응답자 중 대퇴골 및 대퇴 경부 골밀도 검사 수치를 가진 폐경 이후 혹은 50세 이상의 8,680명의 응답자를 연구대상으로 하였다. 골다공증 진단을 위한 딥러닝 모델의 훈련이 이루어졌으며, LIME (Local Interpretable Model-agnostic Explanations) 기법을 통해 유의미한 위험 요인을 도출하고, 각 변수의 기여도를 산출하였다. 또한 개인의 골다공증에 기여하는 요인의 위험 분석이 가능한 모델을 함께 구축하였다. 그리고 7가지의 머신러닝 기법 (Non-Linear Support Vector Machine, Decision Trees, Extra Trees, Light Gradient Boosting Machine classifier, logistic regression, KNN, and Multi-Layer Perceptron)을 이용한 골다공증 진단 모델도 형성하였다. 구축된 딥러닝 모델과 머신러닝 모델은 ROC curve를 통해 성능을 평가하였으며, 기존에 임상적 평가툴로 사용되어온 OST, ORAI, OSIRIS의 성능을 비교 평가하였다. 본 연구에서 구축된 딥러닝 모델은 대퇴 경부 골밀도에서 AUC 0.85, 대퇴골 골밀도에서 AUC 0.93의 성능을 나타내었으며, 이는 머신러닝 모델과 기존의 임상적 평가툴의 성능을 상회하였다. 구축된 딥러닝 모델에서 골다공증 진단에 높게 기여한 변수는 성별, 나이, 비만 혹은 저체중 여부와 BMI, 골관절염, 당뇨, 우울증 등의 동반 질환 유병 여부, 팔 두께, 소득수준 등이었다. LIME 기법을 이용하여 주요 변수들의 골다공증에 대한 기여를 평가하였으며, 개인별 위험요인에 대한 해석이 가능한 모델을 구축하였다. 본 연구를 통해 개발된 개인별 골다공증의 위험 평가 모델을 이용하여 골밀도 검사를 하지 않은 일반 표본에서 손쉽게 골다공증 위험도를 산출할 수 있다. 골다공증 위험 예측이 높은 사람을 대상으로 골밀도 검사를 시행하거나 골다공증 예방 치료를 시작한다면 장기적으로 골다공증 유병률을 감소시키고 고위험 환자들의 골절 위험을 감소시켜 사회적 부담을 줄일 수 있을 것이다.