Deep Learning 기반 CT 흉근 볼륨 분석을 통한 COPD 진단 혁신

- 3월 08, 2026

AI Medical Imaging이 여는 차세대 정밀의료 패러다임

Abstract

최근 Artificial Intelligence in Medical Imaging, Deep Learning Radiology, AI 기반 COPD 진단, CT 영상 정량 분석은 의료 혁신 분야에서 가장 빠르게 성장하는 핵심 기술로 주목받고 있다. 특히 Deep Learning 기반 CT 근육 정량화 기술은 만성 폐쇄성 폐질환(Chronic Obstructive Pulmonary Disease, COPD) 환자의 전신 근육 감소증(sarcopenia)을 정밀하게 평가할 수 있는 새로운 바이오마커로 부상하고 있다.

본 컬럼에서는 Deep Learning 기반 Pectoralis Muscle Volume(PMV) 자동 분할 기술을 중심으로 AI 의료 영상 분석 기술이 COPD 진단 및 예후 평가에 미치는 혁신적 영향을 심층 분석한다. 또한 기존 Pectoralis Muscle Area(PMA) 기반 분석과 비교하여 3차원 근육 볼륨 분석이 가지는 임상적 우수성을 설명하고, CT 기반 정밀 영상 분석 기술이 향후 AI 정밀 의료 및 스마트 헬스케어 플랫폼에서 어떤 역할을 할 것인지 논의한다.

Keywords

AI Medical Imaging, Deep Learning Radiology, COPD AI Diagnosis, CT Muscle Quantification, Pectoralis Muscle Volume, Sarcopenia Biomarker, Precision Medicine AI

1. Introduction

1.1 의료 혁신에서 AI 의료영상 분석의 역할

최근 AI Medical Imaging, Deep Learning Radiology, AI 기반 의료영상 분석 기술은 의료 혁신 분야에서 가장 중요한 연구 영역 중 하나로 자리 잡고 있다.

특히 CT 기반 정량 영상 분석(Quantitative CT Imaging) 기술은 기존 영상 판독 중심의 진단을 넘어 정량적 바이오마커를 생성하는 데이터 기반 의료 진단 플랫폼으로 발전하고 있다.

이러한 변화는 다음과 같은 의료 혁신 트렌드를 형성한다.

Artificial Intelligence Medical Imaging
Deep Learning Radiology
AI 기반 COPD 진단
CT Quantitative Biomarker
Precision Medicine Imaging

이 중 COPD 환자의 근육 감소증 평가는 매우 중요한 임상 문제이다.

1.2 COPD와 근육 감소증(Sarcopenia)

COPD(Chronic Obstructive Pulmonary Disease)는 단순한 폐 질환이 아니라 전신 염증성 질환이다.

주요 특징

만성 기도 염증
폐 기능 저하
운동 능력 감소
전신 근육 감소

특히 COPD 환자에서 나타나는 근육 감소증(sarcopenia)은 다음과 같은 임상적 문제를 초래한다.

운동 능력 감소
폐 재활 효과 감소
사망률 증가

따라서 COPD 환자의 근육량을 정확하게 평가하는 영상 바이오마커 개발은 의료 혁신 분야에서 매우 중요한 연구 주제이다.

2. Deep Learning 기반 CT 근육 정량 분석 기술

2.1 기존 분석 방법: PMA (Pectoralis Muscle Area)

기존 CT 기반 근육 분석 방법은 다음과 같다.

2D Pectoralis Muscle Area (PMA)

특징

단일 CT 슬라이스 분석
흉근 단면적 측정
상대적으로 간단한 분석

하지만 다음과 같은 한계가 존재한다.

호흡 상태에 따라 측정값 변동
재현성 문제
실제 근육량 반영 제한

2.2 새로운 접근: PMV (Pectoralis Muscle Volume)

최근 Deep Learning Radiology 기술을 이용하여 3차원 근육 볼륨 분석이 가능해졌다.

PMV 특징

3D CT segmentation
전체 근육 볼륨 분석
높은 재현성
정확한 근육량 반영

3. Deep Learning Segmentation 모델

본 연구에서는 U-Net 기반 Deep Learning segmentation 모델이 사용되었다.

3.1 AI 모델 구조

U-Net architecture 특징

Encoder-Decoder 구조
의료 영상 segmentation 최적화
CT 영상 자동 분석 가능

AI 의료 영상 분석에서 U-Net은 다음 분야에서 널리 사용된다.

폐 CT 분석
종양 segmentation
장기 볼륨 분석
근육 정량 분석

3.2 연구 데이터

연구는 Canadian Cohort Obstructive Lung Disease (CanCOLD) 데이터를 기반으로 수행되었다.

연구 대상

총 참가자

1235명

그룹	환자 수
COPD 환자	634
정상 대조군	601

평균 연령

약 66세

3.3 AI 모델 학습 데이터

데이터셋	샘플 수
Training	96
Validation	16
Internal Test	32
External Test	32

4. 연구 결과

4.1 AI segmentation 정확도

Deep Learning segmentation 성능

Dice Similarity Coefficient

Dataset	DSC
Training	0.94
Internal Test	0.93
External Test	0.92

이는 AI 의료 영상 segmentation 분야에서 매우 높은 정확도를 의미한다.

5. CT 영상 분석 결과

그림 1. 정상인 흉근 CT 영상 분석

영상 판독

66세 남성
흡연력 없음

영상 소견

정상 흉근 구조
Pectoralis Muscle Area: 59.4 cm²
Pectoralis Muscle Volume: 764 cm³

폐 기능

FEV1: 97.6%
FEV1/FVC: 0.71

영상 해석

정상 폐 기능을 가진 환자에서 흉근 볼륨이 충분히 유지되는 정상 근육 상태를 보여준다.

그림 2. COPD 환자의 CT 영상 분석

영상 판독

66세 남성
흡연력 43 pack-years

영상 소견

흉근 위축
근육량 감소

정량 분석

PMA: 35 cm²
PMV: 480.8 cm³

폐 기능

FEV1: 48%
FEV1/FVC: 0.56

영상 해석

COPD 환자에서 현저한 흉근 감소와 폐 기능 저하가 동반된 sarcopenia 패턴을 보여준다.

6. PMA vs PMV 비교 분석

Parameter	PMA	PMV
분석 차원	2D	3D
재현성	낮음	매우 높음
임상 연관성	중간	높음
호흡 영향	있음	없음

7. 폐 기능과의 연관성

PMV는 다음 폐 기능 지표와 강한 상관관계를 보였다.

FEV1

결정계수

R² = 0.609

Dlco

R² = 0.645

VO2 Max

R² = 0.680

이는 AI 기반 CT 근육 볼륨 분석이 COPD 예후 예측 바이오마커로 활용 가능함을 의미한다.

8. 의료 혁신 관점에서의 의미

8.1 AI Precision Medicine

Deep Learning Medical Imaging 기술은 다음 의료 혁신을 가능하게 한다.

AI 기반 질병 조기 진단
정밀 환자 분류
개인 맞춤 치료

8.2 Smart Healthcare

AI 의료 영상 분석은 다음 플랫폼과 통합될 수 있다.

AI 병원 시스템
스마트 CT 분석
클라우드 의료 플랫폼
디지털 헬스케어

8.3 COPD 재활 치료

PMV 분석은 다음 치료 전략에 활용될 수 있다.

폐 재활 프로그램
근육 강화 치료
운동 치료 계획

9. 미래 의료 기술

향후 연구 방향

1 AI 기반 전신 근육 분석

전신 CT 기반 sarcopenia 분석

2 Digital Twin 환자 모델

AI 환자 모델링

3 Predictive AI Healthcare

AI 기반 질병 예측

10. 결론

Deep Learning 기반 CT 흉근 볼륨 분석 기술은 COPD 진단 및 예후 평가에서 매우 중요한 영상 바이오마커로 부상하고 있다.

특히 다음과 같은 장점이 있다.

높은 재현성
폐 기능과 강한 연관성
AI 기반 자동 분석 가능

따라서 AI Medical Imaging과 Deep Learning Radiology 기술은 COPD 정밀 의료의 핵심 도구가 될 것으로 전망된다.

References

[1] M. Kirby et al., “Deep Learning Segmentation of Pectoralis Muscle Volume at CT and Comparison with Pectoralis Muscle Area in COPD,” Radiology: Cardiothoracic Imaging, vol. 7, no. 3, 2025.

[2] G. Litjens et al., “A survey on deep learning in medical image analysis,” Medical Image Analysis, vol. 42, pp. 60–88, 2017.

[3] O. Ronneberger et al., “U-Net: Convolutional networks for biomedical image segmentation,” MICCAI, 2015.

[4] J. Esteva et al., “A guide to deep learning in healthcare,” Nature Medicine, vol. 25, pp. 24–29, 2019.

[5] E. Topol, Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again, Basic Books, 2019.

[6] P. Van Ginneken, “AI in chest imaging,” Radiology, vol. 295, pp. 719–732, 2020.

[7] J. Lambin et al., “Radiomics: Extracting more information from medical images,” European Journal of Cancer, vol. 48, pp. 441–446, 2012.