골다공증 이야기를 하다 보면 빠지지 않고 등장하는 검사가 있습니다. 바로 DXA(이중에너지 X선 흡수계측법)입니다.
오랫동안 DXA는 골다공증 진단의 ‘표준 검사’로 자리 잡아왔고, 지금도 임상과 가이드라인에서 중요한 역할을 하고 있습니다.

하지만 진료 현장에서 환자들을 만나보면 이런 질문을 자주 받습니다.

"DXA 검사에서 정상이라고 나왔는데, 왜 골절이 생겼을까요?"
"골밀도 수치는 괜찮은데, 왜 이렇게 뼈가 약해진 걸까요?"

이 질문들은 현재 골다공증 진단 패러다임의 한계를 정확히 짚고 있습니다.

DXA는 무엇을, 어디까지 보여줄까?

DXA는 말 그대로 골밀도(Bone Mineral Density, BMD)를 측정하는 검사입니다.
척추와 대퇴골 같은 특정 부위의 뼈에 얼마나 많은 미네랄이 들어 있는지를 수치로 보여줍니다.
이 수치를 기반으로 T-score를 계산하고, 우리는 이를 통해 골다공증 여부를 판단합니다.

DXA의 장점은 분명합니다. 검사 시간이 짧고 방사선 노출이 매우 적으며 표준화된 기준(T-score)이 존재합니다.

하지만 DXA가 보여주는 것은 양(quantity)에 국한됩니다. 즉, 뼈가 얼마나 조밀한지를 보여줄 뿐, 뼈의 질(quality)이나 구조적 강도까지 완전히 반영하지는 못합니다.

골밀도는 정상인데 골절이 생겼다?

임상적으로 매우 중요한 사실이 하나 있습니다.
골절 환자의 상당수는 DXA상 ‘골다공증’ 진단 기준을 충족하지 않습니다.

실제로 여러 역학 연구에서 골절 환자의 절반 이상이 T-score -2.5 이하가 아니다, 다시 말해 골다공증이 아니라는 보고가 있습니다. 즉, 골밀도만으로는 "누가 부러질 뼈를 가지고 있는지"를 완전히 설명할 수 없다는 뜻입니다.

그 이유는 명확합니다. 뼈의 강도는 골밀도, 피질골 두께, 해면골 미세구조, 골의 분포와 형태, 근육과의 상호작용 등 여러 요소의 합으로 결정되기 때문입니다. DXA는 이 중 일부만을 반영합니다.

골밀도(BMD) vs 뼈의 질(Bone Quality)

최근 골다공증 연구에서 점점 강조되는 개념이 바로 뼈의 질(bone quality)입니다. 뼈의 질에는 다음과 같은 요소들이 포함됩니다.

• 해면골의 연결성(connectivity)

• 미세구조(microarchitecture)

• 피질골의 연속성과 두께

• 재형성(turnover) 속도

• 미세 균열(microdamage)

이러한 요소들은 뼈가 실제 충격을 받았을 때 얼마나 잘 버틸 수 있는지를 결정합니다. 문제는, DXA로는 이 ‘질적 요소들’을 직접 평가하기 어렵다는 점입니다.

그래서 같은 골밀도 수치를 가진 두 사람이라도 한 사람은 평생 골절 없이 지내고 다른 한 사람은 가벼운 낙상에도 골절이 생깁니다.

그래서 등장한 보완 도구들

DXA의 한계를 보완하기 위해 여러 위험도 평가 도구들이 함께 사용되어 왔습니다.

대표적인 것이 FRAX입니다. 나이, 성별, 체중, 과거 골절, 흡연, 스테로이드 사용 여부 등을 입력해 향후 골절 위험을 계산하는 방식이죠.

하지만 FRAX 역시 영상 정보 자체를 직접 활용하지는 않습니다. 즉, 뼈가 실제로 어떻게 구성되어 있는지는 여전히 반영하지 않습니다.

여기에서 자연스럽게 등장한 질문이 있습니다.
"이미 찍혀 있는 영상에서 뼈의 구조적 정보를 더 많이 얻을 수는 없을까?"

AI가 여는 새로운 접근 - 영상 기반 골다공증 평가

이 질문에 대한 중요한 해답이 바로 AI 기반 영상 분석입니다. AI는 인간의 눈으로는 구별하기 어려운 영상 속 미세한 패턴과 구조적 특징을 학습할 수 있습니다. 특히 흉부 X-ray, CT 같은 영상에는 이미 다음과 같은 정보들이 포함되어 있습니다.

• 피질골의 두께 변화

• 해면골의 질감 패턴

• 구조적 불균형

• 미세한 변형과 비대칭

이 정보들은 골밀도 수치로는 표현되지 않지만, 뼈의 실제 강도와 밀접하게 연결되어 있습니다.

흉부 X-ray + AI 분석 = 골다공증 조기진단

이전 글에서 살펴본 것처럼, 흉부 X-ray는 거의 모든 성인이 주기적으로 촬영하는 영상입니다.

프로메디우스의 골다공증 선별 AI는 이 흉부 X-ray를 활용해 골다공증 위험 신호를 조기에 포착하는 것을 목표로 합니다. 이 접근이 의미 있는 이유는 다음과 같습니다.

• DXA 이전 단계에서의 선별
  모든 사람에게 DXA를 시행하는 것은 현실적으로 어렵습니다.
  AI는 "누가 DXA를 받아야 할지"를 먼저 가려내는 역할을 합니다.

  
  

• 추가 검사 부담 없음
  이미 촬영된 X-ray를 활용하기 때문에
  환자에게 추가 검사 예약이나 방사선 노출이 없습니다.

  
  

• 뼈의 ‘질적 정보’를 간접적으로 반영
  골밀도 수치로는 보이지 않는
  구조적, 질감적 변화를 함께 고려할 수 있습니다.

즉, AI는 DXA를 대체하는 도구가 아니라 DXA를 더 잘 쓰기 위한 도구입니다.

진단 패러다임의 변화 - 측정에서 예측으로

과거의 골다공증 진단은 "지금 골밀도가 얼마인가?"에 초점이 맞춰져 있었습니다.

하지만 앞으로는 질문이 바뀝니다. 이 환자는 앞으로 골절이 생길 가능성이 높은가? 지금 개입하면 골절을 예방할 수 있는 시점인가?

즉, 단순 측정(measurement)이 아니라 위험 예측(prediction)과 조기 개입(prevention)이 중심이 됩니다.

AI 기반 영상 분석은 이 변화에 가장 잘 부합하는 기술입니다.

DXA 이후의 시대, 그리고 공존의 전략

DXA는 여전히 중요합니다. 약물 치료 여부를 결정하고, 치료 반응을 추적하는 데 필수적인 도구입니다.

하지만 DXA만으로는 놓치는 사람이 많습니다. 특히 남성, 젊은 고위험군, 검진을 받기 어려운 집단에서는 더욱 그렇습니다.

프로메디우스의 골다공증 선별 AI는 이 공백을 메우는 역할을 합니다.

"DXA를 대체하는 기술"이 아니라, "이어지는 다리를 놓는 기술"인 셈입니다.

골다공증 진단은 이미 변하고 있습니다. 골다공증은 더 이상 검사 하나로 끝나는 질환이 아닙니다.

영상, 임상 정보, 생활습관, 근육과 지방 상태까지 모두를 종합적으로 고려해야 하는 전신 대사 질환에 가깝습니다.

AI는 이 복잡한 정보를 연결하는 도구입니다. 그리고 흉부 X-ray라는 일상적인 영상은 그 출발점이 될 수 있습니다.

DXA를 넘어서는 새로운 AI 진단의 패러다임은 검사를 더 많이 하는 것이 아니라, 더 잘 발견하고, 더 일찍 개입하는 방향으로 나아가고 있습니다.

참고문헌

Unnanuntana A, Gladnick BP, Donnelly E, Lane JM. The assessment of fracture risk. J Bone Joint Surg Am. 2010 Mar;92(3):743-53.

Krege JH, Wan X, Lentle BC, Berger C, Langsetmo L, Adachi JD, Prior JC, Tenenhouse A, Brown JP, Kreiger N, Olszynski WP, Josse RG, Goltzman D; CaMos Research Group. Fracture risk prediction: importance of age, BMD and spine fracture status. Bonekey Rep. 2013 Sep 4;2:404.

Trémollieres FA, Pouillès JM, Drewniak N, Laparra J, Ribot CA, Dargent-Molina P. Fracture risk prediction using BMD and clinical risk factors in early postmenopausal women: sensitivity of the WHO FRAX tool. J Bone Miner Res. 2010 May;25(5):1002-9.

Sato Y, Yamamoto N, Inagaki N, Iesaki Y, Asamoto T, Suzuki T, Takahara S. Deep Learning for Bone Mineral Density and T-Score Prediction from Chest X-rays: A Multicenter Study. Biomedicines. 2022 Sep 19;10(9):2323.

Jang M, Kim M, Bae SJ, Lee SH, Koh JM, Kim N. Opportunistic Osteoporosis Screening Using Chest Radiographs With Deep Learning: Development and External Validation With a Cohort Dataset. J Bone Miner Res. 2022 Feb;37(2):369-377.