베이스라인에서 추적 관찰까지: 인과적 계층적 변분 오토인코더(CHVAE)를 이용한 UK Biobank 내 반사실적 척추 DXA 이미지 합성

이중 에너지 X선 흡수 계측법 (Dual-energy X-ray absorptiometry, DXA)은 대규모 골격 평가에 널리 사용되지만, 제어 가능하고 해석 가능한 요인별 해부학적 변이를 학습하는 것은 여전히 어려운 과제로 남아 있습니다. 본 연구에서는 UK Biobank (UKB)의 전후방 (anteroposterior, AP) 척추 DXA 이미지를 인과적으로 일관되게 생성하기 위한 메타데이터 조건부 인과적 계층적 변분 오토인코더 (Causal Hierarchical Variational Autoencoder, CHVAE)를 제안합니다. 이 모델은 첫 번째 영상 촬영 방문에서 얻은 3,743개의 원본 AP 척추 스캔 데이터를 통해 학습되었으며, 참가자의 기본 속성과 요추 형태 측정값 (lumbar morphometry)을 조건으로 사용합니다. 인과적 일관성은 추론-개입-예측 (abduction--action--prediction, AAP) 방식을 사용하는 베이스라인에서 추적 관찰 (baseline-to-follow-up) 설정에서 평가됩니다. 즉, 베이스라인 이미지로부터 잠재 변수 (latent variables)를 추론(abduction)하고, 연령에 개입(intervene)하여 재촬영 영상 값으로 설정한 뒤, 그 결과로 나타나는 반사실적 (counterfactual) 추적 관찰 형태 측정값을 실제 관찰된 재촬영 측정값과 비교합니다. 결과에 따르면, 연령 개입 하에서 주요 척추 형태 측정 변수들에 대해 강력한 절대 수준 일치도를 보였으며, 이는 해부학적으로 타당한 DXA 이미지를 개입에 정렬된 방식으로 합성할 수 있음을 뒷받침합니다.