Quantitative coronary calcification analysis for prediction of myocardial ischemia using non-contrast CT calcium scoring

기술적 요약: 심근 허혈 예측을 위한 정량적 관상동맥 석회화 분석

문제 제기
관상동맥 질환 (CAD) 은 전 세계적 질병 부담과 사망률의 주요 원인으로 남아 있으며, 심근 허혈은 부정적 심혈관 사건의 중요한 전구체 역할을 합니다. 정량적 정확도로 인해 심근 허혈 탐지의 금표준으로 간주되는 레가데노손 스트레스 심장 양전자 방출 단층촬영 (PET) 관류 영상은 높은 비용, 방사선 노출, 전문 인프라 필요성으로 인해 제한적입니다. 반면, 비조영제 컴퓨터 단층촬영 (CT) 석회화 점수 (CTCS) 는 심혈관 위험 계층화를 위한 널리 이용 가능하고 저비용인 선별 도구입니다. 그러나 전통적인 CTCS 평가는 주로 아가트스톤 점수에 의존하여 석회화된 플라크 부하를 정량화하지만, 기능적 허혈과 상관관계가 있을 수 있는 석회화의 복잡한 공간적 분포, 형태, 이질성을 포착하지 못합니다. 본 연구는 고급 정량적 분석을 통해 일상적인 비조영제 CTCS 스캔을 활용하여 심근 허혈을 예측하는 데 존재하는 간극을 해소합니다.

방법론
본 연구는 클리블랜드 대학병원 (University Hospitals Cleveland Medical Center) 의 CLARIFY 등록부에 포함된 1,375 명의 환자를 대상으로 한 후향적 분석을 수행하였으며, 이들은 1 년 이내에 비조영제 CTCS 와 레가데노손 스트레스 심장 PET 를 모두 시행받았습니다. CAC 점수가 0 인 환자 (허혈 유병률이 낮음) 와 이전 우회술을 받았거나 데이터가 불완전한 환자를 제외한 후, 최종 코호트는 987 명 (허혈 양성 89 명, 허혈 음성 898 명) 으로 구성되었습니다.

기술적 프레임워크는 다음과 같은 단계를 포함합니다:

1. 특징 추출: 74 개의 포괄적인 변수를 추출하였으며, 여기에는 4 가지 임상 변수 (나이, 성별, 당뇨병, 흡연), 총 아가트스톤 점수, 그리고 69 개의 "칼슘-오믹스 (calcium-omics)" 특징이 포함되었습니다. 이러한 특징들은 개별 병변 (질량, 부피, HU 통계, 형태), 관상동맥 영역, 그리고 전체 심장 영역 (분포, 이질성, 히스토그램 통계) 의 세 가지 규모에서 석회화된 플라크를 특성화했습니다.
2. 특징 선택: 가장 예측력 있는 특징을 식별하기 위해 Extreme Gradient Boosting (XGBoost) 알고리즘과 SHapley Additive exPlanations (SHAP) 을 결합했습니다. 이 과정은 데이터 누출을 방지하기 위해 5 교차 검증을 활용했습니다.
3. 모델 개발: 세 가지 예측 모델을 구축하고 비교했습니다:
   • 모델 1: 임상 변수만 포함.
   • 모델 2: 임상 변수 + 아가트스톤 점수.
   • 모델 3: 임상 변수 + 아가트스톤 점수 + 칼슘-오믹스 특징.
     모든 모델은 특정 하이퍼파라미터 (학습률 0.05, 최대 깊이 3, 정규화) 를 사용하여 XGBoost 로 훈련되었으며, Random Forest, SVM, CatBoost 알고리즘과 비교 평가되었습니다.
4. 통계적 분석: 성능은 정밀도, 민감도, 특이도, 정확도, F1 점수, AUROC, AUPRC 를 사용하여 평가되었습니다. 특정 특징과 허혈 간의 연관성을 평가하기 위해 단변량 및 다변량 로지스틱 회귀 분석이 수행되었습니다.

주요 결과

• 특징 중요도: 최종 모델 3 은 아가트스톤 점수, 8 개의 칼슘-오믹스 특징, 그리고 나이를 포함했습니다. SHAP 분석에서 아가트스톤 점수가 전체적으로 가장 강력한 기여도를 보였습니다.
• 예측 성능: 칼슘-오믹스 특징의 추가는 유의미한 개선을 가져왔습니다.
  • 모델 1 (임상 변수만): AUROC 0.620, 정확도 62.2%.
  • 모델 2 (임상 변수 + 아가트스톤): AUROC 0.912, 정확도 95.7%, F1 점수 76.4%.
  • 모델 3 (전체 모델): AUROC 0.931, AUPRC 0.864, 정확도 98.0±1.0%, 정밀도 98.9±3.0%, 민감도 79.2±8.4%, F1 점수 87.7±5.3% 로 가장 높은 성능을 달성했습니다.
• 알고리즘 비교: XGBoost 는 Random Forest, SVM, CatBoost 보다 일관되게 우수한 성능을 보였으나, 모든 모델이 높은 특이도 (>97%) 를 나타냈습니다.
• 로지스틱 회귀 결과: 단변량 분석에서 석회화된 동맥의 수 (numArtCalc) 는 SHAP 분석에서 가장 낮은 순위였음에도 불구하고 허혈과 가장 강한 연관성을 보였습니다 (오즈비: 3.63). 다변량 분석에서는 칼슘-오믹스 특징 간의 다중공선성으로 인해 단일 특징이 독립적으로 유의미하게 남아있지 않았습니다.

주요 기여

1. 새로운 프레임워크: 본 연구는 정량적 관상동맥 석회화 분석 (칼슘-오믹스) 과 머신러닝을 사용하여 비조영제 CTCS 영상으로부터 심근 허혈을 직접 예측한 최초의 연구입니다.
2. 점진적 가치: 본 연구는 칼슘-오믹스 특징이 기존 임상 위험 인자와 표준 아가트스톤 점수 이상의 유의미한 점진적 예측 가치를 제공함을 입증했습니다.
3. 견고성: 선택된 특징들은 다양한 머신러닝 알고리즘에서 견고함을 입증하여 일반화 가능성을 시사합니다.
4. 임상 유용성: 이 접근법은 routinely 획득된 비조영제 CT 스캔을 활용하여 추가적인 방사선이나 조영제 투여 없이 보다 접근성 있고 비용 효율적인 심혈관 위험 계층화를 가능하게 할 잠재력을 가집니다.

의의 및 주장
저자들은 머신러닝 접근법이 일상적인 비조영제 CTCS 데이터를 심근 허혈을 예측할 수 있는 도구로 성공적으로 전환했다고 주장합니다. 그들은 칼슘-오믹스 특징이 아가트스톤 점수만으로는 반영되지 않는 허혈과 관련된 기능적 정보를 포착한다고 가정합니다. 본 연구는 만약 더 큰 다기관 코호트에서 검증된다면, 이 방법이 추가적인 기능적 검사나 공격적인 예방적 관리가 필요한 환자를 식별하는 데 도움이 되어 표준 칼슘 선별의 임상적 가치를 향상시킬 수 있음을 시사합니다. 저자들은 현재 범위에 대해 겸손하게 접근하며, 단일 센터 후향적 설계, 상대적으로 적은 수의 허혈 사례 (89 명), 그리고 CAC 점수가 0 인 환자의 제외와 같은 한계를 인정하고 있으며, 광범위한 임상 적용 전 외부 검증이 필요하다고 명시했습니다.