Machine learning prediction of obstructive coronary artery disease using opportunistic coronary calcium and epicardial fat assessments from CT calcium scoring scans

기술 요약: 우연적 CTCS 평가를 활용한 폐색성 관상동맥 질환의 기계 학습 예측

문제 제기
관상동맥 컴퓨터 단층 촬영 혈관조영술 (CCTA) 은 폐색성 관상동맥 질환 (CAD) 진단의 금표준이지만, 비용, 요오드 기반 조영제 의존성, 그리고 방사선 노출에 따른 한계를 안고 있습니다. 반면, 비조영 CT 칼슘 스코어링 (CTCS) 은 아가트슨 점수에 기반한 위험도 stratification 에 주로 사용되는 널리 이용 가능하고 비용 효율적인 영상 기법입니다. 그러나 제로 또는 낮은 칼슘 점수를 가진 환자들 중에도 비석회화 폐색성 플라크를 보유할 수 있는 경우, 폐색성 CAD 를 직접 진단하는 데 있어 그 유용성은 제한적입니다. 본 연구는 전통적인 스코어링 방법 단독보다 높은 진단 정확도로 폐색성 CAD 를 예측하기 위해 readily available 한 비조영 CTCS 스캔을 활용하는 간극을 해소하는 것을 목표로 합니다.

방법론
본 연구는 비조영 CTCS 와 조영제 강화 CCTA 를 모두 시행받은 SCOT-HEART 임상 시험의 1,324 명 환자에 대한 2 차 분석을 활용했습니다. 폐색성 CAD 는 CAD-RADS 점수가 4A, 4B 또는 5 인 경우로 정의되었으며, 0~3 점의 경우 비폐색성으로 분류되었습니다.

연구진은 다음과 같은 단계를 포함하는 기계 학습 프레임워크를 개발했습니다:

1. 특징 추출: CTCS 영상 및 임상 기록으로부터 424 개의 포괄적인 특징 집합을 추출했습니다:
   • 임상: 인구통계학적 정보, 위험 요인, 약물 병력을 포함한 24 개의 변수.
   • 칼슘 - 오믹스 (Calcium-omics): 개별 병변, 관상동맥 영역, 그리고 전체 심장 등 여러 공간적 규모에서 추출된 189 개의 정량적 생체 표지자. 여기에는 방사학적 특징 (질량, 부피, Hounsfield 단위 통계, 형태 기술자) 과 공간적 지표 (확산성, 병변 분포) 가 포함되었습니다.
   • 지방 - 오믹스 (Fat-omics): 심낭 내에서 분할된 심외막 지방 조직 (EAT) 에서 유래된 211 개의 생체 표지자. 특징에는 형태학적 속성, 강도 기반 통계 (HU 값, 엔트로피), 그리고 축방향 슬랩과 동심원 리본을 통한 공간적 분포 패턴이 포함되었습니다.
2. 특징 선택: CatBoost 알고리즘을 5 폴드 교차 검증을 사용하여 훈련시켰습니다. SHapley Additive exPlanations (SHAP) 값을 계산하여 특징 중요도를 순위화하고 가장 예측력 있는 하위 집합을 선택했습니다.
3. 모델 개발: CatBoost 그래디언트 부스팅 방법을 사용하여 세 가지 모델을 훈련하고 비교했습니다:
   • 모델 1: 임상 특징만 사용.
   • 모델 2: 임상 + 칼슘 - 오믹스 특징 사용.
   • 모델 3: 임상 + 칼슘 - 오믹스 + 지방 - 오믹스 특징 사용.
4. 평가: 민감도, 특이도, 정확도, AUROC, AUPRC 를 사용하여 1,000 회 반복의 5 폴드 교차 검증을 통해 성능을 평가했습니다. 또한 CatBoost 모델을 SVM, Random Forest, XGBoost, LightGBM 과 비교 벤치마킹했습니다.

주요 결과

• 특징 선택: 초기 424 개 특징 중 CatBoost-SHAP 방법은 모델 3 에 가장 예측력이 있는 14 개를 식별했습니다. 주목할 점은 상위 두 가지 특징이 지방 - 오믹스 변수 (특히 심장의 상부 25% 영역에서 -70-50 HU 및 -50-30 HU 범위의 EAT 부피) 였으며, 나머지 12 개는 칼슘 - 오믹스였습니다. 최종 최적화된 모델에는 임상 변수가 선택되지 않았으며, 이는 영상에서 유래된 특징만으로도 충분한 예측 능력을 지녔음을 시사합니다.
• 모델 성능: 모든 데이터 유형을 통합한 모델 3 이 민감도 83.1±4.6%, 특이도 93.8±1.7%, 정확도 85.3±2.0%, F1 점수 73.9±3.3%로 가장 높은 성능을 달성했습니다.
• 비교 분석: 지방 - 오믹스 특징의 포함은 모델 2 대비 성능을 유의하게 향상시켜 AUROC 를 0.886 에서 0.918 로, AUPRC 를 0.738 에서 0.823 으로 증가시켰습니다. CatBoost 는 SVM, RF, XGBoost, LightGBM 등 다른 알고리즘보다 일관되게 우수한 성능을 보였습니다.
• 제로 CAC 사례: 이 모델은 전통적인 스코어링이 종종 위음성을 보이는 제로 또는 최소한의 칼슘 점수를 가진 환자들에서 폐색성 CAD 를 정확하게 식별하는 능력을 입증했습니다. 반대로, 폐색으로 이어지지 않는 높은 칼슘 점수 사례를 정확하게 분류했습니다.

의의 및 주장
저자들은 본 연구가 우연적으로 획득한 비조영 CTCS 스캔이 위험도 stratification 을 위한 용도뿐만 아니라 폐색성 CAD 의 직접적인 탐지를 위한 용도로도 활용될 수 있음을 보여준다고 주장합니다. 전통적인 스코어링 단독이 아닌 고차원 "오믹스" 데이터 (칼슘 및 지방) 를 활용함으로써, 이 프레임워크는 플라크 부하 및 혈관 주위 염증에 관한 미묘하고 상호 보완적인 생물학적 정보를 포착합니다.

본 연구는 특정 Hounsfield 단위 범위와 관상동맥에 근접한 해부학적 위치에서의 심외막 지방에 대한 정량적 평가가 중요한 예측 가치를 제공함을 강조합니다. 이 접근법은 임상 의사결정을 개선하고, 특히 저위험부터 중위험군 환자 그룹에서 조영제 강화 또는 침습적 진단 절차에 대한 의존성을 잠재적으로 줄일 수 있는 경로를 제공합니다. 저자들은 모델이 유망함을 보이지만, 임상적 구현을 위해서는 더 크고 다양한 인구집단에서의 추가 검증과 처리 시간 단축 (현재 스캔당 10~15 분) 을 위한 최적화가 필요하다고 지적합니다.