Automated Prediction of Postoperative Pancreatic Fistula Using Preoperative Computed Tomography

기술 요약: 술 전 컴퓨터 단층촬영(CT)을 이용한 수술 후 췌장 누공의 자동 예측

문제 정의
수술 후 췌장 누공(POPF)은 췌장 절제술 후 발생하는 심각한 합병증으로, 이로 인해 환자의 이환율, 입원 기간 및 의료 비용이 크게 증가한다. 임상적으로 유의미한 POPF(CR-POPF)의 발생률은 10%에서 40% 사이이다. 기존의 위험 계층화는 임상적 요인(예: BMI, 췌관 직경) 및 수술 중 평가에 의존하지만, 이러한 방법들은 종종 정확도가 보통 수준이며 주관적이라는 한계가 있다. 저자들은 술 전 CT 스캔이 미세한 질감 특징(textural features)과 해부학적 변이를 포함한 풍부하고 고차원적인 데이터를 담고 있으며, 이를 활용하면 수술 전 위험을 더 잘 특성화할 수 있음에도 불구하고 현재의 통계 모델에서는 이 잠재력이 충분히 활용되지 못하고 있다고 주장한다.

방법론
본 논문은 오직 술 전 CT 영상만을 사용하여 CR-POPF 발생 확률을 예측하도록 설계된 엔드 투 엔드(end-to-end) 딥러닝 파이프라인을 제안한다. 워크플로우는 네 가지 주요 단계로 구성된다:

1. 데이터 코호트 및 전처리:

   • 본 연구는 2010년부터 2020년 사이에 췌십이지장 절제술을 받은 성인 환자들로 구성된 메이요 클리닉(Mayo Clinic)의 전향적 유지 데이터셋을 활용하였다.
   • 조영 증강 단계(contrast phase)에 따라 두 개의 별도 코호트인 문맥기(Portal Venous, N=1,353)와 지연 동맥기(Late Arterial, N=963)를 분석하였다.
   • 단계 검출(Phase Detection): XGBoost 분류기를 사용하여 하운스필드 단위(HU) 강도를 기반으로 각 스캔의 조영 단계를 결정하였다.
   • 분할 및 관심 영역(ROI) 추출: 모델이 관련 해부학적 구조에 집중할 수 있도록, 저자들은 자동 췌장 분할(segmentation)을 적용하여 이진 마스크를 생성하였다. 두 가지 분할 소스를 비교하였는데, 커스텀 메이요 클리닉 3D nnU-Net 모델(MS)과 TotalSegmentator 모델(TS)이다.
   • 표준화: 강도를 표준화하기 위해 HU 윈도잉(window width=300, center=80)을 적용하였다. 볼륨은 췌장을 중심으로 타이트한 바운딩 박스로 크롭되었으며, 균일한 크기($H^\star_{in} \times W^\star_{in} \times D^\star_{in}$)로 중앙 패딩 처리되었다.

2. 모델 아키텍처:
   이진 분류(POPF 존재 여부)를 위해 세 가지 3D 합성곱 신경망(CNN) 아키텍처를 평가하였다:

   • CNN3D: 잔차 숏컷(residual shortcuts)을 갖춘 세 개의 합성곱 단계로 구성된, 처음부터 학습된 커스텀 경량 베이스라인 네트워크이다.
   • ResNet-(2+1)D-18: 3D 합성곱을 공간 및 깊이(슬라이스 간) 합성곱으로 분해하여 3D 문맥을 효율적으로 모델링하는 잔차 아키텍처이다.
   • ResNet-MC3-18: 혼합 시공간 합성곱을 사용하는 모델로, 초기 레이어에서는 슬라이스 간 문맥을 위한 3D 커널을 사용하고, 후기 레이어에서는 슬라이스별 공간 합성곱을 사용한다.

3. 학습 및 평가:

   • 증강(Augmentation): 무작위 3D 플립, 회전, 줌 및 강도 섭동(히스토그램 조정, 노이즈, 평활화)을 포함한 확률적 MONAI 변환을 사용하여 학습하였다.
   • 최적화: OneCycle 학습률 스케줄을 사용하는 AdamW를 사용하여 모델을 학습시켰다. 클래스 불균형 문제는 가중 샘플링(weighted sampling)과 가중 교차 엔트로피 손실(weighted cross-entropy loss)을 통해 해결하였다.
   • 검증: (i) 균형 잡힌 학습/테스트 분할과 (ii) 관찰된 CR-POPF 유병률을 보존하는 자연 분포 분할이라는 두 가지 프로토콜 하에서 5-겹 층화 교차 검증(5-fold stratified cross-validation)을 통해 성능을 평가하였다.

주요 결과
연구는 AUC(Area Under the Receiver Operating Characteristic Curve), 정확도, 정밀도, 재현율(recall) 및 F1 점수를 사용하여 성능을 평가하였다.

• 아키텍처 성능: 잔차 시공간 백본(ResNet-(2+1)D-18 및 ResNet-MC3-18)이 커스텀 CNN3D 베이스라인보다 일관되게 우수한 성능을 보였다.
• 분할의 영향: 췌장 마스크의 품질은 결과에 상당한 영향을 미쳤다. 메이요 분할(MS) 마스크를 사용한 모델은 TotalSegmentator(TS) 마스크를 사용한 모델(약 0.65–0.66)보다 높은 AUC(약 0.73)를 달est했다. 이는 ROI 충실도의 중요성을 강조한다.
• 조영 단계: 지연 동맥기 코호트에서 가장 성능이 좋은 모델(MS 마스크를 사용한 R2Plus1DResNet18)은 균형 잡힌 분할에서 $0.73 \pm 0.04$, 자연 분포 분할에서 $0.68 \pm 0.07$의 AUC를 달성하였다. 문맥기 코호트에서 MS 마스크를 사용한 R2Plus1DResNet18은 균형 잡힌 분할에서 $0.73 \pm 0.06$, 자연 분포 분할에서 $0.70 \pm 0.03$의 AUC를 달성하였다.
• 클래스 불균형: 자연 분포 분할 하에서는 정밀도가 감소하는 반면 재현율은 높게 유지되었는데, 이는 불균형한 의료 데이터셋에서 나타나는 전형적인 동작이지만, AUC에 의한 모델 순위는 일관되게 유지되었다.

의의 및 주장
저자들은 본 연구가 오직 술 전 CT 영상만으로 CR-POPF 위험을 계층화하는 것이 가능하다는 것을 입증한다고 주장한다. 주요 기여는 다음과 같다:

• 방법론적 벤치마크: 본 논문은 췌장 특화 CT 분류를 위한 현대적 3D 딥러닝 아키텍처의 엄격한 비교를 제공하여 향후 연구를 위한 베이스라인을 구축한다.
• 임상적 유용성: 제안된 파이프라인은 수술 전 의사결정을 위한 잠재적 도구를 제공한다. 고위험 환자를 수술 전에 식별함으로써, 임상의는 이론적으로 수술 후 관리를 맞춤화하거나, 대안적인 수술 접근법(예: 문합부 형성 회피)을 고려하거나, 강화된 수술 후 모니터링을 실시할 수 있다.
• 데이터 기반 통찰: 결과는 췌장 중심의 HU 윈도잉이 적용된 술 전 CT 스캔이 계산적으로 추출 가능한 CR-POPF 관련 측정 가능한 영상 특징을 포함하고 있음을 시사한다.

한계점
저자들은 다음과 같은 한계점을 명시적으로 언급하였다:

• 예측 범위: 영상만으로는 누공 발생을 완전히 결정할 수 없는데, 이는 결과가 본 모델에 포함되지 않은 환자 수준의 요인(연령, 동반 질환) 및 수술 중 변수(출혈량)에 의해서도 영향을 받기 때문이다.
• 오류 전파: 파이프라인은 자동 분할에 의존하므로, 불완전한 마스크나 단계 오분류가 최종 예측에 오류를 전파할 수 있다.
• 검증: 본 연구는 독립적인 다기관 코호트에 대한 외부 검증과 전향적 평가가 부족하며, 이는 배포 전 견고성과 임상적 유용성을 확인하기 위해 필요하다.