Predicting gestational age at birth in the context of preterm birth from multi-modal fetal MRI

기술 요약: 다중 모드 태아 MRI를 이용한 출생 시 임신 주수 예측

문제 정의
조산(37주 이전 출산)은 신생아 사망 및 장기적 이환율의 주요 원인입니다. 생존율은 향상되었으나 합병증 발생률은 여전히 높으며, 자발적 조산의 병인은 복잡하고 잘 이해되지 않고 있습니다. 현재의 임상적 예측은 주로 과거력(예: 이전 조산 경험)과 특정 바이오마커(자궁경부 길이, 태아 피브로넥틴)에 크게 의존하고 있으나, 이는 민감도가 부족한 경우가 많습니다. 또한, 조산에 관한 기존의 머신러닝(ML) 접근 방식은 전자 건강 기록이나 초음파를 사용하여 문제를 이진 분류 작업으로 처리해 왔을 뿐, 출생 시의 정확한 임신 주수(GA)를 예측하는 데에는 집중하지 못했습니다. 따라서 종합적인 다중 모드 태아 MRI 데이터를 활용하여 출생 시 임신 주수를 예측함으로써, 산전 계획 수립 및 치료 시기 결정에 도움을 줄 수 있는 연구가 필요합니다.

방법론
저자들은 426건의 단태아 임신 사례(대조군/만삭 333건, 조산 93건) 데이터를 사용하여 출생 시 임신 주수를 예측하기 위한 맞춤형 머신러닝 파이프라인을 개발했습니다. 데이터셋에는 임상 기록, 수동으로 추출된 초음파 지표, 그리고 다중 모드 태아 MRI(해부학적 T2 강조 영상 및 기능적 T2* 이완 시간 측정)가 포함되었습니다.

이 파이프라인은 세 가지 주요 과제, 즉 높은 차원 대비 적은 샘플 크기, 클래스 불균형, 결측치 문제를 해결했습니다. 워크플로우는 다음과 같습니다:

1. 데이터 전처리:
   • 디컨파운딩(Deconfounding): 데이터 누수를 방지하고 임신 주수의 지배적인 효과로부터 미세한 징후를 분리하기 위해, 모든 특징에서 임신 주수를 선형 회귀하여 내부 학생화 잔차(internally studentised residuals)를 사용했습니다.
   • 결측치 대체(Imputation): 최대 50% 임계값까지의 결측치는 MICE(Multivariate Imputation by Chained Equations)를 사용하여 처리하였으며, 회귀 모델로서 가중 K-최근접 이웃(Weighted K-Nearest Neighbours, KNR)과 랜덤 포레스트(Random Forests, RF)를 비교했습니다.
   • 정규화: 특징들을 평균 0, 표준편차 1로 정규화했습니다.
2. 특징 선택(Feature Selection): 과적합을 완화하기 위해 선형 회귀 또는 랜덤 포레스트를 사용하여 10개의 특징을 선택했습니다.
3. 모델 학습 (스태킹, Stacking):
   • 기본 모델(Base Models): 다양한 앙상블인 랜덤 포레스트(RF), 서포트 벡터 회귀(SVR), XGBoost를 선택된 10개 특징의 모든 비어 있지 않은 부분 집합에 대해 학습시켰습니다.
   • 메타 모델(Meta-Model): 검증 세트의 $R^2$를 통해 선정된 상위 성능의 기본 모델들의 예측값을 선형 회귀 또는 RF 메타 모델을 사용하여 결합했습니다.
   • 클래스 불균형: 편향된 분포를 해결하기 위해 훈련 세트에서 조산 사례를 업샘플링하는 방식을 탐색했습니다.
4. 검증: 계층적 10-겹 교차 검증(stratified 10-fold cross-validation)을 통해 성능을 평가했습니다. 또한 각 파이프라인 구성 요소(디컨파운딩, 결측치 대체, 업샘플링, 특징 선택, 스태킹)의 기여도를 격리하기 위해 최적 성능을 보인 폴드(fold)에 대한 절제 연구(ablation study)를 수행했습니다.

주요 결과
가장 우수한 성능을 보인 구성(50-KNR-RF)은 50% 결측치 임계값, KNR 기반 결측치 대체, RF 기반 특징 선택, 그리고 RF 메타 모델을 사용했습니다.

• 회귀 성능: 파이프라인은 폴드 전체에 걸쳐 평균 $R^2$ 점수 0.13과 평균 절대 오차(MAE) 2.74주를 달s성했습니다.
• 분류 성능: 37주를 기준으로 예측값을 임계화하여 만삭과 조산을 분류했을 때, 모델은 정확도 0.77, 민감도 0.59, 특이도 0.82를 달성했습니다.
• 특징 중요도: 가장 일관되게 선택된 특징으로는 자궁경부 길이, 평균 태반 T2, 태반 T2 lacunarity, 그리고 대두정경(bi-parietal diameter)** 등이 포함되었습니다.
• 절제 연구 결과:
  • 업샘플링은 민감도를 유의미하게 개선(0.6 미만에서 0.66 이상으로)했으나 개별 모델의 MAE를 증가시켰습니다. 그러나 최종 스태킹 메타 모델은 단일 모델에서 나타난 트레이드오프 없이 높은 정확도와 민감도의 균형을 달성했습니다.
  • 디컨파운딩은 이 특정 맥락에서 XGBoost의 고유한 강건성 때문인지, 원시 데이터와 비교했을 때 XGBoost의 성능을 개선하지 못했습니다.
  • 전체 파이프라인(스태킹 + 업샘플링 + 특징 선택)이 모든 절제된 버전보다 우수한 성능을 보였습니다.
• 하위 그룹 분석: 성능은 초산부와 경산부 모두에서 일관되게 나타났으나, 조산 경험이 있는 여성의 경우 성능이 저하되었습니다(MAE 3.18주, 정확도 0.66). 이는 해당 하위 그룹의 작은 샘플 크기(n=32) 때문인 것으로 보입니다.

의의 및 주장
본 논문은 다중 모드 태아 MRI와 스태킹 기반 머신러닝을 결합하여 출생 시 임신 주수를 예측할 수 있음을 보여주는 **개념 증명(proof of concept)**으로서 이 연구를 위치시킵니다.

• 독창성: 저자들의 지식 범위 내에서, 본 연구는 종합적인 다중 모드 MRI 데이터와 스태킹 앙상블 접근 방식을 사용하여 조산 예측을 회귀 문제로 다룬 최초의 연구입니다. 기존 문헌은 주로 다른 데이터 양식을 사용하여 이를 분류 문제로 취급했습니다.
• 임상적 유용성: 저자들은 현재의 성능(MAE ~2.7주)이 좁은 타이밍의 중재(예: 1주 미만의 창이 필요한 코르티코스테로이드 투여)를 가이드하기에는 불충분하지만, 광범위한 산전 계획(예: 적절한 신생아 케어 시설으로의 이송 보장)에는 적합하다고 명시했습니다.
• 한로사항: 저자들은 모델이 설명하는 분산의 비율($R^2$ 0.13)이 매우 작다는 점을 인정하며, 이는 작은 코호트 크기, 조산 병인의 이질성(자발적 vs 의도적 조산), 그리고 종단적 특징 데이터의 부재 때문일 수 있다고 밝혔습니다. 또한 모델이 클래스 불균형과 특정 고위험 하위 그룹에 대한 일반화에 어려움을 겪고 있음을 언급했습니다.
• 향aw (향후 연구): 저자들은 더 세밀한 층화를 위한 코호트 규모 확대, 의도적 조산과 자발적 조산을 구분하는 모델 구축, 그리고 수동 특징 추출 및 결측치 문제를 우회하기 위해 이미지로부터 직접 예측하는 딥러닝 접근 방식으로의 이동을 제안합니다.

본 논문은 모델이 아직 독립적인 진단 도구는 아니지만, 태아 MRI 데이터가 임신 관리를 위한 유용한 예측을 제공할 수 있는 잠재력을 검증한다는 결론을 내립니다.