Pulmonary Embolism Risk Stratification from CTPA and Medical Records: Vascular Graphs Are Not All You Need

기술 요약: CTPA 및 의료 기록을 이용한 폐색전증 위험 계층화

문제 정의
폐색전증(PE)의 위험 계층화는 집중 치료 또는 혈전 용해 요법의 필요성을 결정하는 임상적 관리에 있어 필수적입니다. 현재 가이드라인은 의료 기록, 혈액 검사(트로포닌, NT-proBNP), 그리고 컴퓨터 단층 혈관 조영술(CTPA)의 시각적 평가를 결합하여 의존하고 있습니다. 그러나 혈액 검사는 초기 진단 시 빈번하게 이용 불가능하며, 이는 가이드라인과 실제 임상 현장 사이의 간극을 만듭니다. CTPA는 표준 진단 도구이지만, 현재 그 용도는 혈전 부담(thrombus burden)보다는 우심실(RV) 기능 부전을 평가하는 데 국한되어 있습니다. 혈전 부담을 위한 기존의 임상 점수(예: Qanadli, Mastora)는 혈전의 위치를 수동으로 파악해야 하므로 일상적인 사용에는 시간이 너무 많이 소요됩니다. 딥러닝이 자동 분할 및 탐지를 수행하고 있음에도 불구하고, 표준 비전 모델은 환자 수준의 위험 예측을 위한 혈전 및 동맥의 희소한 특성을 다루는 데 어려움을 겪습니다. 본 연구는 최첨단 모델이 의료 기록과 CTPA에서 추출된 바이오마커만을 사용하여 PE 위험을 정확하게 계층화할 수 있는지, 특히 풍부한 폐혈관 그래프 표현이 단순한 전역 특징(global features)보다 이점을 제공하는지 조사합니다.

방법론
저자들은 고유하게 완전한 데이터를 가진 353명의 환자 데이터셋을 사용하여 PE 위험을 세 가지 클래스(저위험, 중등도-저위험, 중등도-고위험)로 분류하는 파이프라인을 제안합니다. 방법론은 세 가지 주요 단계로 구성됩니다:

1. 데이터 전처리 및 특징 추출:

   • CTPA 처리: 3D CTPA 이미지는 TotalSegmentator와 커스텀 nnUNet 파이프라인을 사용하여 심장 심실(LV/RV)과 폐동맥 트리(혈전 포함)를 분할합니다.
   • 그래프 구축: 분할된 동맥 트리는 접점/말단을 노드로, 혈관을 엣지로 하는 환자별 그래프로 변환됩니다. 엣지 특징에는 혈관 반경, 길이, 부피, 깊이 및 혈전 관련 지표(부피, 폐쇄 정도)가 포함됩니다.
   • 바이오마커 계산:
     • 심장 바이오마커: 심실 마스크(RV/LV 부피, RV/LV 비율)로부터 도출됩니다.
     • 혈관 바이오마커: 그래프로부터 계산된 환자 수준의 6가지 지표(예: 총 혈전 부피, Qanadli 점수, Mastora 점수)를 포함합니다.
     • 의료 기록: sPESI 점수 요인, 연령, 심박수, 산소 포화도, 혈압, 암 또는 심폐 질환 병력을 포함하는 구조화된 데이터입니다.

2. 모델 아키텍처 및 퓨전 전략:
   본 연구는 의료 기록(전역 특징)과 혈관 정보를 결합하는 두 가지 주요 접근 방식을 벤치마킹합니다:

   • 정형 데이터 모델(Tabular Models): 전역 특징(의료 기록, 심장 바이오마커, 혈관 바이오마커)을 결합하여 트리 기반 모델(XGBoost)과 파운데이션 모델(TabPFN)에 입력합니다.
   • 그래프 신경망(GNNs): 혈관 그래프에 직접 적용됩니다. 본 연구는 다음 네 가지 전략을 통해 전역 특징과 그래프를 통합하는 방식을 평가합니다:
     • 조기 퓨전(Early Fusion): 전역 특징을 각 노드에 결합합니다.
     • 후기 퓨전(Late Fusion): 최종 그래프 임베딩에 전역 특징을 결합합니다.
     • 가상 노드(Virtual Node, 제안됨): 전역 특징을 사용하여 모든 그래프 노드에 연결된 가상 노드를 초기화합니다.
     • 교차 주의 집중(Cross-Attention, 제안됨): 전역 특징이 토큰화되어 노드 토큰과 양방향 교차 주의 집중을 통해 융합되는 Graph Transformer(GPS 백본)를 사용합니다.

3. 실험 설정:

   • 데이터셋: CHU Saint-Étienne의 PE 환자 353명(2014–2020). 위험 레이블은 혈액 검사 결과(모델에는 제공되지 않음)를 기반으로 ESC 가이드라인에 따라 도출되었습니다.
   • 평가: 10-겹 교차 검증(80/10/10 분할)을 수행합니다. 성능은 F1-score로 측정됩니다.
   • 하이퍼파라미터 튜닝: GNN 백본(GCN, GATv2, GIN, GPS) 및 퓨전 구성에 대해 Optuna를 사용한 철저한 탐색을 수행합니다.

주요 기여

1. 파이프라인 개발: 구조화된 의료 기록과 CTPA 유래 혈관 그래프를 통합하는 PE 위험 계층화를 위한 자동화된 파이프라인을 도입했습니다.
2. 포괄적 벤치마킹: 전역 특징과 혈관 그래프를 결합하기 위해 두 가지 특정 중간 퓨전 방법(가상 노드 초기화 및 교차 주의 집중)을 테스트하며 정형 데이터 모델과 GNN을 체계적으로 비교했습니다.
3. 그래프 유용성에 대한 경험적 조사: 혈관 그래프가 위험 계층화 성능을 개선하지 못하는 이유를 분석하여, 과적합(overfitting)과 레이블 편향(label bias)을 주요 원인에서 배제했습니다.

결과

• 전역 특징의 지배력: 의료 기록과 심장 바이오마커가 가장 중요한 예측 인자입니다. TabPFN은 의료 기록과 심장 바이오마커를 사용하여 **86.3%**의 F1 점수를 달립다.
• 혈관 바이오마커의 제한된 가치: 정형 데이터 모델에 혈관 바이오마커(예: Qanadli 점수)를 추가해도 성능이 크게 향상되지 않습니다(심장 바이오마커만 사용했을 때 86.3% 대비 혈관 바이오마커 추가 시 미미한 변화 발생).
• GNN 성능: 전역 특징 없이 혈관 그래프에만 적용된 GNN은 성능이 저조합니다(F1 ~50-55%). 전역 특징이 추가되면 GNN 성능이 향려되지만, 강력한 TabPFN 베이스라인을 능가하지 못합니다. 가장 우수한 GNN 구성(Cross-Attention을 사용한 GPS)은 **83.8%**의 F1을 달성하였으며, 이는 TabPFN 베이스라인(86.3%)과 통계적으로 구별할 수 없는 수준이며 유의미한 개선을 나타내지 않습니다.
• 가설 검증:
  • 과적합: 배제되었습니다. 일반화 격차(generalization gaps)는 더 큰 데이터셋에서도 일관되게 나타났습니다.
  • 학습 실패: 배제되었습니다. GNN은 혈관 바이오마커(총 색전 부피, Qanadli 점수)를 정형 데이터 모델보다 더 잘 회귀하였으므로, 그래프 패턴을 학습할 수 있음을 입증했습니다.
  • 레이블 편향: 배제되었습니다. 모델 오류는 가이드라인 버전 변경에 따른 모호한 사례들과 상관관계가 없었습니다.

의의 및 결론
본 논문은 폐혈관 그래프의 유용성을 평가한 첫 번째 연구를 제시합니다. 상세한 혈관 위상 구조와 혈전 부담이 위험 예측을 강화할 것이라는 직관과는 반대로, 결과는 혈관 그래프가 의료 기록 및 심장 바이오마커 이상의 추가적인 변별 정보를 제공하지 못함을 시사합니다.

저자들은 GNN이 혈관 그래프 내의 복잡한 패턴을 학습할 수는 있지만(바이오마커 회귀를 통해 입증됨), 이러한 패턴이 단순한 전역 특징과 비교했을 때 환자 수준의 위험 계층화 측면에서 개선된 결과를 가져오지는 않는다고 결론지었습니다. 이러한 발견은 폐혈관의 그래프 기반 표현이 이 특정 임상 적용 분야에서 반드시 우월한 것은 아니라는 점을 시사하며, 현재의 임상적 바이오마커와 의료 기록이 이미 필요한 위험 정보를 충분히 포착하고 있을 수 있음을 보여줍니다. 추가적인 연구를 지원하기 위해 코드는 공개되어 있습니다.