A Unified DINOv2-Based Framework for LVEF Estimation, GLS Dysfunction Classification, and Early Cardiotoxicity Prediction

심장은 지치지 않는 펌프이지만, 모든 기계와 마찬가지로 특히 암과 싸울 때 마모될 수 있습니다. 항암제는 종양에 대항하는 강력한 무기이지만, 때때로 심장 근육을 손상시키기도 하는데, 이러한 부작적을 심독성이라고 합니다. 이 손상을 조기에 발견하는 것은 시간과의 싸움입니다. 현재 의사들은 심장 건강을 확인하기 위해 두 가지 주요 방법을 사용합니다. 첫 번째는 심장이 매 박동마다 내뿜는 혈액의 양을 측정하는 것으로, 이는 전체적인 상황을 알려주는 표준적인 지표입니다. 두 번째는 심장 근육 자체의 미세한 늘어남과 수축을 추적하는 더 민감한 도구로, 큰 그림에서 이상 징후가 나타나기 전에도 문제를 드러내곤 합니다. 문제는 이러한 신호들이 심장의 복잡하고 움직이는 영상 속에 숨겨져 있다는 점이며, 가장 초기 단계의 경고 징후를 포착하려면 인간 전문가가 심장의 경계선을 수동으로 추적하고 박동수를 세어야 하는 경우가 많은데, 이 과정은 느리고 인간의 실수에 취약합니다.

GE 헬스케어의 연구진은 심장 영상을 더 빠르고 정확하게 읽어내어, 돌이킬 수 없는 상태가 되기 전에 문제를 포착하도록 설계된 새로운 컴퓨터 시스템을 개발했습니다. 연구진은 컴퓨터에게 심장 영상을 처음부터 이해하도록 가르치는 대신, 거대한 사전 학습된 '파운데이션(foundation)' 모델 위에 이 시스템을 구축했습니다. 이 파운데이션 모델을 수백만 개의 일반 이미지를 이미 학습하여 모양, 질감, 패턴을 인식할 줄 아는 학생이라고 생각해보십시오. 연구진은 이 학생에게 심장 영상에 대한 전문 과정을 제공하여, 심장 기능을 측정하고 약물 관련 손상을 예측하는 데 필요한 특정 세부 사항에 집중하도록 가르쳤습니다. 이러한 접근 방식 덕도 시스템은 상대적으로 적은 수의 환자 영상만으로도 빠르고 정확하게 학습할 수 있었습니다.

연구진은 유럽 전역의 환자들로부터 얻은 방대한 심장 초음파 영상 컬렉션을 사용하여 세 가지 별개의 과업에 대해 이 시스템을 테스트했습니다. 첫 번째 과업은 심장이 펌프질하는 혈액의 백분율을 계산하는 것으로, 이는 심부전을 진단하는 데 매우 중요한 수치입니다. 두 번째 과업은 심장 근육이 늘어나는 패턴을 바탕으로 기능 장애의 징후를 보이는지 분류하는 것이었습니다. 세 번째이자 아마도 가장 어려운 과업은, 치료를 시작하기도 전에 환자의 기초 심장 스캔만을 사용하여 어떤 환자가 항암 치료로 인해 심장 손상을 입을지 예측하는 것이었습니다. 이러한 다양한 목표를 처리하기 위해, 시스템은 핵심 지식은 고정된 상태로 유지하면서 각 특정 작업에 맞는 작고 유연한 '어댑터(adapters)'를 추가하는 영리한 전략을 사용했습니다. 이는 시스템이 펌핑 부피를 측정하기 위한 시각적 단서와 근육의 신축을 위한 단서를 혼동하지 않고, 각 작업을 높은 정밀도로 수행할 수 있도록 해주었습니다.

이 연구의 핵심 혁신은 시스템이 심장의 박동 타이밍을 처리하는 방식에 있었습니다. 전통적인 방식에서는 컴퓨터가 측정을 수행하기 위해 심장이 완전히 이완되었을 때와 완전히 수축했을 때를 정확히 알려주어야 합니다. 그러나 이 새로운 시스템은 스스로 심장의 리듬을 이해하는 법을 배웠습니다. 시스템은 박동의 시작과 끝을 알려주는 외부 라벨이나 수동 표시 없이도, 영상의 시각적 내용으로부터 직접 필요한 타이밍 정보를 추론할 수 있었습니다. 이는 실제 의료 현장에서 정밀한 수동 라벨이 부족한 경우가 많다는 점을 고려할 때, 시스템을 훨씬 더 견고하고 실용적으로 만들어 주었습니다. 펌핑 부피를 측정하는 특정 과업을 위해, 연구진은 전체 영상의 움직임과 심장의 가장 결정적인 순간들에 대한 집중적인 관찰을 결합한 별도의 특화된 모델을 만들었는데, 이는 마치 의사가 서로 다른 시점의 심장 상태를 정신적으로 비교하는 방식을 모방한 것입니다.

연구 결과, 이 새로운 접근 방식은 놀라울 정도로 잘 작동했습니다. 심장의 펌핑 부피를 측정하는 데 있어 시스템은 평균 5%를 약간 상회하는 오차를 기록했으며, 특화된 모델은 이를 5% 미만으로 개선하여 인간 전문가와 맞먹는 수준의 정확도를 보여주었습니다. 미세한 근육 기능 장애를 감지하는 데 있어서 시스템은 약 77%의 사례에서 문제를 정확히 식별해 냈습니다. 가장 주목할 만한 점은, 항암 치료로 인한 초기 심장 손상을 예측하는 데 있어 시스템의 능력이 크게 향 향상되어, 환자의 위험도를 70% 이상의 확률로 정확하게 분류해 냈다는 것인데, 이는 기존 방법들보다 상당히 높아진 수치입니다. 이러한 발견은 강력한 사전 학습된 시각적 지식을 활용하고 이를 의료적 필요에 따라 세심하게 조정함으로써, 컴퓨터가 암 환자의 심장 손상을 보호하는 강력한 조력자가 될 수 있으며, 조기 개입을 통해 잠재적으로 생명을 구할 수 있는 길을 제시한다는 것을 시사합니다.