Diagnosis of Multiple Sclerosis Using Multimodal Deep Learning Integrating Lesion and Normal-Appearing White Matter: A Retrospective Study with International Multicentre External Validation

이 연구는 다발성 경화증 (MS) 의 진단 정확도를 높이기 위해 병변과 정상으로 보이는 백질 (NAWM) 의 미세구조적 이상을 모두 포착하는 딥러닝 모델 'DeepMS'를 개발하고, 국제적 다기관 데이터를 통해 기존 진단 기준보다 우수한 성능을 입증했습니다.

핵심

🧠 핵심 아이디어: "집의 벽에 난 구멍만 보는 게 전부가 아니다"

지금까지 의사는 MS 를 진단할 때 뇌 MRI 를 보며 **흰색 반점 (병변, Lesion)**을 찾았습니다. 마치 집의 벽에 난 구멍이나 갈라진 틈을 찾아서 "아, 이 집이 망가졌구나"라고 판단하는 것과 비슷합니다.

하지만 문제는, 다른 질병 (뇌졸중, 편두통 등) 을 가진 사람들도 벽에 비슷한 구멍을 가지고 있을 수 있다는 점입니다. 그래서 환자가 "나는 MS 가 아닐 수도 있는데, 왜 MS 약을 먹어야 하지?"라고 혼란을 겪거나 불필요한 치료를 받는 경우가 많았습니다.

이 연구의 핵심은 **"벽에 난 구멍 (병변) 이 없어도, 벽 자체의 질감 (정상처럼 보이는 부분) 이 미묘하게 변했을 수 있다"**는 사실을 AI 가 찾아낸다는 것입니다.

---

🚀 새로운 기술 'DeepMS'는 어떻게 작동할까요?

이 연구팀은 **'DeepMS'**라는 AI 모델을 만들었습니다. 이 모델의 학습 방식은 다음과 같은 두 단계로 나뉩니다.

1. 훈련 단계: "고급 현미경으로 배우기"

AI 는 처음에 두 가지 정보를 함께 공부했습니다.

• 일반 MRI (sMRI): 우리가 병원에서 routinely 찍는 일반적인 뇌 사진. (벽의 구멍을 보는 것)
• 정량적 확산 MRI (dMRI): 물 분자의 움직임을 정밀하게 측정하는 고급 스캔. (벽의 미세한 질감, 즉 '정상처럼 보이는 백질'의 변화를 보는 것)

AI 는 고급 스캔을 통해 "MS 환자의 뇌는 구멍이 없어도, 벽의 질감이 아주 미세하게 무너져 있다"는 패턴을 학습했습니다.

2. 진단 단계: "일반 카메라로 진단하기"

그런데 실제 병원에서 이 고급 스캔을 매번 찍기는 어렵습니다. 그래서 DeepMS는 훈련 과정에서 배운 "미세한 질감의 변화"를 일반 MRI 사진 (벽 사진) 만으로도 찾아낼 수 있도록 설계되었습니다.

비유하자면:
AI 는 처음에 **고해상도 현미경 (고급 MRI)**으로 벽의 미세한 균열을 배우고, 그 지식을 바탕으로 **일반 스마트폰 카메라 (일반 MRI)**로 찍은 사진만 봐도 "이 벽의 질감이 MS 환자 특유의 질감이야!"라고 알아맞히는 것입니다.

---

🏆 이 기술이 얼마나 뛰어난가요?

연구팀은 이 AI 를 실제 환자 데이터로 검증했습니다. 결과는 놀라웠습니다.

1. 오진 방지: 기존 진단법 (벽의 구멍 찾기) 은 다른 질병과 구별하기 어려웠지만, DeepMS 는 정상처럼 보이는 뇌 조직의 미세한 변화까지 포착하여 오진을 크게 줄였습니다.
2. 구멍이 없어도 진단 가능: 심지어 뇌에 눈에 보이는 큰 구멍 (병변) 이 없거나, AI 가 구멍 부분을 가려버린 상태에서도 여전히 정확한 진단을 내렸습니다. 이는 AI 가 구멍 자체가 아니라 뇌 전체의 미세한 변화를 보고 있다는 증거입니다.
3. 세계적인 검증: 미국, 폴란드 등 다양한 지역의 데이터와 공개된 데이터 15 개를 이용해 테스트했는데, 어디서나 높은 정확도를 보였습니다.

---

💡 결론: 왜 이 연구가 중요한가요?

지금까지 MS 진단은 "병변이 있나?"를 보는 수동적인 방식이었다면, 이 AI 는 "뇌 전체의 미세한 신호를 읽는다"는 능동적인 방식으로 바꿉니다.

• 환자에게는: 불필요한 치료나 불안을 줄여줍니다.
• 의사에게는: 더 정확한 진단을 돕는 강력한 도구가 됩니다.
• 미래에는: 특별한 장비 없이도, 우리가 평소 찍는 일반 MRI 만으로 뇌의 미세한 이상을 잡아낼 수 있게 되어, 더 많은 환자가 조기에 올바른 치료를 받을 수 있게 될 것입니다.

한 줄 요약:

"이 새로운 AI 는 뇌의 '큰 구멍'만 보는 게 아니라, '벽의 미세한 질감'까지 읽어서 다발성 경화증을 훨씬 정확하게 찾아냅니다."

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 현재 진단의 한계: 다발성 경화증 (MS) 의 현재 진단 기준 (2024 년 맥도날드 기준 등) 은 주로 백질 병변 (WMLs) 에 의존합니다. 그러나 뇌혈관 질환, 편두통 등 다른 신경계 질환에서도 유사한 WML 이 관찰되어 오진율이 10~20% 에 달합니다.
• NAWM 의 간과: MS 는 병변뿐만 아니라 '정상 외관 백질 (Normal-Appearing White Matter, NAWM)'의 미세 구조적 이상 (탈수초, 축삭 손실 등) 도 동반합니다. NAWM 은 MS 와 그 모방 질환 (mimics) 을 구분하는 데 중요한 정보를 담고 있으나, 다음과 같은 이유로 임상적으로 활용되지 못했습니다:
  1. 재현 가능하고 진단 특이성이 높은 NAWM 서명이 확립되지 않음.
  2. NAWM 이상 감지를 위해선 정량적 MRI (qMRI, 예: 다중 쉘 확산 MRI) 가 필요하며, 이는 일반적인 임상 프로토콜에 포함되지 않음.
• 기존 AI 연구의 부족: 기존 MS 진단 AI 연구들은 단일 센터 데이터, 작은 규모, 임상적 모방 질환의 부재, 기존 MRI 생체표지자 (Biomarkers) 에 대한 벤치마킹 부족, 그리고 NAWM 정보의 명확한 활용 부재 등의 한계가 있었습니다.

2. 방법론 (Methodology)

• 모델 개발 (DeepMS):
  • 목표: 일상적인 구조적 MRI (sMRI) 만으로 MS 를 진단하되, 훈련 단계에서 정량적 확산 MRI (dMRI) 를 활용하여 NAWM 의 미세 구조적 특징을 학습하는 딥러닝 모델.
  • 아키텍처: Swin-UNETR(특징 추출기) 과 Attention-based Multiple Instance Learning (ABMIL, 예측기) 을 결합. 모든 MRI 모달리티 (T1, FLAIR, dMRI 등) 에 대해 파라미터를 공유하는 통합 인코더 사용.
  • 학습 전략:
    • 훈련: sMRI 와 dMRI(확산 텐서, 커튜스, 표준 모델 등) 를 모두 사용하여 NAWM 패턴을 학습.
    • 추론 (Inference): 임상 적용 시에는 sMRI 만을 입력으로 사용. 훈련 시 학습된 dMRI 기반의 NAWM 패턴이 sMRI 의 미세한 상관관계로 포착되도록 설계됨.
• 데이터셋:
  • 개발/내부 검증: NYU Langone Health(7,493 건) 및 ADNI(1,857 건) 데이터 총 8,450 건 (7,703 명).
  • 외부 검증:
    1. 크라코프 (폴란드) 코호트 (293 명, 1.5T GE 스캐너).
    2. 공개 다기관 코호트 (15 개 데이터셋, 1,756 명, 다양한 벤더 및 필드 강도).
  • 비교군: 2024 맥도날드 기준의 생체표지자 (DIS, DIT, CVS, PRL) 를 평가한 308 명 규모의 멀티리더 연구.
• 분석 기법:
  • 병변 마스킹 실험 (Lesion-masking): 시각적 병변을 디지털로 제거한 후 모델 성능을 평가하여 NAWM 정보 활용 여부를 검증.
  • 해석 가능성 분석: 예측 히트맵 (Heatmap) 을 생성하여 모델이 병변 중심인지, NAWM 영역까지 반응하는지 시각화.

3. 주요 결과 (Key Results)

• 진단 성능 (AUC):
  • 내부 테스트: 0.968 (95% CI 0.946–0.987)
  • 크라코프 외부 검증: 0.940 (0.898–0.974)
  • 공개 외부 검증: 0.974 (0.966–0.982)
  • NAWM 병변이 있는 환자군에서도 높은 성능 유지: 모든 외부 코호트에서 WML 이 있는 환자 하위 그룹에서도 AUC 가 0.94 이상을 기록하여 오진 위험군에서 효과적임을 입증.
• 기존 생체표지자 대비 우월성 (멀티리더 연구, n=308):
  • 민감도/특이도 트레이드오프 해소:
    • 민감도 92.9% 로 맞췄을 때, DeepMS 는 DIS(공간적 전파) 보다 특이도가 유의하게 높음 (89.0% vs 78.5%, p=0.0061).
    • 특이도 92.8% 로 맞췄을 때, DeepMS 는 CVS(중앙정맥 징후) 보다 민감도가 유의하게 높음 (88.2% vs 52.0%, p<0.0001).
  • 하이브리드 접근법: DeepMS 와 기존 병변 생체표지자를 결합한 하이브리드 모델은 민감도 92.1%, 특이도 96.1% 를 달성하여 단일 생체표지자 규칙보다 우수한 성능을 보임.
• NAWM 활용 검증 (병변 마스킹 실험):
  • sMRI-only 모델: 병변 제거 시 성능이 급격히 저하됨 (AUC 0.895 → 0.764).
  • sMRI+dMRI 훈련 모델: 병변 제거 후에도 높은 성능 유지 (AUC 0.959 → 0.881). 이는 모델이 병변이 아닌 NAWM 영역에서도 진단에 유효한 정보를 추출했음을 의미.
  • 히트맵 분석: sMRI+dMRI 모델은 전형적인 MS 사례에서 병변 주변 NAWM 까지 활성화 신호를 보였으며, 오진 사례 (모방 질환) 에서는 병변 형태에 속지 않고 NAWM 신호를 통해 음성으로 판정함.

4. 주요 기여 및 의의 (Contributions & Significance)

1. NAWM 기반 진단의 실용화: 정량적 MRI 없이도 일상적인 sMRI 만으로 NAWM 의 미세 구조적 이상을 간접적으로 포착하여 MS 를 진단할 수 있음을 입증. 이는 NAWM 이 MS 진단의 중요한 자원임을 보여줌.
2. 오진 감소 및 특이도 향상: 기존 병변 중심 진단법 (DIS 등) 의 낮은 특이도 문제를 해결하여, 비특이적 백질 병변을 가진 환자에서의 오진 위험을 줄임.
3. 강건한 외부 검증: 다양한 스캐너, 필드 강도, 임상 프로토콜을 가진 국제적 다기관 데이터에서 일관된 성능을 입증하여 임상 적용 가능성 (Generalizability) 을 높임.
4. 임상 워크플로우 통합: 별도의 특수 촬영 (dMRI 등) 없이 기존 임상 MRI 데이터로 즉시 적용 가능한 AI 도구 제시.
5. 시너지 효과: 기존 병변 생체표지자와 AI 기반 NAWM 분석을 결합할 때 진단 정확도가 극대화됨을 확인.

5. 결론

이 연구는 딥러닝 모델 (DeepMS) 이 훈련 시 정량적 dMRI 를 활용하여 학습한 NAWM 패턴을 일상적인 sMRI 추론 단계에서 성공적으로 활용하여, MS 와 그 모방 질환을 높은 정확도로 구분할 수 있음을 증명했습니다. 특히 병변이 제거된 상태에서도 진단 능력을 유지한다는 사실은 NAWM 이 MS 진단의 핵심적인 미활용 자원임을 시사하며, 향후 임상에서 진단 불확실성을 줄이고 오진을 방지하는 데 중요한 역할을 할 것으로 기대됩니다.