Clinical Research Collaboration for Stroke in Korea Imaging Repository:A Prospective Multicenter Neuroimaging Repository

이 논문은 한국 뇌졸중 임상연구 협력단 (CRCS-K) 을 기반으로 18 개 종합뇌졸중센터에서 수집된 2 만여 명의 뇌졸중 환자 영상 데이터를 인공지능 기반 정량화 기술과 통합한 'CRCS-K 영상 저장소'의 구축 가능성과 치료 프로세스 효율성 및 임상 결과 간의 연관성을 규명한 예비 분석 결과를 제시합니다.

핵심

이 논문은 **'뇌졸중 (중풍) 환자의 뇌 사진들을 모아둔 거대한 디지털 도서관'**을 어떻게 만들었고, 그 안에서 인공지능 (AI) 을 이용해 어떤 새로운 발견을 했는지에 대한 이야기입니다.

한마디로 요약하면: **"병원마다 뇌졸중 환자를 찍는 사진 (CT, MRI) 방식이 천차만별인데, 이 모든 사진을 AI 가 분석해서 '어떤 사진 찍는 순서가 치료에 더 좋은지'를 알아낸 연구"**입니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 문제점: "사진은 많지만, 내용만 요약된 장부"

과거의 뇌졸중 연구는 마치 **"병원 기록장"**만 보고 하는 것과 비슷했습니다.

• 예전 방식: "환자 A 는 뇌경색이 왔고, CT 를 찍었다. 치료는 잘됐다."라고 적어둡니다.
• 한계: 하지만 실제 CT 나 MRI 사진에는 뇌의 손상 정도, 혈관 상태, 미세한 출혈 등 엄청난 정보가 담겨 있습니다. 그런데 연구자들은 이 방대한 정보를 단순히 "CT 찍음/안 찍음" 같은 한 줄 요약으로만 처리했기 때문에, 사진 속에 숨겨진 진짜 보물을 찾아내지 못했습니다.

2. 해결책: "CRCS-K 이미지 레포지토리 (거대한 디지털 사진관)"

연구팀은 한국 전역의 18 개 대형 병원과 손잡고, 뇌졸중 환자가 입원하는 동안 찍힌 모든 뇌 사진 (약 22 만 5 천 장!) 을 모았습니다.

• 비유: 마치 전국의 모든 병원에서 찍은 뇌 사진을 한곳에 모아 **"디지털 사진 박물관"**을 만든 것과 같습니다.
• 특이점: 단순히 사진을 쌓아두는 게 아니라, **AI(인공지능)**를 투입했습니다. AI 는 사람이 일일이 눈으로 확인하기 힘든 부분까지 분석해서, "뇌 손상 크기는 이만큼, 혈관 막힌 정도는 이만큼"이라고 숫자로 변환해줍니다.

3. 도구: "AISCAN (지능형 검색 엔진)"

이렇게 모인 방대한 데이터를 연구자들이 쉽게 쓸 수 있도록 **'AISCAN'**이라는 웹사이트를 만들었습니다.

• 비유: 구글이나 네이버 검색처럼, "뇌졸중 환자 중 60 대 남성이면서 CT 만 찍은 사람만 찾아줘"라고 검색하면, AI 가 즉시 그 환자들의 데이터와 치료 결과를 보여줍니다.

4. 발견: "사진 찍는 순서가 치료 속도와 결과를 바꾼다?"

이 거대한 데이터베이스를 이용해 흥미로운 실험을 해보았습니다. **"환자를 치료하기 전에 어떤 순서로 사진을 찍었나?"**에 따라 결과가 어떻게 달라지는지 본 것입니다.

• 상황: 뇌졸중 환자가 오면, 병원에 따라 CT(엑스레이) 를 먼저 찍는 곳도 있고, MRI(자석) 를 먼저 찍는 곳도 있습니다. MRI 는 더 정교하지만 시간이 오래 걸립니다.
• 결과 1 (속도): 사진을 더 많이, 더 정교하게 찍을수록 (MRI 포함 등), 치료 시작까지 걸리는 시간이 길어졌습니다.
  • 비유: "정밀한 지도를 다 찾아보다가 출발을 늦추면, 목적지에 늦게 도착할 수밖에 없다"는 뜻입니다.
• 결과 2 (치료 효과): 특히 **혈관을 뚫는 수술 (EVT)**을 받은 환자들 중에서는, CT 위주로 빠르게 찍은 그룹이 MRI 를 먼저 찍은 그룹보다 치료 결과가 조금 더 좋은 경향이 있었습니다.
  • 주의: MRI 가 나쁘다는 뜻이 아닙니다. MRI 를 먼저 찍은 환자들은 증상이 가볍거나 시간이 많이 지난 경우가 많아서, 이미 치료하기 어려운 상태였을 가능성이 높기 때문입니다. 하지만 **"빠른 판단이 생명과 직결된다"**는 교훈을 줍니다.

5. 결론: "AI 가 만든 새로운 길"

이 연구는 단순히 "어떤 병이 낫다"는 것을 알려주는 게 아닙니다.

• 의미: "병원마다 치료 방식이 다르고, 그 방식이 환자 결과에 어떤 영향을 미치는지"를 실제 사진 데이터로 증명할 수 있는 시스템을 만들었습니다.
• 미래: 앞으로는 이 시스템을 통해 "어떤 환자에게는 CT 가, 어떤 환자에게는 MRI 가 더 좋은가?"를 AI 가 스스로 학습해서 의사들이 더 정확한 결정을 내릴 수 있도록 돕는 **'지능형 뇌졸중 치료 시스템'**으로 발전할 것입니다.

한 줄 요약

"수만 장의 뇌 사진을 AI 가 분석해, '빠른 진단 (CT)'이 '정밀하지만 느린 진단 (MRI)'보다 뇌졸중 치료에 더 유리할 수 있음을 밝혀낸, 한국형 뇌졸중 빅데이터 프로젝트의 성공 사례입니다."

기술 요약

논문 요약: CRCS-K 영상 저장소 (CRCS-K Imaging Repository)

1. 연구 배경 및 문제 제기 (Problem)

• 기존 레지스트리의 한계: 기존 뇌졸중 등록 연구 (Stroke Registries) 는 임상 데이터를 체계적으로 수집하지만, 신경영상 (Neuroimaging) 정보를 단순한 범주형 변수 (예: 혈관 폐색 부위, 소혈관 질환의 반정량적 등급) 로 축소하여 보고하는 경향이 있습니다. 이로 인해 다중 모달리티 (CT, MRI 등) 와 시계열적으로 획득된 영상에 내재된 다차원적 정보가 손실됩니다.
• 데이터 활용의 필요성: 인공지능 (AI) 과 자동화된 이미지 분석 기술의 발전으로 대규모 영상 데이터를 정량화할 수 있게 되었으나, 이를 검증하고 개발하기 위해서는 다양한 센터와 시기에 걸쳐 임상 정보와 긴밀하게 결합된 대규모 영상 데이터가 필요합니다.
• 연구 목표: 기존의 범주형 변수에 의존하지 않고, 실제 임상 현장에서 수행된 모든 뇌졸중 신경영상을 체계적으로 수집하고 AI 기반 자동 정량화와 임상/예후 데이터를 통합하여, 임상적으로 중요한 새로운 질문들을 해결할 수 있는 인프라를 구축하는 것입니다.

2. 연구 방법론 (Methodology)

• 연구 설계 및 대상:
  • CRCS-K (Clinical Research Collaboration for Stroke in Korea): 2008 년부터 운영 중인 대한민국의 전국적 전향적 뇌졸중 등록 시스템을 기반으로 함.
  • 참여 기관: 대한민국 내 18 개의 종합 뇌졸중 센터 (Comprehensive Stroke Centers).
  • 대상 환자: 2022 년 6 월부터 2025 년 5 월까지 입원한 급성 뇌경색 환자 (총 20,792 명).
  • 포함 기준: 입원 기간 중 수행된 모든 신경영상 (CT, MRI, DSA 등) 을 DICOM 원본 형태로 수집. 초음파는 프로토콜 이질성으로 제외.
• 데이터 수집 및 처리 프로세스:
  1. 수집: 병원 도착부터 퇴원/이송까지 수행된 모든 영상 (비조영 CT, CTA, CTP, DWI, MR angiography, PWI 등) 을 DICOM 형식으로 수집.
  2. 개인정보 보호: 모든 식별 정보는 제거되고 가명화 (Pseudonymization) 되어 CRCS-K 고유 ID 와 연결됨.
  3. 품질 관리: 중앙 영상 실험실에서 표준 프로토콜에 따라 데이터 무결성, 환자/영상 완전성을 검증.
  4. AI 기반 정량화: 검증된 다중 센터 AI 모델을 적용하여 영상 데이터를 표준화된 수치 데이터로 변환.
     • 추출된 특징: 허혈성 병변 부피, 관류 매개변수, 백질 고신호 (WMH) 부하, 뇌 미세출혈 수 등.
• 연구 플랫폼 (AISCAN):
  • 수집된 임상 데이터, 영상 메타데이터, AI 기반 정량화 데이터를 통합한 웹 기반 연구 플랫폼.
  • 연구자는 승인된 프로젝트에 따라 특정 데이터셋에 접근하여 쿼리 및 필터링이 가능.
  • 확장성과 유연성을 갖추고 있어 새로운 AI 모듈 및 외부 데이터셋 통합이 용이함.
• 통계 분석:
  • 주요 분석: 치료 전 영상 워크플로우 (CT 기반 vs MR 기반) 가 치료 효율성 (Door-to-treatment time) 과 기능적 예후 (mRS) 에 미치는 영향 분석.
  • 방법론: 다변량 계층 혼합 효과 모델 (Hierarchical mixed-effects models), 성향 점수 중첩 가중치 (Propensity score overlap weighting) 분석 등을 사용하여 교란 변수를 보정.

3. 주요 기여 (Key Contributions)

1. 대규모 전향적 영상 레지스트리 구축: 22 만 5 천 개 이상의 영상 시퀀스를 2 만 명 이상의 환자로부터 수집한 아시아 최대 규모의 전향적 뇌졸중 영상 저장소.
2. AI 통합 아키텍처: 단순한 영상 보관을 넘어, AI 기반 자동 정량화 파이프라인을 데이터 수집 프로세스의 핵심 요소로 내재화. 이는 기존 레지스트리가 제공하지 못하는 정량적 객관적 지표를 제공.
3. 원본 데이터 (DICOM) 보존: 정량화 알고리즘이 변경되거나 새로운 AI 모델이 개발되더라도, 원본 DICOM 파일을 기반으로 재분석이 가능하도록 설계하여 미래 연구의 지속성을 보장.
4. AISCAN 플랫폼: 임상, 영상, AI 데이터를 통합한 범용 연구 환경을 제공하여 연구 접근성을 높임.

4. 주요 결과 (Results)

• 데이터 규모: 총 20,792 명의 환자로부터 225,159 개의 영상 시퀀스 수집.
  • 주요 영상 유형: DWI (37,453 개), NCCT (35,242 개), MRA (24,829 개), SWI (20,508 개), CTA (15,503 개) 등.
• 병원 간 이질성 (Inter-hospital Heterogeneity):
  • 급성기 뇌졸중 선별 검사 (Triage) 시 영상 모달리티 선택에 큰 편차가 존재.
  • MR-first 워크플로우 비율: 병원별로 1.0% 에서 56.7% 까지 극심한 차이 보임.
  • 영향 요인: 증상 발현부터 도착까지의 시간이 길수록, 뇌졸중 중증도 (NIHSS) 가 낮을수록 MR-first 워크플로우 비율이 증가.
• 영상 워크플로우와 치료 효율성:
  • 치료 전 추가 영상 시퀀스 (CT perfusion, MR perfusion 등) 가 많을수록 Door-to-needle (IVT) 및 Door-to-puncture (EVT) 시간이 유의미하게 지연됨.
  • 예: IVT 의 경우, 사전 영상만 있는 군 (28.6 분) 대비 MR 관류 영상까지 촬영한 군 (79.3 분) 에서 치료 지연이 발생.
• 기능적 예후 (Proof-of-Concept):
  • EVT (혈관내 치료) 군: CT 기반 영상 프로토콜을 사용한 환자가 MR 기반 프로토콜 환자보다 기능적 예후 (mRS 0-1, 0-2) 가 수치적으로 더 우세한 경향을 보임 (성향 점수 중첩 가중치 분석).
  • IVT (정맥용 혈전용해제) 군: 두 군 간의 예후 차이는 작고 일관성이 부족함.
  • 주의: 이는 CT 가 MR 보다 우월하다는 인과적 결론이 아니라, MR 이 주로 진단 불확실성이 높거나 경미한 증상의 환자에게 선택되는 '지시 편향 (Confounding by indication)'과 시간 지연의 트레이드오프를 반영한 결과로 해석됨.

5. 의의 및 결론 (Significance)

• 임상 연구 패러다임의 전환: 기존의 단순한 범주형 데이터를 넘어, 실제 임상 현장의 복잡성 (다양한 영상 프로토콜, 시간적 제약, 기관별 차이) 을 포착할 수 있는 '실세계 증거 (Real-world Evidence)' 생성 가능.
• AI 와 임상 데이터의 융합: AI 기반 정량화 도구를 대규모 전향적 레지스트리에 통합함으로써, 재현 가능한 대규모 분석과 새로운 AI 모델의 검증 기반을 마련.
• 미래 지향적 인프라: 이 저장소는 단순한 데이터 아카이브를 넘어, 향후 AI 도구 배포가 임상 워크플로우에 미치는 영향 평가, 국제적 벤치마킹, 그리고 관찰 연구 기반의 임상 시험 모방 (Emulation) 등을 위한 동적 연구 생태계로 기능할 것으로 기대됨.
• 결론: CRCS-K Imaging Repository 는 임상 뇌졸중 레지스트리와 다차원적 영상 정보 간의 간극을 해소하며, 인공지능이 뇌혈관 질환 관리에 통합되는 과정에서 필수적인 인프라 역할을 수행함.