Developmental brain age gap in prematurity and postnatally emerging delay in congenital heart disease

이 연구는 딥러닝 기반 뇌연령 추정 모델을 통해 조산아는 출생 시부터 뇌 발달 지연을 보이지만 선천성 심장질환 환자는 수술 후 뇌성숙 지연이 두드러지게 나타남을 규명하여, 뇌연령 간격이 신경발달 지연의 민감한 지표임을 제시했습니다.

핵심

🧠 핵심 개념: "뇌의 생물학적 나이"와 "발달 시차"

상상해 보세요. 우리 모두는 태어날 때부터 정해진 생물학적 시계를 가지고 있습니다. 뇌는 마치 정해진 시간에 맞춰 꽃이 피거나 나무가 자라듯, 매우 정교한 일정대로 성장합니다.

하지만 어떤 아기들은 이 시계가 조금 느리거나 빨라질 수 있습니다. 연구진은 **MRI(뇌 촬영)**를 찍어 인공지능 (AI) 이 뇌의 모습을 보고 "이 뇌의 실제 나이는 몇 살일까?"라고 예측하게 만들었습니다.

• 예측 뇌 나이: AI 가 뇌를 보고 추측한 나이
• 실제 나이: 태어난 지 얼마나 지났는지 (만 나이)
• 발달 시차 (Brain Age Gap): 이 두 나이의 차이

비유: 만약 10 살 아이의 뇌가 마치 8 살 아이처럼 아직 덜 자란 모습을 보인다면, 그 아이는 -2 년의 발달 시차를 가진 것입니다. 이는 뇌가 실제 나이보다 뒤처져 있다는 신호입니다.

---

🔍 연구 결과: 두 가지 다른 이야기

연구진은 이 기술을 **조산아 (일찍 태어난 아기)**와 선천성 심장병 (CHD) 이 있는 아기에게 적용했습니다. 결과는 매우 흥미로웠습니다.

1. 조산아: "일찍 태어난 만큼, 뇌도 일찍 멈춘 것"

조산아들은 태어날 때부터 뇌 발달이 멈춰버린 상태입니다.

• 결과: 일찍 태어난 아기일수록 (예: 28 주 전에 태어난 경우), 출산 시점의 뇌 발달이 정상적인 아기들보다 약 0.7~0.8 주 정도 뒤처져 있었습니다.
• 비유: 조산아는 마치 공원에서 놀다가 갑자기 집으로 데려가진 아이와 같습니다. 놀이터 (자궁) 에서 더 오래 놀았어야 했는데, 너무 일찍 데려와서 놀이 (발달) 가 덜 된 상태입니다. 태어나서 정상적인 나이가 되었을 때 (만삭 아기 수준) 찍은 MRI 를 보니, 뇌가 아직 덜 자란 것이 드러난 것입니다.

2. 선천성 심장병 (CHD): "태중에는 정상, 태어난 뒤부터 문제가 시작됨"

이 부분이 이 연구의 가장 큰 발견입니다.

• 태아기 (임신 중): 심장병이 있는 태아들의 뇌는 정상적인 태아들과 거의 차이가 없었습니다. 뇌 발달 시계가 멈추거나 늦어지지 않았습니다.
• 출생 후 (수술 전후): 하지만 아기가 태어나고, 특히 심장 수술을 받은 후에 뇌 발달이 급격히 늦어졌습니다. 수술 전에는 약 1~2 주 뒤처져 있다가, 수술 후에는 3 주까지 뒤처지는 것으로 나타났습니다.
• 비유: 심장병 아기는 태어날 때까지는 잘 자라던 씨앗이었습니다. 하지만 땅 (자궁) 에서 꺼내어 화분에 심고 (출생), 물을 주고 (수술) 돌보는 과정에서 갑자기 성장이 멈추거나 느려진 것과 같습니다. 수술이라는 큰 스트레스가 뇌의 성장 속도를 늦춘 것으로 보입니다.

---

🛠️ 기술의 비밀: AI 가 어떻게 보았을까?

연구진은 MRI 영상을 AI 에게 학습시켰습니다.

• 학습 방법: 수천 장의 정상적인 아기 뇌 MRI 를 보여주며 "이건 몇 주 차 뇌야?"라고 가르쳤습니다.
• 발견: AI 는 뇌의 **흰색 물질 (신경 섬유)**과 **회색 물질 (뇌 세포)**의 모양, 주름, 그리고 뇌 속의 공간 (뇌실) 크기 등을 아주 정밀하게 분석하여 나이를 예측했습니다.
• 한계: 하지만 AI 는 병원마다 MRI 기기가 다르고 촬영 방법이 달라서, 다른 병원에서 찍은 사진을 보면 오차가 생길 수 있었습니다. 그래서 각 병원별로 AI 를 따로 훈련시키는 '맞춤형' 작업이 필요했습니다.

---

💡 이 연구가 우리에게 주는 메시지

1. 뇌는 '시계'처럼 자란다: 뇌 발달은 단순히 크기가 커지는 것이 아니라, 정해진 시간에 맞춰 자라는 '생물학적 타이밍'이 중요합니다.
2. 심장병 아기의 새로운 위험: 심장병 아기는 임신 중에는 뇌가 잘 자라지만, 태어난 후 (특히 수술 후) 에 뇌 발달이 늦어질 수 있다는 경고입니다. 이는 수술 후 뇌 보호를 위한 추가적인 관리가 필요함을 의미합니다.
3. 미래의 진단 도구: 앞으로는 MRI 를 찍고 AI 가 "이 아기의 뇌 발달이 2 주 뒤처져 있네요"라고 알려주면, 의사는 뇌 발달을 돕는 치료나 재활을 일찍 시작할 수 있게 됩니다.

📝 한 줄 요약

"조산아는 태어날 때부터 뇌 발달이 늦고, 심장병 아기는 태어날 때는 정상이지만 태어난 후 (수술 후) 에 뇌 발달이 늦어집니다. 이 AI 기술은 뇌가 '제시간'에 자라고 있는지 확인하는 정밀한 시계 역할을 합니다."

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 뇌 발달의 취약성: 태아기 후기와 신생아기는 뇌의 피질 접힘, 구조적 부피 증가, 백질 성숙 등이 급격히 일어나는 시기로, 선천성 심장 질환 (CHD) 이나 조산과 같은 질환은 이 시기에 뇌 발달에 미세한 지연을 초래할 수 있습니다.
• 기존 방법의 한계: 기존 MRI 는 국소적인 구조적 이상 (병변) 을 탐지하거나 기본 생체 측정 (biometry) 에 의존합니다. 그러나 눈에 띄는 병변이 없어도 인지 및 행동 장애가 발생하는 경우가 많으며, 이는 전역적인 발달 타이밍의 미세한 편차로 인해 발생할 수 있습니다.
• 연구 필요성: 기존 연구들은 태아와 신생아 데이터를 분리하여 분석하는 경우가 많았으며, 생애 초기의 연속적인 발달 궤적 (fetal-neonatal continuum) 을 통합적으로 평가하고, CHD 의 발달 지연이 태아기에 시작되는지 아니면 출생 후 (수술 등) 에 나타나는지를 규명할 수 있는 객관적인 정량 도구가 부족했습니다.

2. 방법론 (Methodology)

A. 데이터셋 및 전처리

• 데이터: 3 개 센터 (취리히, 상하이, Developing Human Connectome Project, dHCP) 에서 수집된 1,056 명의 T2 가중 (T2w) 뇌 MRI 스캔을 사용했습니다.
  • 태아: 440 명 (20.9~38.7 주 임신 연령, GA)
  • 신생아: 616 명 (37.0~44.9 주 교정 임신 연령, CGA)
  • 대상군: 정상 대조군, 조산아, CHD 환자 (태아 및 신생아).
• 전처리: 두개골 제거 (skull-stripping), 35 주 신생아 템플릿 (KCL atlas) 에 대한 선형 등록 (affine registration), 공통 바운딩 박스로 자르기 (cropping).

B. 딥러닝 모델 아키텍처

• 모델 구조: 3D DenseNet201 아키텍처를 MONAI 프레임워크에 구현하여 뇌 연대기를 예측하는 회귀 (regression) 모델을 구축했습니다.
• 학습 전략:
  1. 범용 모델 (Model A, D, G): dHCP 와 FeTA 의 정상 데이터를 합쳐 태아 - 신생아 연속체 (21~45 주) 를 학습.
  2. 센터별 모델 (Model B, C, E, F): 각 센터 (상하이 태아, 취리히 신생아) 의 데이터만 사용하여 학습하여 센터 간 편차 (bias) 를 최소화.
  3. 입력 표현 (Input Representation):
     • T2w 이미지: 원본 MRI 강도 정보 사용.
     • 분할 레이블 (Cortical Labels): 피질 분할 마스크를 입력으로 사용 (강도 편차 제거 목적).
     • 합성 이미지 (SynthSeg): 합성 MRI 이미지를 생성하여 학습 (Model G).

C. 평가 지표 및 분석

• 뇌 연대기 차이 (Brain Age Gap, BAG): 예측된 뇌 연대기 - 실제 연대기. 음수 (-) 는 발달 지연, 양수 (+) 는 발달 가속을 의미합니다.
• 분석 기법:
  • VBM (Voxel-Based Morphometry): BAG 와 지역적 부피 변화 (Log-Jacobian) 간의 상관관계를 분석하여 발달 지연과 관련된 뇌 영역 식별.
  • Saliency Maps: 뇌 연대기 예측에 가장 크게 기여하는 뇌 영역을 시각화 (Gradient-based approach).

3. 주요 결과 (Key Results)

A. 모델 성능 및 일반화

• 성능: T2w 기반 모델 (Model A) 과 분할 레이블 기반 모델 (Model D) 은 학습 데이터에서 높은 정확도 (MAE 약 0.5 주) 를 보였으나, 외부 센터 데이터에 적용 시 체계적인 편차 (systematic bias) 가 발생했습니다.
• 해결: 센터별 전용 모델을 학습시키면 편차를 줄일 수 있었으나, 여전히 일반화 (generalisability) 는 제한적이었습니다. 합성 이미지 모델 (Model G) 은 성능이 낮았습니다.

B. 조산아 (Prematurity) 분석

• 발견: 만삭 시 (term-equivalent age) 에 촬영된 조산아는 출생 시 임신 주수가 낮을수록 BAG 가 더 크게 음수 (-) 로 나타났습니다.
  • 28 주 미만 조산아: 정상 대조군 대비 약 -0.7 ~ -0.8 주의 발달 지연.
• 해부학적 연관성: BAG 와의 강한 상관관계는 전두엽 심부 백질, 내피/외피 (internal/external capsules), peri-Rolandic 영역의 부피 감소 (수축) 와 연관되었습니다. 이는 조산 시 백질 성숙 장애와 관련이 있음을 시사합니다.

C. 선천성 심장 질환 (CHD) 분석

• 태아기: CHD 태아는 정상 태아와 비교하여 BAG 차이가 유의미하지 않았습니다. 즉, 태아기에는 전역적인 발달 지연이 명확히 관찰되지 않았습니다.
• 신생아기 (출생 후):
  • 수술 전: CHD 신생아는 정상 대조군 대비 유의하게 음수인 BAG(-1.3 ~ -1.8 주) 를 보였습니다.
  • 수술 후: 심장 수술 후 BAG 는 더욱 악화되어 -3 주까지 감소했습니다. 이는 발달 지연이 출생 후, 특히 수술 및 수술 후 과정 (perioperative period) 에서 급격히 발생함을 의미합니다.
• 중증도: CHD 의 병변 심각도 (Clancy 분류) 와 BAG 사이에는 명확한 상관관계가 관찰되지 않았습니다.
• 해부학적 연관성:
  • 수술 전: 전두엽 및 peri-Rolandic 영역의 수축.
  • 수술 후: 양측 측두엽, 섬엽 (insular), 하전두엽 영역으로 영향이 확장되었습니다.

4. 주요 기여 (Key Contributions)

1. 연속적 발달 궤적 모델링: 태아기부터 신생아기까지의 연속적인 뇌 발달을 하나의 딥러닝 프레임워크로 통합하여 정량화했습니다.
2. CHD 발달 지연의 시기 규명: CHD 에서 뇌 발달 지연이 태아기에 존재하는 것이 아니라, 출생 후 (특히 수술 후) 에 나타나는 현상임을 처음으로 명확히 규명했습니다.
3. 다중 센터 검증 및 한계 제시: 다양한 센터와 스캐너에서 데이터를 학습 및 검증하여, 뇌 연대기 추정이 센터 간 편차에 민감함을 보여주었으며, 이를 보정하기 위한 센터별 학습의 중요성을 강조했습니다.
4. 해부학적 기전 규명: BAG 와의 연관성을 통해 조산과 CHD 가 각각 다른 뇌 영역 (백질 경로 등) 에 영향을 미치지만, 공통적으로 백질 성숙 지연과 관련됨을 시사했습니다.

5. 의의 및 결론 (Significance)

• 임상적 함의: CHD 환자의 경우 태아기에는 뇌 발달이 비교적 보존되어 있으나, 출생 후 (수술 등) 에 신경발달 지연이 발생할 수 있음을 시사합니다. 이는 신생아기 (특히 수술 전후) 를 뇌 보호 (neuroprotection) 및 표적 추적 관찰의 중요한 임상적 개입 창구 (window) 로 간주해야 함을 의미합니다.
• 진단 도구: 뇌 연대기 (Brain Age) 는 기존 MRI 가 놓칠 수 있는 미세한 발달 지연을 포착할 수 있는 민감한 생체 지표 (biomarker) 로서, 신경발달 예후 예측 및 위험 stratification 에 활용될 잠재력이 있습니다.
• 향후 과제: 모델의 일반화 성능 향상을 위해 더 크고 조화로운 (harmonized) 데이터셋이 필요하며, 장기적인 신경발달 결과 (cognitive outcomes) 와의 연관성을 검증하는 연구가 뒤따라야 합니다.

이 연구는 딥러닝을 활용하여 뇌 발달의 '시간적 타이밍'을 정량화함으로써, 선천성 질환을 가진 영유아의 신경발달 위험을 조기에 식별하고 관리하는 새로운 패러다임을 제시합니다.