Evaluating Deep-Learning Based Quantification of Breast Arterial Calcification on Mammography for Cardiovascular Risk Assessment

기술 요약: 심혈관 위험 평가를 위한 유방 촬영술 기반 딥러닝 기반 유방 동맥 석회화 정량화 평가

문제 제기
심혈관 질로(CVD)는 여성 사망의 주요 원인으로 남아 있으나, 전통적인 위험 예측 도구들은 특히 젊은 층과 중년층 여성들을 저위험군으로 오분류하는 경우가 많다. 이러한 과소평가는 진단 지연과 치료 미비로 이어진다. 동맥 석회화는 주요 심혈관 사건(MACE)의 확립된 위험 인자이지만, 일반적으로 임상적 의심이 발생한 후에야 주문되는 전문적인 검사를 필요로 한다. 미국 내 약 4,000만 명의 여성이 매년 실시하는 정기 선별 검사용 유방 촬영술(mammography)은 다른 임상적 목적으로 수행된 검사로부터 생체 지표를 체계적으로 정량화하는 "기회적 영상 진단(opportunistic imaging)"을 위한 방대하고 미개척된 자원을 제공한다. 그러나 유방 동맥 석회화(BAC)는 일반적인 유방 촬영술에서 정량화되거나 체계적으로 보고되는 경우가 드물다. 과제는 BAC를 탐지하고 정량화하여 미래의 심혈관 위험을 예측하는 데 대한 유용성을 평가하기 위해 확장 가능한 자동화된 방법을 개발하는 것이다.

방법론
NYU Langone Health에서 수행된 본 후향적 연구는 2010년부터 2022년 사이에 전층 디지털 유방 촬영술(FFDM)을 받은 202,006명의 여성(평균 연령 54.8 ± 11.7세) 코호트를 대상으로 하였으며, MACE 과거력이 있는 경우는 제외하였다.

• 데이터셋 구축: 모델 개발을 위해 전문가가 주석을 달은 2,676개의 FFDM 이미지 데이터셋을 구축하였다. 이미지는 방사선 보고서를 기반으로 BAC 양성 및 음성 사례의 균형을 맞추는 농축 전략을 통해 선택되었으며, 최종 라벨은 방사선과 레지던트의 수동 검토와 자유형 주석(freehand annotation)을 거쳐 전문의의 검증을 받았다. 데이터셋은 훈련(1,907개), 검증(360개), 테스트(409개) 세트로 분할되었다.
• 딥러닝 아키텍처: ResNet-18 인코더를 사용하는 U-Net 구조의 멀티태스크 합성곱 신경망(CNN)을 개발하였다. 모델은 다음 두 가지를 공동 출력하도록 훈련되었다:
  1. 픽셀 수준의 BAC 분할 맵(segmentation map).
  2. BAC 존재 여부에 대한 이미지 수준의 확률.
     훈련 목적 함수는 분할을 위한 Focal-Tversky 손실과 이진 교차 엔트로피를 결합하였으며, 분할에 가중치($\lambda = 0.1$)를 두는 가중 손실 함수를 사용하였다.
• 정량화 파이프라인: 분할 후, 0.5 확률 임계값을 사용하여 이진 마스크를 생성하였다. BAC 부담(burden)은 포그라운드 픽셀 수를 DICOM 인코딩된 픽셀 간격 값에 곱하여 물리적 면적(mm²)으로 정량화하였다. 검사 단위의 부담은 환자의 모든 4개 뷰(두측-둔부 뷰 및 내외사방 뷰)에 대한 면적의 평균값으로 계산되었다.
• 위험 모델링: 본 연구는 AI로 도출된 BAC 부담의 MACE 발생에 대한 예측 가치를 5년 및 10년 관점에서 평가하였다. 네 가지 Cox 비례 위험 모델을 개발하였다: (i) BAC 부담 단독, (ii) ACC/AHA PREVENT 점수 단독, (iii) 결합된 BAC + PREVENT 모델, (iv) 표준 임상 위험 요인 + BAC 결합 모델. 성능은 내부 테스트 세트와 지리적으로 격리된 테스트 코호트(브루클린)에서 평가되어 일반화 가능성을 검토하였다.

주요 기여

1. 자동 정량화: 본 연구는 일반적인 선별 검사용 유방 촬영술로부터 높은 정확도로 mm² 단위의 BAC 부담을 탐지하고 정량화할 수 있는 딥러닝 파이프라인을 제시한다.
2. 대규모 검증: 모델은 20만 명 이상의 여성으로 구성된 대규모 코호트에서 검증되었으며, 특히 지리적으로 격리된 테스트 세트(브루클린)를 통해 다양한 인구 집단에 대한 견고함을 입증하였다.
3. 위험 계층화: 본 연구는 AI 기반 BAC 부담과 MACE 발생 사이의 단계적 관계를 확립하여, 단순한 존재/부재의 이진 분류를 넘어 연속적인 부담 계층화를 구현하였다.
4. 비교 분석: 본 논문은 AI 기반 BAC의 예측력을 기존의 PREVENT 점수 및 표준 임상 위험 요인과 엄격하게 비교하여, BAC의 점진적 가치에 대한 현실적인 평가를 제공한다.

결과

• 모델 성능: 지리적으로 격리된 테스트 세트에서 BAC 탐지 모델은 0.97의 AUROC를 달려냈다. 분할의 경우 Dice 점수는 0.6678이었다. AI 도출 BAC 부담과 수동 주석 간의 상관관계는 강했으나(Pearson $r = 0.961$), 모델은 약간의 체계적 과대평가(평균 편향 +10.3 mm²)를 보였다.
• 유병률 및 분포: AI가 탐지한 BAC는 코호트의 23.1%에서 나타났다. BAC 부담은 연령에 따라 증가하였으며, 오른쪽으로 치우친 분포를 보였고, BAC 양성 환자들 사이에서 중앙값 부담은 19.51 mm²였다.
• MACE와의 연관성: BAC 부담은 미래의 MACE와 유의미한 연관성을 보였다. 5년 MACE 발생률은 BAC가 없는 여성의 1.5%에서 높은 BAC 부담을 가진 여성의 6.9%로 증가하였다. 마찬가지로, 10년 발생률은 이 그룹들 사이에서 2.6%에서 10.4%로 증가하였다.
• 예측 성능:
  • BAC 단독: 완만한 변별력을 보였다(5년 및 10년 AUROC 각각 0.661 및 0.650).
  • PREVENT 점수 단독: 훨씬 더 나은 성능을 보였다(5년 및 10년 AUROC 각각 0.781 및 0.771).
  • 결합 모델: PREVENT 점수에 BAC 부담을 추가했을 때 변별력 개선은 미미하였다(예: 5년 AUROC가 0.0001만큼만 증가).

의의 및 주장
저자들은 일상적인 유방 촬영술로부터의 딥러닝 기반 BAC 정량화가 실행 가능하고 정확하며, 향후 심혈관 위험과 관련이 있다고 결론짓는다. 그러나 이들은 단독 예측 도구로서의 임상적 유용성에 대해서는 신중한 입장을 유지한다. 논문은 BAC 부담이 PREVENT 점수에 추가될 때 변별력을 크게 개선하지는 못하지만, 가치 있는 확장 가능한 기회적 영상 생체 지표 역할을 한다고 주장한다.

그 의의는 유방 촬영술의 기존 인프라를 활용함으로써, 전통적인 도구들에 의해 저위험군으로 분류될 수 있는 여성들에게 심혈관 위험을 "가시화하고 실행 가능하게" 만들 수 있다는 점에 있다. 이 접근 방식은 추가적인 비용, 방사선 노출, 또는 환자의 부담 없이도 고위험군 여성을 식별하여, 조기 위험 평가, 지질 평가 및 예방적 관리를 촉진할 수 있다. 저자들은 BAC를 임상 위험 모델의 대체물이 아니라, 임상적 의사 결정 지원과 예방적 개입을 유도할 수 있는 보완적이고 표준화된 영상 마커로 위치시킨다.