Unsupervised phenotype clustering of non-ischemic dilated cardiomyopathy with AI-assisted T1 mapping cardiac MR

기술 요약: AI 보조 T1 매핑 심장 MRI를 이용한 비허혈성 확장성 심근병증의 비지도 표현형 클러스터링

문제 제기
비허혈성 확장성 심근병증(NIDCM)은 유의미한 관상동맥 질환이 없는 상태에서 좌심실(LV) 확장과 수축 기능 장애를 특징으로 하는 이질적인 질환군이다. 현재 가이드라인은 위험 층화를 위해 좌심실 박출률(LVEF)에 크게 의존하고 있으나, LVEF만으로는 NIDCM 인구 내의 다양한 병인적 및 병태생리학적 변이를 포착하기에 불충분하다. 결과적으로, 예후 층화는 정밀하지 못하며 개별화된 관리에 어려움이 있다. 심장 자기공명영상(CMR) 조직 특성 파라미터(native T1, 세포외 용적 분율[ECV], 지연 가돌리늄 증강[LGE] 등)가 점진적인 예후적 가치를 제공함에도 불구하고, 이를 NIDCM을 위한 통합된 데이터 기반 표현형 프레임워크로 통합하는 연구는 제한적이었다. 또한, 이러한 파라미터의 수동 정량화는 노동 집약적이며 관찰자 간 변이가 발생하기 쉬워 광범위한 임상 적용을 저해한다.

방법론
저자들은 2018년 1월부터 2023년 12월 사이에 기초 CMR 및 심초음파 검사를 받은 한국의 두 상급 종합병원(서울대학교 분당병원 및 한양대학교 구리병원) 소속 NIDCM 환자 347명을 대상으로 하는 후향적 코호트 연구를 수행하였다.

• 데이터 획득 및 AI 통합: 재현성을 보장하기 위해 모든 환자는 동일한 제조사의 3.0-T 스캐너로 CMR 검사를 받았다. CMR 파라미터(native T1, ECV, LGE 범위 포함)를 정량화하기 위해 반자동 딥러닝 기반 시스템(Myomics-T1 소프트웨어)이 사용되었다. 이 접근 방식은 벤더 관련 변동성을 최소화하고 노동 집약적인 수동 컨투어링(contouring)의 필요성을 줄였다.
• 연구 설계: 코호트는 이벤트 분포를 균형 있게 맞추기 위해 주요 결과(primary outcome)를 기준으로 층화 추출법을 사용하여 파생 세트(derivation set, n=242)와 검증 세트(validation set, n=105)로 무작위 분할되었다.
• 비지도 클러스터링: 본 연구는 비지도 학습 알고리즘인 파티셔닝 어라운드 메도이드(Partitioning Around Medoids, PAM) 클러스터링을 활용하였다. 클러스터링 모델에는 체질량 지수(BMI), 수축기 혈압, 추정 사구체 여과율(eGFR), 심방세동(AF) 상태, 로그 변환된 NT-proBNP, LV 전역 종축 변형률(LVGLS), 지표화된 LVEDVi, CMR 유래 LVEF, 지표화된 우심실 종말 이완기 용적(RVEDVi), native T1, LGE 범위(5-SD 임계값)를 포함한 11가지 다차원 변수가 포함되었다. 특히, 연령과 성별이 표현형 분리를 지배하는 것을 방지하기 위해 클러스터링 알고리즘에서 제외되었으며, 대신 이후의 생존 분석에서 공변량으로 사용되었다.
• 결과 측정: 일차 결과는 심혈관 사망 및 심부전으로 인한 입원(HHF)의 복합 사건이었다. 이차 결과는 중앙값 12개월의 추적 관찰 기간 동안 초음파 파라미터(LVEF, 용적, 좌심방 용적 지표[LAVI], E/e')의 종단적 변화였다.
• 통계 분석: 최적의 클러스터 수는 엘보우 방법(elbow method), 실루엣 점수(silhouette score), 갭 통계량(gap statistic)을 사용하여 결정되었다. 변수 중요도는 랜덤 포레스트 분류기를 통해 평가되었다. 생존 차이는 연령과 성별을 조정한 Kaplan-Meier 곡선 및 다변량 Cox 비례 위험 모델을 사용하여 분석되었다.

주요 결과
비지도 클러스터링 분석을 통해 파생 코호트에서 식별된 세 가지 뚜렷한 표현형 클러스터가 독립 코호트에서도 검증되었다.

1. 클러스터 1 (보존된 표현형): 상대적으로 보존된 심장 기능, 낮은 NT-proBNP 수치, 최소한의 심근 섬유화(낮은 native T1 및 LGE)를 보이는 젊은 층 및 남성 우세 인구로 특징지어진다. 이 그룹은 가장 양호한 예후를 보였다.
2. 클러스터 2 (대사/섬유화 표현형): 당뇨병 및 심신 공동 질환(cardiorenal comorbidities) 부담이 높은 고령 표현형이다. 이 그룹은 진행된 LV 리모델링, 미만성 심근 섬유화(높은 native T1) 및 흔한 LGE를 나타냈다.
3. 클러스터 3 (AF 우세 양심실 기능 장애 표현형): 심방세동 부담이 매우 높고(발생율 98%), 양심실 기능 장애(심각한 RV 및 LV 손상) 및 진행된 미만성 섬유화를 보이는 고령 표현형이다. 클러스터 2에 비해 치환성 섬유화(LGE) 빈도는 낮았음에도 불구하고, 이 그룹은 가장 나쁜 예후를 보였다.

종단적 궤적 및 결과:

• 역 리모델링(Reverse Remodeling): 세 클러스터 모두 추적 관찰 기간 동안 LV 역 리모델링(LVEF 개선 및 LV 용적 감소)을 보여, 가이드라인에 따른 약물 치료(GDMT)가 모든 표현형에서 효과적임을 시사했다.
• 좌심방(LA) 기능 장애: LA 리모델링에서 중요한 차이가 관찰되었다. LV 역 리모델링은 모든 클러스터에서 유사하게 나타났으나, 클러스터 3은 LV 회복에도 불구하고 LAVI와 E/e'의 감소가 둔화되어 지속적인 LA 기능 장애를 보였다.
• 예후: 클s터 3은 가장 높은 복합 결과 위험을 나타냈으며(조정된 위험비[HR] 파생 코호트 3.03, 검증 코호트 5.08), 클러스터 2가 그 뒤를 이었다(조정된 HR 2.33). 클러스터 1은 가장 낮은 위험을 가진 참조군 역할을 했다.

의의 및 주장
본 논문은 다중 파라미터 CMR 데이터(특히 native T1 및 LGE)를 다중 모달 임상 및 초음파 데이터와 결과를 통합하여 비지도 머신러닝을 통해 NIDCM의 뚜렷한 표현형 클러스터를 식별한 첫 번째 연구라고 주장한다.

저자들은 다음과 같은 몇 가지 핵심적인 기여를 강조한다:

1. 정교한 표현형 분류: 본 연구는 NIDCM이 단일한 질환이 아니라 고유한 리모델링 궤적과 예후를 가진 뚜렷한 하위 그룹들로 구성되어 있음을 입증한다. 특히, LV 회복에도 불구하고 지속적인 LA 기능 장애 및 AF와 연관되어 나쁜 예후를 보이는 클러스터 3의 식별은 LA 리모델링이 잔류 위험의 결정적인 요인임을 시사한다.
2. AI 보조 CMR의 유용성: 본 연구는 대규모 표현형 분류를 위해 AI 보조 반자동 CMR 정량화의 타당성을 검증한다. 이 접근 방식은 수동 분석의 한계(시간, 변동성)를 해결하며, 조직 특성 분석을 표준화된 임상 위험 모델에 통합하는 것을 용이하게 한다.
3. 임상적 시사점: 비지도 머신러닝 기반 클러스터링이 보다 개별화된 관리 전략을 가능하게 할 수 있음을 시사한다. 특정 표현형 위험(예: LA 역 리모델링이 둔화된 환자)을 가진 환자를 식별함으로써, 임상의는 표준 LVEF 기반 가이드라인을 넘어 더 적절한 모니터링 및 치료적 개입을 맞춤화할 수 있다.

저자들은 후향적 설계, 단일 국가(한국) 환경, 상대적으로 작은 검증 코호트 크기와 같은 한계를 인정하며 신중한 어조를 유지하였다. 저자들은 이 프레임워크가 개인 맞춤형 위험 층화를 정교화하는 데 유망함을 보여주지만, 더 크고 다양한 인구 집단에서의 추가적인 외부 검증이 필요하다고 결론지었다.