A Dual-Phase Multimodal Transformer Integrating Pre- and Post-Thrombectomy Computed Tomography and Clinical Features to Predict 90-Day Functional Outcome After Mechanical Thrombectomy

기술 요약: 기계적 혈전 제거술 후 90일 기능적 예후 예측을 위한 이중 단계 다중 모달 트랜스포머

문제 제기
급성 허혈성 뇌졸중 환자에서 기계적 혈전 제거술(MT) 후 90일 기능적 예후를 예측하는 것은 여전히 중요한 임상적 과제로 남아 있다. MT는 재관류율을 개선하지만, 성공적인 재관류가 반드시 양호한 장기 회복을 보장하는 것은 아니다. 기존의 예후 접근 방식은 대개 기초 임상 점수나 정적 영상 특징(예: 뇌졸중 중증도, 초기 허혈성 변화)에 의존하며, 이는 시술 전 병변으로부터 시술 직후 조직 반응에 이르는 복잡하고 비선형적인 병태생리학적 진화를 포착하지 못한다. 또한, 전통적인 통계 모델과 수작업으로 측정된 영상 지표들은 주관성에 의한 한계와 동적인 질병 궤적을 모델링하는 능력의 부족이라는 제약을 갖는다. 본 연구는 특히 시술 직후 뇌 실질의 고밀도 변화(PCHD)를 보이는 환자들에 초점을 맞추어, 보다 견고한 예측 프레임워크를 개발하고자 한다.

방법론
본 연구는 2016년 8월부터 2024년 7월까지 중국 저장성 내 3개 뇌졸중 센터에서 치료받은 380명의 환자를 대상으로 하는 후향적 다기관 설계를 채택하였다. 환자들은 훈련군(n=213), 내부 검증군(n=92), 독립 외부 테스트군(n=75)으로 나누어졌다. 선정 기준은 MT 시행 후 1시간 이내에 촬영된 시술 후 비조영 증강 컴퓨터 단층촬영(NCCT)에서 즉각적인 PCHD가 관찰되는 경우로 제한하였다.

연구 방법론은 다음과 같은 구조화된 파이프라인을 따랐다:

1. 데이터 수집: 본 연구는 세 가지 데이터 양식(modality)을 통합하였다:
   • MT 전 CT: 시술 전 획득한 축상 NCCT 슬라이스.
   • MT 후 CT: 시술 후 1시간 이내에 획득한 축상 NCCT 슬라이스로서, PCHD의 범위가 최대인 슬라이스를 선택함.
   • 임상 특징: 인구통계학적 데이터, 병력, 시술 변수(예: mTICI 점수, 혈전 제거 횟수), 신경학적 점수(기초 및 퇴원 시 NIHSS).
2. 특징 추출 및 선택:
   • 딥러닝(DL) 특징: 수동 분할 없이 단일 슬라이스 전/후 MT CT로부터 고차원 특징을 추출하기 위해 ResNeXt50_32x4d 아키텍처를 백본으로 선택하였다. LASSO 회귀를 적용하여 차원을 축소하였으며, 전(pre)-MT CT에서 3개, 후(post)-MT CT에서 4개의 특징을 유지하였다.
   • 임상 특징: LASSO 로지스틱 회귀를 통해 연령, 기초 NIHSS, 성공적 재관류 상태, 악성 뇌부종, 퇴원 시 NIHSS 등 5가지 핵심 예측 변수를 선택하였다.
3. 모델 구축: 5가지 별도의 모델을 개발하고 비교하였다:
   • 단일 양식 모델: Pre-MT CT DL 모델, Post-MT CT DL 모델, 그리고 임상 모델.
   • 머신러닝 융합(ML Fusion): 선택된 모든 특징을 결동하여 LightGBM 분류기를 사용하는 모델(KNN, Random Forest, XGBoost 등 중 최적의 성능을 보인 모델).
   • 다중 모달 트랜스포머(Multimodal Transformer): 각 양식을 공통 잠재 공간(latent space)에 임베딩하고, 셀프 어텐션(self-attention) 메커니즘을 활용하여 최종 예측 확률을 생성하기 전 양식 간의 상호작용과 시간적 의존성을 학습하는 새로운 아키텍처.
4. 평가: 성능은 AUC, 정확도, 민감도, 특이도, 교정(calibration), 결정 곡선 분석(DCA)을 통해 평가되었다. 해석 가능성은 SHAP(Shapley Additive Explanations) 분석을 통해 확보하였다. 또한, AI의 도움 유무에 따른 주니어 및 시니어 신경방사선 전문의의 진단 성능을 비교하는 인간-기계 비교 연구를 수행하였다.

주요 기여

• 이중 단계 통합: 본 연구는 시술 전 허혈 부하와 시술 직후 조직 진화(PCHD)를 명시적으로 연결하는 프레임워크를 도입하여, 정적이고 단일 단계적인 영상 모델의 한계를 해결하였다.
• 트랜스포머 아키텍처: 단순한 결합(concatenation)이 아닌, 셀프 어텐션을 활용하여 이질적인 입력값(CT 영상 및 임상 변수)을 동적으로 융합하도록 설계된 뇌졸중 예후 특화 다중 모달 트랜스포머를 제안하였다.
• 외부 검증: 서로 다른 병원의 독립적인 외부 코호트를 통해 모델을 엄격히 검증함으로써, 훈련 사이트를 넘어선 일반화 가능성을 확보하였다.
• 인간-기계 시너지: AI의 지원을 받을 때 다양한 경력 수준의 의사들의 진단 성능이 향ered됨을 입증함으로써, 임상 현장에서의 모델 유용성에 대한 경험적 근거를 제공하였다.

결과
독립 외부 테스트 코호트에서 다중 모달 트랜스서 모델은 다른 모든 모델보다 우수한 성능을 보였다:

• 다중 모달 트랜스포머: AUC 0.913, 정확도 0.787, 민감도 0.755, 특이도 0.846을 달성하였다.
• 비교: 이 모델은 ML 융합 모델(AUC 0.876), 임상 모델(AUC 0.858), Post-MT CT DL 모델(AUC 0.589), Pre-MT CT DL 모델(AUC 0.534)보다 뛰어난 성능을 보였다.
• 특징 중요도: SHAP 분석 결과, Post-MT CT 딥 특징(예: 특징 28 및 239)이 가장 중요한 예측 인자로 나타났으며, 그 뒤를 기초 NIHSS, 연령, 퇴원 시 NIHSS와 같은 임상 변수가 이었다. 이는 재관류 직후의 영상 변화가 결정적인 예후 정보를 제공함을 시사한다.
• 인간-기계 비교: AI 지원은 의사의 성능을 유의미하게 향상시켰다. 주니어 의사의 AUC는 0.670에서 0.776으로 증가하였고, 시니어 의사의 AUC는 0.708에서 0.804로 증가하였다. 특히, 모델은 민감도를 저해하지 않으면서 특이도와 정확도를 개선하였다.

의의 및 주장
저자들은 다중 모달 트랜스포머 모델이 즉각적인 PCHD를 보이는 환자들에게 있어 개별화된 퇴원 전 예후 평가를 위한 강력한 도구를 제공한다고 주장한다. 이중 단계 영상과 임상 데이터를 통합함으로써, 모델은 단일 양식이나 전통적인 통계적 접근 방식보다 재관류 후의 동적인 특성을 더 효과적으로 포착한다.

본 연구는 이 접근 방식이 다음과 같은 임상 의사결정을 지원할 수 있다고 상정한다:

• 불량한 90일 예후(mRS 3–6)에 대한 보다 정확한 위험 계층화.
• 집중적인 신경학적 감시 및 맞춤형 재활 계획을 포함한 표적 관리 전략.
• 재현 가능하고 정량적인 위험 추정치를 제공함으로써, 특히 경험이 적은 임상의의 의사결정 능력 강화.

저자들은 연구의 후향적 성격, PCHD 환자로 국한된 대상, 샘플 크기의 제약 등을 인정하며 신중한 어조를 유지하였다. 또한, 본 모델이 (퇴원 시 NIHSS가 포함되어 있으므로) 즉각적인 시술 직후 도구는 아니지만, 퇴원 전 계획 수립 및 퇴원 후 관리 측면에서 상당한 가치가 있음을 강조하였다. 결론적으로, 트랜스포러 기반의 다중 모달 데이터 융합은 급성 허혈성 뇌졸중 케어의 예후 정확도를 높이는 데 있어 유망한 방향임을 시사한다.