Three-Dimensional Anatomical Classification and Machine Learning Prediction of the P6a–Right Hepatic Vein Relationship: Surgical Implications for Laparoscopic Right Anterior Sectionectomy

인간의 간을 부드럽고 스펀지 같은 조직으로 이루어진 북적이는 3차원 도시라고 상상해 보십시오. 이곳에서 수술을 하기 위해 의사들은 완벽한 지도가 필요합니다. 그들은 어디를 절개하고 어디를 멈춰야 할지 알기 위해 "고속도로"(혈관)에 의존합니다. 가장 중요한 고속도로 중 하나는 우측 간정맥(Right Hepatic Vein)으로, 간의 오른쪽에서 혈액을 배출하는 주요 강줄기입니다. 보통 이 강은 예측 가능한 경로로 흐르며, 외과의에게 "여기서 자르면 안전하다"라고 알려주는 믿음직한 이정표 역할을 합니다. 하지만 실제 도시와 마찬가지로, 때때로 도로는 다르게 건설되기도 합니다. P6a 정맥이라고 불리는 작은 이면도로가 예상치 못한 방식으로 주요 강 위를 가로지르거나 아래로 지나가는 우회로를 택할 수 있습니다. 만약 외과의가 수술을 시작하기 전에 이러한 우회로의 존재를 모른다면, 실수로 잘못된 도로를 잘라 교통 체증(출혈)을 일으키거나 도시의 일부를 전력 부족 상태(조직 손상)로 만들 수도 있습니다. 이는 특히 카메라를 이용해 작은 구멍을 통해 수술하는 복강경 수술을 할 때 까다로운데, 왜냐하면 외과의가 손으로 조직을 느낄 수 없고 화면을 통해서만 볼 수 있기 때문입니다.

이 지점에서 공군 의료 센터와 다른 기관의 연구진이 개입했습니다. 그들은 단순하지만 매우 중요한 질문을 던졌습니다. 환자의 3D 스캔을 보고 환자의 그 작은 이면도로(P6a)가 정확히 어떻게 움직일지 예측할 수 있을까? 이 질문에 답하기 위해 그들은 단순히 사진을 보는 것에 그치지 않고, 컴퓨터에게 탐정이 되도록 가르쳤습니다. 그들은 "머신러닝"이라는 인공지능의 한 분야를 사용했는데, 이는 사례를 공부하여 패턴을 익히는 매우 똑똑한 학생과 같습니다. 연구진은 100명의 환자로부터 얻은 데이터를 컴퓨터에 입력하여, 컴퓨터가 "정상적인" 배치와 "까다로운" 배치의 차이를 식별하도록 가르쳤습니다. 그들은 컴퓨터가 놀라운 정확도로 까다로운 배치를 예측하는 법을 배울 수 있다는 것을 발견했습니다. 결정의 이유를 보여주는 돋보기 역할을 하는 SHAP이라는 특수 도구를 사용하여, 그들은 특정 혈관 사이의 각도와 간의 "열구"(간 구획 사이의 골짜기) 모양이 가장 큰 단서라는 것을 알아냈습니다. 이 연구는 디지털 수정구슬을 사용함으로써 외과의가 움직임을 더 잘 계획하고, 위험한 우회로를 피하며, 복잡한 간 수술을 더 안전하게 만들 수 있음을 시사합니다.

탐정 작업: 간의 비밀 도로 지도 그리기

연구진은 먼저 상세한 3D CT 스캔을 받은 100명의 환자 팀을 모았습니다. 그들은 P6a 정맥(이면도로)이 우측 간정맥(주요 강)과 어떤 관계를 맺고 있는지에 따라 환자들을 두 그룹으로 분류하고자 했습니다.

• "배측(Dorsal)" 그룹: 환자의 59%에서는 P6a 정맥이 주요 강 뒤쪽으로 지나갔습니다. 이는 더 흔하고 예측 가능한 경로입니다.
• "복측(Ventral)" 그룹: 환자의 41%에서는 P6a 정맥이 주요 강 앞쪽으로 지나갔습니다. 이는 수술을 더 어렵게 만드는 "까다로운" 경로입니다.

연구팀은 수술이 시작되기도 전에 환자가 어느 그룹에 속하는지 알려줄 단서를 찾기 위해 3D 모델의 다양한 각도와 거리를 측정했습니다. 그들은 다음과 같은 흥미로운 차이점을 발견했습니다:

• 갈림길의 각도: "까다로운" 그룹에서는 문맥 정맥의 앞쪽 가지와 뒤쪽 가지 사이의 각도가 훨씬 더 날카로웠으며(평균 82.27°), 이는 "정상" 그룹(98.02°)과 비교되었습니다.
• 아슬아슬한 거리: "까다로운" 그룹에서는 P6a 정맥이 다른 주요 가지와 매우 가깝게(5mm 미만) 시작되는 경우가 37%에 달했던 반면, "정상" 그룹에서는 이 현상이 10%에 불과했습니다.
• 강의 굽이: 간 정맥과 신체의 가장 큰 정맥(하대정맥) 사이의 각도는 "까다로운" 그룹(52.23°)이 "정상" 그룹(43.97°)보다 더 넓었습니다.

컴퓨터 학생: 다섯 가지 모델, 하나의 승자

이러한 측정값을 예측 도구로 바꾸기 위해 연구진은 다섯 가지 유형의 머신러닝 모델을 훈련시켰습니다. 이것들을 퍼즐을 풀려는 다섯 명의 서로 다른 학생이라고 생각해보십시오:

1. 로지스틱 회귀 (LR): 단순하고 논리적인 사고가.
2. 랜덤 포레스트 (RF): 의사결정 나무들의 위원회.
3. K-최근접 이웃 (K-NN): 이웃이 누구인지 살피는 학생.
4. 서포트 벡터 머신 (SVM): 그룹을 나누는 선을 긋는 학생.
5. XGBoost: 강력하고 반복적인 학습자.

그들은 데이터를 나누어, 70%는 학생들의 연습용(훈련)으로 주고, 나머지 30%는 최종 시험(테스트)용으로 남겨두었습니다. "위원회"(랜덤 포레스트)와 "강력한 학습자"(XGBoost)는 연습 문제를 암기하는 데는 매우 뛰어났지만, 최종 시험에서는 다소 비틀거렸습니다. 그러나 로지스틱 회귀 모델은 가장 일관성이 있었습니다. 이 모델은 과적합(overfitting)이 최소화되었으며 테스트 세트에서 가장 좋은 성능(F1-score 0.741)을 보여주었는데, 이는 모델이 단순히 데이터를 암기한 것이 아니라 새로운 사례에도 잘 일반화되었음을 의미합니다.

"무엇" 뒤에 숨겨진 "왜"

연구진은 단순히 답을 주는 블랙박스를 원하는 것이 아니라, 컴퓨터가 왜 그런 선택을 했는지 알고 싶었습니다. SHAP(SHapley Additive exPlanations)이라는 방법을 사용하여, 그들은 어떤 단서가 가장 중요한지 확인할 수 있었습니다. 결과적으로 컴퓨터는 다음 사항들에 가장 집중했습니다:

1. 문맥 정맥의 앞쪽 및 뒤쪽 가지 사이의 각도.
2. 우측 간 열구(간 구획 사이의 골짜기)의 각도.
3. P6a 시작점으로부터 후방 가지까지의 거리.
4. P6a 정맥의 직경(너비).

분석 결과, 문맥 가지 사이의 더 날카로운 각도와 간 정맥과 주요 체정맥 사이의 더 넓은 각도가 환자가 "까다로운" 복측 그룹에 속한다는 강력한 지표임이 밝혀졌습니다.

이것이 수술에 의미하는 바

이 연구는 이 머신러닝 모델이 환자가 "까다로운" 복측-P6a 구조를 가지고 있는지 효과적으로 예측할 수 있다는 결론을 내립니다. 이것이 왜 중요할까요? 복강경 우측 전구역 절제술(간의 앞부분을 제거하는 수술)에서는 구조를 아는 것이 전부이기 때문입니다.

• "정상(배측)" 환자의 경우: 수술이 비교적 간단합니다. 주요 강(RHV)을 쉽게 볼 수 있고, 간 구획 사이의 골짜기가 평평하여 절개를 위한 안전한 가이드 역할을 합니다.
• "까다로운(복측)" 환자의 경우: 주요 강을 보기 어렵고, 골짜기가 가파르며, "이면도로(P6a)"가 다른 구조물과 위험할 정도로 가깝습니다. 만약 외과의가 이를 미리 알지 못한다면, 실수로 잘못된 혈관을 자르거나 남은 간 조직을 손상시킬 수 있습니다.

이 예측 모델을 사용함으로써, 외과의들은 첫 번째 절개를 하기 전부터 고위험 환자를 식별할 수 있습니다. 이를 통해 수술 전략을 계획할 수 있으며, 예를 들어 수술 중 초음파 유도를 사용하거나 "글리슨초(Glissonian sheath, 혈관을 보호하는 막)"에 접근하는 방식을 조정할 수 있습니다. 이 연구는 100명의 특정 집단을 대상으로 하고 있어 보편적으로 채택되기 위해서는 더 큰 규모의 그룹에서 추가적인 테스트가 필요하지만, 복잡하고 위험한 수술을 더 안전하고 예측 가능한 절차로 바꿀 수 있는 유망한 새로운 도구를 제공합니다.