A hybrid radiomics–3D CNN model using non-contrast CT for esophagogastric variceal bleeding risk prediction in cirrhosis
본 연구는 간경변증 환자의 식도위정맥류 출혈 위험을 효과적으로 예측하는 비조영 증강 CT 기반의 하이브리드 라디오믹스-3D CNN 모델을 개발 및 검증하였으며, 이는 예방적 치료 결정을 안내하는 유망한 비침습적 도구를 제공한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
간경변증은 간이 딱딱하게 굳고 흉터가 생기는 상태로, 이로 인해 혈액이 신체 내의 새롭고 위험한 경로를 찾아가게 됩니다. 이러한 압력으로 인한 가장 심각한 결과 중 하나는 식도와 위 부위의 정맥이 부풀어 오르는 것인데, 이를 정맥류라고 합니다. 이렇게 부풀어 오른 정맥은 매우 약해서 예고 없이 터질 수 있으며, 이는 환자 중 상당수를 사망에 이르게 하는 치명적인 출혈을 일으킵니다. 현재 이 위험을 확인하는 표준적인 방법은 내시경으로, 카메라를 목 아래로 삽입하는 시술입니다. 이 방법은 효과적이긴 하지만, 침습적이고 환자에게 불편함을 주며, 특히 다른 건강 문제를 가진 환자들에게는 빈번하게 반복하기 어렵습니다. 의사들은 환자를 반복적인 침습적 검사에 노출시키거나 표준 스캔에 사용되는 조영제의 위험에 빠뜨리지 않으면서도, 위험을 조기에 자주 포착할 수 있는 방법을 필요로 합니다.
한단 중앙 병원(Handan Central Hospital)의 연구팀은 이미 흔히 쓰이고 안전한 방식인 복부 비조영 컴퓨터 단층촬영(non-contrast CT) 스캔을 활용하여 색다른 길을 탐색했습니다. 이 기술은 혈관을 빛나게 만들기 위해 요오드 기반의 조영제를 사용하는 일반적인 스캔과는 달리, 조직의 자연적인 밀도에 의존합니다. 이러한 일반 스캔으로는 부풀어 오른 정맥을 직접 보여줄 수는 없지만, 연구진은 간, 비장 및 주변 혈관의 미세한 변화가 출혈을 예측하는 데 필요한 단서를 담고 있을 것이라고 추측했습니다. 이러한 숨겨진 패턴을 밝혀내기 위해, 그들은 특정 질감과 모양을 측정하는 방식과 인공지능을 사용하여 스스로 복잡한 패턴을 학습하는 방식이라는 두 가지 강력한 이미지 분석법을 결합했습니다.
연구는 비조영 CT 스캔을 받은 간경변증 환자 137명을 대상으로 했습니다. 연구진은 향후 1년 동안 발생한 상황에 따라 그룹을 두 가지로 나누었습니다. 47명의 환자는 정맥류 출혈을 경험했고, 90명은 경험하지 않았습니다. 연구팀은 간, 비장, 식도, 위, 그리고 세 개의 주요 정맥을 포함한 스캔 내의 7가지 특정 영역을 컴퓨터가 관찰하도록 가르쳤습니다. 그들은 라디오믹스(radiomics)라는 방법을 사용하여 이미지를 비장의 질감이 얼마나 거친지 또는 간 표면의 정확한 모양과 같은 수천 개의 미세하고 측정 가능한 세부 사항으로 분해했습니다. 동시에, 그들은 3차원 인공지능 모델(딥러닝 네트워크의 일종)을 사용하여 동일한 이미지를 스캔하고 인간이 놓칠 수 있는 자체적인 특징들을 학습하게 했습니다.
그 후 연구진은 라디오믹스 접근법에서 얻은 상세한 측정값과 인공지능이 학습한 복잡한 패턴을 결합한 '융합 모델(fusion model)'을 구축했습니다. 그들은 대부분의 환자를 대상으로 학습시키고 나머지 환자들을 통해 정확도를 확인하는 과정을 다섯 번 반복하여 결과의 신뢰성을 확보하며 이 결합 시스템을 테스트했습니다. 그 결과, 이 시스템은 출혈이 발생할 환자와 그렇지 않을 환자를 높은 성능으로 구별해 낼 수 있었습니다. 모델은 0.88의 AUC를 달ols성했습니다. 더 중요한 점은, 이 모델이 위험 요인을 배제하는 데 매우 뛰어났다는 것입니다. 모델은 저위험군 환자를 식별하는 데 있어 0.94의 AUC를 기록했습니다. 안전한 환자를 식별하는 데 있어 이처럼 높은 수준의 확실성을 갖는 것은 매우 중요한데, 이는 의사들이 불필an한 침습적 절차를 피할 수 있도록 도와줄 수 있기 때문입니다.
또한 연구는 모델의 예측이 실제 상황과 얼마나 잘 일치하는지도 조사했습니다. 수치를 신뢰할 수 있도록 조정한 후, 모델의 확률 추정치는 매우 신뢰할 만한 것으로 나타났습니다. 연구진이 이 도구를 사용하는 것이 실제로 의사들의 의사결정에 도움이 되는지 테스트했을 때, 모델은 단순히 모두를 치료하거나 아무도 치료하지 않는 방식보다 명확한 이점을 제공한다는 것을 발견했습니다. 모델은 질감 측정법이나 인공지능만을 단독으로 사용했을 때보다 더 우수한 성능을 보였는데, 이는 두 방법이 서로 다르며 상호 보완적인 정보를 제공한다는 것을 시사합니다. 질감 측정법은 장기의 알려진 물리적 변화를 포착한 반면, 인공지능은 인간의 눈이나 단순한 측정으로는 쉽게 설명할 수 없는 미세한 공간적 패턴을 찾아냈습니다.
이러한 유망한 결과에도 불구하고, 연구진은 본 연구가 단일 병원의 비교적 작은 환자 집단을 대상으로 한 파일럿 연구라는 점에 주의를 기울였습니다. 모델은 현재 의사들이 사용하는 표준 임상 점수와 대조 테스트를 거치지 않았으며, 이 모델이 어디서나 작동하는지 확인하기 위해 더 크고 다양한 집단을 대상으로 테스트하지도 않았습니다. 컴퓨터가 분석할 특정 신체 부위를 설정하는 과정은 의사들에 의해 수동으로 이루어졌으며, 이는 시간이 걸리고 사람마다 약간씩 차이가 날 수 있습니다. 저자들은 이 접근 방식이 안전하고 반복 가능하며 비침습적인 선별 방법으로서 큰 잠재력을 보여주지만, 임상에서 일상적으로 사용되기 전에는 더 큰 규모의 연구가 필요하다고 제안합니다. 현재로서는, 첨단 데이터 분석이라는 렌즈를 통해 바라볼 때 평범한 CT 스캔조차도 환자의 미래 건강에 대한 결정적인 정보를 드러낼 수 있음을 이 연구는 입증하고 있습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.