Development and internal validation of a CSF-free machine-learning model to distinguish immune checkpoint inhibitor-induced encephalitis from HSV-1 and anti-LGI1 encephalitis

기술 요약: ICI 유발 뇌염(ICI-iE)을 위한 뇌척수액(CSF) 비의존적 머신러닝 모델의 개발 및 내부 검증

문제 정의
면역 관문 억제제 유발 뇌염(ICI-iE)은 헤르페스 단순 바이러스 1형(HSV-1) 뇌염 및 항LGI1 뇌염과의 임상적 중첩으로 인해 상당한 진단적 과제를 제기한다. 정확한 차별화는 매우 중요한데, 이는 관리 프로토콜이 극명하게 갈리기 때문이다. HSV-1은 즉각적인 항바이러스 치료(아시클로버)가 필요하지만, 면역 매개 뇌염(ICI-iE 및 anti-LGI1)은 면역 요법이 필요하며, 특히 ICI-iE의 경우 면역 관문 억제제의 투여를 중단해야 한다.

현재의 진단 워크플로우는 감염을 배제하고 염증을 확인하기 위해 뇌척수액(CSF) 분석에 크게 의존한다. 그러나 요추 천자는 침습적이며, 뇌 질량 효과(mass effect)나 상승된 두개내압가 의심되는 환자에게는 금기될 수 있고, 초기 결정적 관리 단계에서 결과가 즉시 가용하지 않은 경우가 많다. 기존 연구들은 CSF 소견을 언급해 왔으나, CSF 데이터에 의존하지 않고 ICI-iE를 이러한 특정 감별 진단들과 구별할 수 있는 정량적 모델은 제시되지 않았다. 본 연구는 CSF 결과가 나오기 전 단계에서 임상적 의사결정을 지원할 수 있는 트리아지(triage) 도구의 필요성을 다룬다.

방법론
본 연구는 SERIO 레지스트리와 독일의 한 신경과 전문 센터에서 추출한 76례(ICI-iE 30례, HSV-1 25례, anti-LGI1 21례)의 공개 회고적 코호트를 활용한 이차 분석을 수행하였다. 분석은 모든 후보 변수에 대해 완전한 데이터를 가진 51명의 환자로 제한되었으며, 이는 모델 간의 쌍체 비교를 보장하기 위함이다.

• 특징 공학(Feature Engineering): 처음에 40개의 후보 특징을 고려하였다. 결측치가 빈번하거나 상수 값을 갖는 항목을 제외한 후 29개의 특징이 남았다. 여기에는 인구통계학적 특성, 임상 증상(예: 발작, 의식 수준), MRI 소견(뇌염 또는 뇌수막염의 전형적 양상으로 분류), 실험실 수치가 포함되었다. 두 가지 특징 세트가 정의되었다: "CSF 포함(with-CSF)" 세트(29개 특징)와 "CSF 비의존(CSF-free)" 세트(4개의 CSF 실험실 변수를 제외한 25개 특징).
• 모델 아키텍처: 탐색적 비교 결과 유사한 변별력을 보이면서도 더 단순한 구조를 가진 Gradient Boosting(XGBoost) 대신 Random Forest 분류기를 선택하였다. 하이퍼파라미터(최대 깊이, 최소 리프 샘플 수, 분할당 특징 수, 클래스 가중치)는 내부 그리드 서치를 통해 튜닝되었으며, 트리의 개수는 300개로 고정하였다.
• 검증 전략: 낙관적 편향을 완화하기 위해 반복 중첩 교차 검증(5개 외부 폴드 × 20회 반복)을 사용하여 성능을 평가하였다. 외곽 폴드(out-of-fold, OOF) 예측 확률을 집계하여 수신자 조작 특성 곡선 하 면적(AUC)을 계산하였다.
• 평량 지표:
  • 변별력(Discrimination): 반복 평균된 OOF 예측값에 대한 근사 DeLong 테스트를 사용하여 AUC를 비교하였다.
  • 해석 가능성(Interpretability): 특징의 중요도와 방향성을 정량화하기 위해 TreeSHAP(SHapley Additive exPlanations) 값을 계산하였다.
  • 트리아지 전략: 탐색적인 고-특이도 "rule-in" 전략을 테스트하였다. 임계값은 내부 훈련 폴드에서 100% 특이도를 달 achieve하도록 설정되었으며, 이를 외부 테스트 폴드에 적용하였다. 다양한 가정된 유병률(5%~37.3%)에 걸쳐 성능을 투영하여 실제 양성 및 위양성 분류 비율을 추정하였다.
  • 교정(Calibration): 교정 기울기(slope), 절편(intercept) 및 Brier 점수를 통해 평가하였다.

주요 결과

• 변별 성능: CSF-free 모델은 평균 AUC 0.902(SD 0.024)를 달성하였으며, 이는 CSF 포함 모델의 AUC인 0.894(SD 0.031)와 통계적으로 구별되지 않았다. DeLong 테스트 결과 차이는 +0.003(95% CI: −0.033 ~ +0.040; p = 0.86)이었다.
• 특징 중요도: 두 모델 모두에서 뇌염 전형적 MRI 소견의 존재 여부가 가장 지배적인 기여자였다(CSF 포함 시 22.2%, 미포함 시 25.2%). **발병 시 C-반응성 단백질(CRP)**이 두 번째로 중요한 특징이었다. CSF-free 모델에서 SHAP 중요도는 비-CSF 특징들에 분산되어 있었으나, MRI 소견과 CRP가 여전히 중심적인 역할을 하였다.
• 트리아지 효용성: 고-특이도 작동 지점(훈련 내 100% 특이도 목표) 하에서, 모델들은 약 0.57–0.60의 민감도와 0.97의 특이도를 달성하였다.
  • 코호트 유병률(37.3%)에서 가설적 실제 양성 분류 비율은 21–22%였다.
  • 낮게 가정된 유병률(5–10%)에서는 실제 양성 비율이 3–6%로 크게 감소한 반면, 위양성 분류 비율은 2–3%로 비교적 안정적으로 유지되었다.
• 교정: 두 모델 모두 교정 성능이 낮았으며, 기울기가 1보다 현저히 커서(3.30 및 3.42) 예측 확률이 중간값 쪽으로 압축되어 있으며 절대적 위험 확률로 해석되어서는 안 않음을 나타냈다.

의의 및 주장
저자들은 이 특정의 작은 내부 검증 데이터셋 내에서, CSF 특징을 제외하는 것이 변별력의 점 추정치를 실질적으로 낮추지 않는다고 주장한다. 본 연구는 MRI 소견과 CRP 수치에 의해 주도되는 CSF-free 모델이 확진 검사가 진행되는 동안 의사결정을 지원하는 보조적인 트리아지 도구로 기능할 수 있음을 시사한다.

그러나 논문은 임상 적용에 대해 매우 신중한 입장을 유지한다:

1. 대체재가 아님: 이 모델은 명시적으로 요추 천사의 대체제로 제안된 것이 아니다. 저자들은 놓칠 경우 치명적인 HSV-1 뇌염을 확실히 배제하기 위해서는 여전히 CSF PCR이 필요함을 강조한다.
2. 유병률 의존성: "rule-in" 전략의 효용성은 사전 확률(유병률)에 크게 의존한다. 낮은 유병률 환경에서는 실제 양성 산출량이 감소하며, 위양성 발생 위험이 실제 양성률과 비슷해질 수 있다.
3. 탐색적 성격: 결과는 작은 표본 크기, 회고적 데이터의 특성, 그리고 외부 검증의 부재로 인해 탐색적인 것으로 기술된다. 저자들은 MRI 소견에 대한 강한 의존성이 순수한 생물학적 기전보다는 데이터 소스의 차이(국제 레지스트리로부터의 ICI-iE 사례 vs 단일 독일 센터로부터의 대조군)와 관련된 혼란 변수(confounding)를 반영할 수 있다고 언급하였다.

결론
본 연구는 비침습적 특징(MRI, 혈액 검사, 임상 양상)을 사용하는 머신러닝 모델이 특정 회고적 코호트에서 CSF 데이터를 포함하는 모델과 대등한 변별력을 달 수 있음을 보여준다. 이는 고-특이도 시나리오에서 CSF-free 트리아지의 잠재력을 뒷받합니다. 그러나 저자들은 모델이 임상 현장에서 정보를 제공하기 위해서는 표준화된 대표 코호트에서의 외부 검증이 반드시 필요하며, HSV-1 뇌염 배제를 위한 CSF 검사를 결코 대체해서는 안 된다고 결론지었다.