Early prediction of refractory Mycoplasma pneumoniae pneumonia in children: development and internal validation of a combined CT radiomics–clinical machine learning model

기술 요약: 소아의 난치성 마이코플라즈마 폐렴(RMPP) 조기 예측

문제 제기
난치성 마이코플라즈마 폐렴(RMPP)은 표준 마크로라이드 요법에도 불구하고 지속적인 발열과 점진적인 임상적 또는 방사선학적 악화를 특징으로 하는 소아 지역사회 획득 폐렴의 중증 합병증이다. 현재의 진단 기준(2023년 근거 기반 가이드라인에 의거)은 RMPP를 확진하기 위해 최소 7일간의 치료 실패를 요구하며, 이는 종종 상당한 폐 손상이 발생할 때까지 개입을 지연시킨다. CRP, LDH, 발열 기간 등의 임상 및 실험실 지표가 위험 인자로 식별되었으나, 기존의 예측 모델은 임계값 기반의 파라미터에 크게 의존하며 폐 병변의 미묘한 이질성을 포착하는 데 실패하는 경우가 많다. 또한, 기존의 CT 영상 징후는 대체로 정성적이며 난치성 사례와 비난치성 사례 사이의 변별력이 제한적이다. 따라서 7일간의 진단 창구가 닫히기 전에 위험도를 계층화할 수 있도록 정량적 영상 데이터와 임상 지표를 통합하는 조기적이고 해석 가능한 도구가 절실히 필요하다.

연구 방법론
본 단일 센터 후향적 연구는 2022년 1월부터 2024년 12월까지 Quanzhou Women's and Children's Hospital에 내원한 마이코플라즈마 폐렴(MPP) 환아 527명을 대상으로 수행되었다. 코호트는 7:3 비율로 훈련 세트($n=368$)와 내부 테스트 세트($n=159$)로 무작위 분할되었다.

• 데이터 수집:
  • 임상 변수: 연령, 성별, 발열 기간, 최고 체온, 그리고 실험실 지표(WBC, 호중구/림프구 백분율, CRP, PCT, LDH, ALT, AST, D-dimer). PCT 및 D-dimer의 결측치는 다중 대치법(MICE)을 통해 처리되었다.
  • 영상: 입원 후 48시간 이내에 비조영 증강 흉부 CT 스캔을 촬영하였다. 병변은 두 명의 숙련된 영상의학과 전문의가 ITK-SNAP을 사용하여 수동으로 분할하였다.
• 라디오믹스 파이프라인:
  • 특징 추출: 원본 및 변환된 이미지(log, square, wavelet 등)로부터 1,834개의 라디오믹스 특징(형태, 1차 통계, 그리고 GLCM, GLRLM, GLSZM, GLDM, NGTDM을 포함한 질감 특징)을 추출하였다.
  • 선택: 안정성(ICC $\ge$ 0.85)을 기준으로 특징을 필터링하고, Mann–Whitney U 검정($P < 0.05$)을 통해 선별하였으며, 중복성을 제거(Spearman 상관계수 $> 0.9$)하였다. 최종적으로 LASSO 로지스틱 회귀 분석을 사용하여 최적의 부분 집합을 선택하여 라디오믹스 점수(Rad-score)를 생성하였다.
• 모델 구축:
  • 임상 모델: 단변량 분석에서 $P < 0.1$인 변수들에 대해 후방 단계적 선택법(backward stepwise selection)을 적용한 다변량 로지스틱 회귀를 사용하여 구축하였다.
  • 라디오믹스 모델: 7가지 머신러닝 분류기(Logistic Regression, SVM, KNN, Random Forest, ExtraTrees, XGBoost, LightGBM)를 비교하였다. 교차 검증 안정성을 바탕으로 로지스틱 회귀(LR)가 최종 라디오믹스 모델로 선정되었다.
  • 결합 모델: 임상 예측치와 Rad-score를 로지스틱 회귀를 통해 통합하고 노모그램(nomogram)으로 시각화하였다.
• 평가: 성능은 ROC 곡선 아래 면적(AUC), 교정 곡선(calibration curves), Hosmer–Lemeshow 검정, 결정 곡선 분석(DCA)을 통해 평가되었다.

주요 결과

• 특징 선택: 초기 1,834개의 특징 중 25개의 안정적이고 변별력 있는 라디오믹스 특징이 Rad-score를 위해 유지되었다. 최종 임상 모델에는 세 가지 독립적 예측 인자인 젖산 탈수소효소(LDH), 최고 체온, 알라닌 아미노전이효소(ALT)가 포함되었다.
• 모델 성능:
  • 결합 모델: 훈련 코호트에서 0.876 (95% CI: 0.839–0.913), 내부 테스트 코호트에서 0.869 (95% CI: 0.815–0.923)의 AUC를 달성하였다.
  • 비교: 결합 모델은 임상 모델 단독(테스트 AUC: 0.638; $P = 1.59 \times 10^{-6}$)보다 유의하게 우수한 성능을 보였다. 테스트 코호트에서 결합 모델의 AUC는 라디오믹스 모델 단독(0.851)보다 높았으나, 통계적 유의성에는 도달하지 못했다 ($P = 0.060$).
  • 교정: Hosmer–Lemeshow 검정 결과 훈련 코호트에서는 양호한 교정력을 보였으나 ($P = 0.249$), 결합 모델의 테스트 코호트에서는 불충분한 교정력을 보였다 ($P = 0.032$). 이는 독립적인 샘플에서의 잠재적 미교정 가능성을 시사한다.
• 임상적 유용성: 결정 곡선 분석(DCA) 결과, 결합 모델은 "전원 치료(treat-all)", "전원 미치료(treat-none)", "임상 단독" 전략에 비해 넓은 범위의 임계 확률에서 더 높은 순이익(net benefit)을 제공함을 입증하였다.

핵심 기여

1. 양식의 통합: 본 연구는 CT 라디오믹스 특징과 초기 임상 지표를 융합하여 해석 가능한 노모그램으로 시각화한 결합 머신러닝 모델을 성공적으로 개발하였다.
2. 우수한 변별력: 결합 모델은 임상 데이터에만 의존하는 모델보다 RMPP 진행 예측에 있어 유의하게 뛰어난 변별력을 보여주었으며, 이는 정성적 영상 및 임계값 기반의 실험실 수치의 한계를 해결하였다.
3. 해석 가능성: "블랙박스" 형태의 딥러닝 접근 방식과 달리, 본 연구는 수동 분할, 해석 가능한 특징 추출, 다중 분류기 비교 워크플로우를 활용하여 임상 현장에서 재현 및 이해가 더 용이한 결과를 도출하였다.
4. 주요 예측 인자 식별: 본 연구는 LDH, 최고 체온, ALT의 예측 가치를 재확인하는 동시에, 본 코호트에서는 전통적인 CT 징후(예: 경화, 흉수)가 RMPP 그룹과 비난치성 그룹 간에 유의미한 차이를 보이지 않았음을 강조함으로써 정량적 라디오믹스의 필요성을 뒷받침하였다.

의의 및 주장
저자들은 이 결합 모델이 조기 위험 계층화를 위한 유망한 도구를 제공하여, 임상의가 (7일 진단 임계치 이전에) 입원 시 고위한 위험군 아동을 식별하고 치료(예: 코르티코스테로이드, 기관지 내시경 중재)를 적시에 격상할 수 있게 할 것이라고 주장한다. 그러나 논문은 임상 적용에 대해 신중한 태도를 유지하고 있다. 저자들은 단일 센터 연구라는 점, 테스트 코호트에서의 불충분한 교정력, 그리고 수동 분할 요구 사항을 언급하며, 임상 사용 전 외부 검증과 **재교정(recalibration)**이 필요함을 명시적으로 인정하였다. 본 연구는 모델이 좋은 변별력을 보여주기는 하지만, 환자 예후를 개선하기 위한 일반화 가능성과 임상적 유용성을 확인하기 위해 향-전향적 다기관 연구가 필요하다고 결론지었다.