CT-based Radiomics Nomogram Integrating Multi-regional Features for Preoperative Prediction of Neurological Recovery After Anterior Controllable Antedisplacement and Fusion in Cervical OPLL

인간의 척추는 경이로운 공학적 성취입니다. 이는 척추 중심을 통과하는 섬세한 척수를 보호하는 뼈와 조직의 유연한 기둥입니다. 그러나 때때로 신체의 자체적인 복구 기제가 잘못 작동하기도 합니다. 후종인대 골화증이라고 알려진 질환에서는 목 척추 뒤쪽을 따라 흐르는 인대가 서서히 딱딱한 뼈로 변합니다. 이 추가적인 뼈가 안쪽으로 자라나면서 마치 천천히 움직이는 벽처럼 척수를 압박합니다. 많은 환자에게 이는 팔다리의 감각, 근력, 그리고 조절 능력의 점진적인 상실로 이어집니다. 수술을 통해 이 압박을 제거할 수는 있지만, 그 결과가 보장되는 것은 아닙니다. 어떤 환자들은 기능을 완전히 회복하지만, 다른 이들은 지속적인 약화를 겪기도 합니다. 외과의들의 오랜 과제는 수술 전 환자를 보고 누가 회복할 것이고 누가 그러지 못할지를 아는 것이었습니다.

수년 동안 의사들은 질병을 앓은 기간이나 뼈가 척수관 내부를 얼마나 차지하고 있는지와 같은 표준적인 측정치에 의존해 왔습니다. 하지만 이러한 전통적인 단서들은 종종 모호한 그림만을 제공할 뿐입니다. 그것들은 뼈 내부의 미세한 생물학적 차이나 딱딱한 덩어리가 주변 조직과 어떻게 상호작용하는지를 볼 수 없습니다. 중국 연구진의 새로운 연구는 그 답이 의사들이 이미 촬영하는 영상들을 훨씬 더 자세히 들여다보는 데 있다고 제안합니다. 컴퓨터를 사용하여 표준 CT 스캔에서 인간의 눈으로는 알아차릴 수 없는 수천 개의 미세한 세부 사항을 분석함으로써, 연구팀은 훨씬 더 높은 정확도로 회복을 예측할 수 있는 새로운 도구를 구축했습니다.

연구진은 전방 제어적 전위 및 유합술(ACAF)이라고 불리는 특정 수술 기법에 집중했습니다. 이는 외과의가 비정상적인 뼈 덩어리 전체를 척수로부터 앞쪽으로 밀어낸 다음, 이를 고정하기 위해 척추를 유합시키는 복잡한 절차입니다. 이는 매우 효과적인 방법이지만, 신경 기능의 회복 정도는 사람마다 크게 다릅니다. 이 이유를 이해하기 위해 연구팀은 2017년부터 2024년 사이에 한 병원에서 이 수술을 받은 280명의 환자를 연구했습니다. 그들은 이 환자들을 두 그룹으로 나누었습니다. 하나는 예측 모델을 구축하는 데 도움이 될 더 큰 그룹이고, 다른 하나는 그 모델이 얼마나 잘 작동하는지 테스트하기 위한 더 작은 그룹입니다.

연구진은 단순히 뼈의 크기를 보는 대신, 컴퓨터가 CT 스캔의 네 가지 뚜렷한 영역을 조사하도록 했습니다. 그들은 새로운 뼈의 전체 질량, 그 질량의 단단하고 성숙한 중심부, 뼈가 여전히 자라고 있는 부드럽고 활동적인 가장자리, 척추 자체, 그리고 뼈와 척추가 만나는 얇은 3밀리미터 구역을 살펴보았습니다. 라디오믹스(radiomics)라는 방법을 사용하여 컴퓨터는 조직의 질감, 밀도, 모양 등을 측정하며 이 영역들로부터 천 개 이상의 수학적 특징을 추출했습니다. 이는 마치 나무의 길이를 측정하는 것이 아니라 나무의 결을 묘사하라고 컴퓨터에게 요청하는 것과 같았습니다.

연구팀은 진정으로 중요한 몇 가지 특징을 찾아내기 위해 엄격한 과정을 거쳤습니다. 그들은 실제 환자들의 수술 1년 후 결과를 비교함으로써 컴퓨터의 예측 능력을 테스트했습니다. 그 결과, 가장 중요한 단서는 뼈의 크기가 아니라 뼈의 활동적인 가장자리의 질감과 뼈가 척추와 만나는 얇은 구역의 밀도 변화라는 것을 발견했습니다. 스캔 결과 뼈의 가장자리에 더 혼란스러운 질감이 나타나거나 접합부의 밀도가 더 불균일한 환자들은 회복이 더 좋지 않을 가능성이 높았습니다. 이러한 발견은 자라나는 뼈의 앞부분에서의 생물학적 활동과 이 뼈가 주변 구조물에 얼마나 단단하게 붙어 있는지가 압박이 제거된 후 신경이 얼마나 잘 치유될 수 있는지를 결정하는 핵심 요소임을 시사합니다.

연구진은 이러한 영상 단서들을 수술 전 신경 기능 점수와 같은 표준 환자 정보와 결합하여 노모그램(nomogram)이라 불리는 시각적 차트를 만들었습니다. 이 도구를 통해 의사는 환자의 특정 데이터를 입력하여 양호한 회복 가능성을 개인별로 확인할 수 있습니다. 테스트 결과, 이 새로운 도구는 환자의 병력만을 사용하는 것보다 예측력이 현저히 뛰어난 것으로 증명되었습니다. 모델은 안정적으로 설계되었는데, 이는 데이터가 약간 달라지더라도 일관된 결과를 낼 가능성이 높다는 것을 의미하며, 연구진은 컴퓨터가 단순히 정답을 암기한 것이 아님을 확인하기 위해 고급 통계 검증을 사용했습니다.

또한 연구팀은 환자의 연령이 주요 요인인지 탐구했습니다. 고령 환자들이 종종 더 복잡한 건강 문제를 겪기는 하지만, 분석 결과 CT 스캔에서 발견된 상세한 특징들이 연령 자체보다 더 많은 정보를 제공한다는 사실이 밝혀졌습니다. 컴퓨터는 출생 증명서에 적힌 단순한 숫자로는 드러낼 수 없는, 뼈 구조 내의 노화와 질병 진행의 생물학적 징후를 감지할 수 있었습니다. 이는 수술 계획의 미래가 의료 영상 속의 숨겨진 패턴에 달려 있음을 시사합니다.

하지만 연구진은 이 도구가 아직 초기 단계에 있다는 점을 주의 깊게 언급합니다. 이 연구는 단일 병원에서 수행되었으며, 컴퓨터 모델은 해당 특정 위치의 데이터로 학습되었습니다. 이 방법이 전 세계 병원에서 일상적으로 사용되기 위해서는 더 많은 환자 그룹과 다양한 유형의 CT 스캐너를 대상으로 테스트되어야 합니다. 현재 과정은 외과의가 스캔에서 관심 영역을 수동으로 윤곽을 그려야 하므로 시간이 걸립니다. 궁극적인 목표는 이를 즉각적으로 수행할 수 있는 완전 자동화 시스템을 개발하는 것입니다. 현재로서는, 이 연구는 의료 영상의 미묘한 언어가 의사들이 환자에게 최선의 결과를 안내하도록 돕고, 복잡한 생물학적 퍼즐을 더 명확한 길로 바꾸는 미래를 보여주는 유망한 전망을 제시합니다.