급성 뇌졸중 진단의 혁신, AI가 판독하는 대혈관 폐쇄 자동 평가 시스템

이 연구는 급성 허혈성 뇌졸중(AIS) 환자에서 치료 시간을 결정하는 핵심 요소인 대혈관 폐쇄(LVO)를 자동으로 예측하는 머신러닝 모델을 개발 및 평가한 내용을 담고 있습니다. 연구의 배경은 LVO의 조기 발견이 혈전제거술(EVT) 등의 적시 치료를 가능하게 하여 환자 예후를 획기적으로 개선할 수 있다는 점에 있습니다. 기존의 현장 예측 도구들은 NIHSS 점수에 기반한 선형 가정에 의존하며, 나이, 과거력 등 중요한 정보를 누락하는 한계가 있었습니다. 연구 방법은 홍콩 병원청의 데이터베이스에서 특정 기준을 충족하는 300명의 AIS 환자 데이터(훈련 200명, 테스트 100명)를 활용했습니다. 데이터는 인구통계학적 정보, 구조화된 임상 기록(과거력, 혈압, GCS 점수 등), 그리고 응급실 내 24시간 이내에 촬영된 뇌 CT 영상으로 구성되었습니다. LVO 진단은 두 명의 뇌혈관 전문의에 의해 독립적으로 확인되었습니다. 핵심 방법론은 세 단계의 계층적 모델링입니다. Level-1은 기본적인 인구통계 및 증상 정보만, Level-2는 여기에 모든 구조화된 임상 데이터를 추가하며, Level-3는 CT 영상에서 추출한 딥러닝 특징까지 통합합니다. CT 영상 분석을 위해 연구팀은 두개골 제거, 표준화된 정렬, 임계값 처리, 관심 영역(ROI) 지정 등의 전처리 파이프라인을 거친 후, U-Net 스타일의 FCN을 훈련시켜 MCA 점 징후를 분할하고 고수준 특징을 추출했습니다. 모든 단계의 분류에는 결측치 처리 능력이 우수한 XGBoost 알고리즘이 사용되었습니다. 모델 성능은 10-겹 교차검증을 통해 평가되었으며, 최적의 판단 기준은 Youden 지수를 최대화하는 점으로 선정되었습니다. 테스트 세트에서의 결과는 Level-1 모델(AUC 0.647)에 비해 Level-2 모델(AUC 0.809)이 모든 평가 지표에서 크게 향상되었음을 보여주었습니다. 이는 임상 데이터의 중요성을 강력히 시사합니다. Level-3 모델은 AUC 0.850으로 추가적인 소폭의 향상을 기록했으며, 민감도는 93.0%, 특이도는 68.4%를 달성했습니다. 논의 부분에서는 XGBoost가 결측치를 자동 처리하는 실용적 장점을 강조하며, 딥러닝 모델의 성능이 제한적인 데이터 양(74명의 MCA 점 징후 환자)에 의해 제약받을 수 있음을 지적합니다. 또한, MCA 점 징후가 없는 위양성 사례를 교정하지 못한 점이 Level-3 모델의 성능 향상을 제한한 주요 원인으로 분석됩니다. 결론적으로, 이 연구는 다양한 데이터 소스(인구통계, 임상, 영상)를 계층적으로 통합한 자동화 예측 모델이 LVO를 빠르고 정확하게筛查하는 유용한 도구가 될 수 있음을 증명합니다. 이 모델은 730만 인구를 대표하는 홍콩의 데이터로 훈련되어 실제 임상 환경, 특히 응급실 초기 평가에서 의사 결정을 보조하는 데 적용 가능성을 열었습니다.