경계선 선명도 변화가 알츠하이머 전이 예측을 좌우한다

본 논문은 경미한 인지장애(MCI) 환자 중 알츠하이머병(AD)으로 진행될 위험을 조기에 예측하기 위해, 구조적 MRI에서 회백질‑백질 경계의 선명도를 정량화하는 Boundary Sharpness Coefficient(BSC)를 시간에 따라 추적하는 방법을 제시한다. 연구 대상은 ADNI 데이터베이스에서 선정된 450명의 MCI 피험자로, 각 피험자는 최소 4회(기저, 12개월, 24개월, 36개월) 이상의 T1‑가중 MRI 스캔을 제공하였다(총 1,824 스캔). 이 중 95명은 추적 기간 동안 AD로 전이(converter)했으며, 나머지 355명은 안정(stable) 상태를 유지했다. **BSC 계산 파이프라인** 1. N4 바이어스 보정 후 스컬 스트리핑을 수행하고 1 mm³ 등방성 해상도로 재샘플링한다. 2. Atropos k‑means 클러스터링을 이용해 회백질(GM), 백질(WM), 뇌척수액(CSF) 확률 지도를 생성한다. 3. GM 확률이 0.4~0.6 사이인 전이 영역을 경계 영역으로 정의하고, 3D Gaussian derivative 필터(σ=1 mm)로 강도(I)와 GM 확률(P_GM)의 기울기(∇I, ∇P_GM)를 계산한다. 4. ∇I와 ∇P_GM의 정규화된 내적을 통해 경계 법선 방향으로의 강도 변화량을 구하고, 이를 BSC_dir(x) = ∇I·∇P_GM /‖∇P_GM‖ 로 정의한다. 5. 각 경계 voxel에 대해 BSC 값을 얻은 뒤, 평균·중위수·표준편차·백분위수·공간 구역별(8구역) 통계량 등 35개의 요약 지표를 추출한다. **시간적 슬로프 특성** 각 피험자에 대해 35개의 기본 지표에 대해 선형 회귀를 적용해 연간 변화율(β₁)과 R²를 구한다. 이를 통해 기본값, 최종값, 연간 슬로프, 적합도 네 가지 파생 변수를 얻어 140개의 1차 특성을 만든다. 추가로 절대·비율 변화, 비율 슬로프(β₁·R²), 백분위수 비율(p90/p10) 등 42개의 상호작용·비율 특성을 도출해 총 182개의 슬로프 기반 특성을 확보한다. 변동성이 큰 20개 슬로프를 선택해 모델 입력으로 사용한다. **모델링 및 성능** Random Survival Forest(RSF) 알고리즘을 적용해 검열된 생존 데이터를 다루었다. RSF는 비모수적 앙상블 방법으로, 각 트리는 부트스트랩 샘플과 무작위 변수 선택을 통해 성장한다. 모델은 5‑fold 교차 검증을 거쳐 최적의 트리 수와 노드 최소 샘플을 설정했으며, 테스트 셋에서 concordance index(C‑index) 0.63을 기록했다. 이는 동일 데이터에 대해 파라메트릭 Accelerated Failure Time(AFT) 모델이 달성한 0.24에 비해 163% 향상된 결과이다. 또한, 위험 점수가 높은 그룹은 Kaplan‑Meier 곡선에서 조기 전이 비율이 현저히 높게 나타났다. **주요 발견 및 해석** - BSC 슬로프는 단일 시점 BSC 값보다 AD 전이 예측에 더 강력한 바이오마커임을 입증했다. - 가장 중요한 슬로프는 전두엽·측두엽·후두엽의 특정 구역에서 관찰되었으며, 이는 AD에서 흔히 보고되는 회백질‑백질 구조 변화와 일치한다. - 구조적 MRI만을 사용함으로써 PET(5,000~7,000 $)이나 CSF(침습적) 대비 비용 효율성이 크게 개선되었다. **제한점 및 향후 과제** - 연구 대상이 ADNI라는 연구용 코호트에 국한돼 일반 임상 인구와의 일반화 가능성이 제한된다. - BSC 계산에 사용된 k‑means 기반 세분화와 경계 정의 파라미터가 다른 소프트웨어나 스캔 프로토콜에 따라 변동될 수 있다. - 현재는 선형 회귀 기반 슬로프만을 사용했으나, 비선형 추세나 가변 간격 스캔에 대한 더 정교한 모델링이 필요하다. - 다중 모달 바이오마커(아밀로이드 PET, 혈액 기반 바이오마커)와 결합해 혼합 모델을 구축하면 예측 정확도가 더욱 향상될 것으로 기대된다. **결론** 본 연구는 회백질‑백질 경계 선명도(BSC)의 연간 변화율이 MCI 환자의 AD 전이 위험을 예측하는 데 유의미한 정보를 제공한다는 점을 실증하였다. 저비용·비침습적 MRI 기반 바이오마커와 Random Survival Forest를 결합한 접근법은 임상 현장에서 조기 위험 stratification 및 치료 대상 선정에 활용될 수 있다. 향후 다양한 인구집단과 다중 모달 데이터를 포함한 검증이 진행된다면, 개인 맞춤형 예방·치료 전략 수립에 중요한 도구가 될 전망이다.