폐색전증은 생명을 위협하는 질환으로, 조기 발견과 치료가 사망률을 크게 낮출 수 있다. 최근 여러 연구에서 조영제 사용 CT 폐동맥조영술(CTPA) 영상을 대상으로 딥러닝을 활용한 폐색전증 진단이 시도되고 있으나, 조영제는 급성 신손상(AKI) 위험이 있는 환자와 만성 신질환을 가진 환자에게 부작용을 일으킬 수 있다. 또한 조영제 투여와 영상 획득에 시간이 소요되어 급성 폐색전증 환자는 치료 적기(golden time)를 놓칠 위험이 있다. 본 연구는 조영제 없이 촬영된 비조영 CT 영상을 대상으로 3차원 합성곱 신경망(3D CNN) 모델을 구축하여 폐색전증을 자동 분류하는 방법을 제안한다. 실험 결과, 제안된 딥러닝 모델은 비조영 CT 이미지에서 폐색전증을 85 %의 정확도와 0.84의 AUC(곡선 아래 면적)로 분류했으며, 이는 비조영 CT 기반 폐색전증 진단이 가능함을 입증한다.
성능 평가 결과, 정확도 85 %와 AUC 0.84는 기존 조영제 기반 모델에 비해 다소 낮지만, 비조영 영상만으로도 임상적으로 의미 있는 수준임을 보여준다. 특히, 고위험군(신부전, 알레르기 체질) 환자에게 조영제 투여를 회피할 수 있다는 점은 환자 안전성 측면에서 큰 장점이다. 그러나 몇 가지 한계점도 존재한다. 첫째, 비조영 CT는 혈관 내 혈전의 대비가 낮아 미세한 폐색전증을 놓칠 위험이 있다. 둘째, 현재 데이터셋이 단일 기관·단일 스캐너에 국한되어 있어 외부 일반화 능력이 검증되지 않았다. 셋째, 모델이 “왜” 특정 부위를 폐색전증으로 판단했는지 설명가능성(XAI) 분석이 부족해 임상의 신뢰 확보에 제약이 있다.
향후 연구 방향으로는 다기관·다스캐너 데이터셋을 확보해 모델의 견고성을 검증하고, 전이 학습이나 멀티모달 접근(예: 임상 메타데이터와 결합)으로 성능을 향상시킬 수 있다. 또한, Grad‑CAM·SHAP 등 시각화 기법을 도입해 모델 결정 과정을 투명하게 제시함으로써 임상의와의 협업을 강화해야 한다. 최종적으로는 실시간 자동 판독 시스템을 구축해 응급실·중환자실에서 조영제 없이도 빠른 폐색전증 스크리닝이 가능하도록 하는 것이 목표이다.
## [신약 적용: 비대혈성 폐색전증 진단을 위한 심장동조 컴퓨터 단층 촬영(CT) 폐각혈증 영상에서의 딥러닝 기법]
현대인의 생활 방식은 장시간 앉아 있는 경향이 강하며, 이는 업무, 통근, 여가 활동 등 다양한 요인에 기인합니다. 이러한 좌식 생활은 학생들에게는 학업적 요구로, 노년층에게는 감소된 이동성으로 인해 더욱 흔하게 나타납니다. 또한 임신, 심혈관 질환, 암 병력 등도 하지 정맥 혈전증의 위험 요소로 작용할 수 있습니다. 이러한 요인들로 인해 하지 정맥 혈전이 발생하면 폐색전증으로 이어질 가능성이 높습니다. 특히, Suadicani (2012) 연구에 따르면 하지 정맥 혈전이 폐색전증의 가장 흔한 원인이며, 이는 심각한 합병증을 초래할 수 있습니다.
최근 딥러닝 분야는 의료 영상 분석에서 눈부신 발전을 이루었습니다. 특히 심장동조 컴퓨터 단층 촬영(CT) 폐각혈증(CTPA)을 통해 폐색전증을 진단하는 연구에 초점이 맞춰지고 있습니다. 이러한 연구들은 심장동조 CTPA 영상을 활용하여 딥러닝 기법으로 폐색전증 진단을 대체하거나 보완하려는 노력을 보여줍니다. Huang (2020)은 심장동조 CTPA 영상에 대한 딥러닝 기술을 통해 의사의 수동 해석 부담을 줄이고 진단 효율성을 높이고자 했습니다. 또한, Lenfant (2020)은 CTPA 영상 품질을 향상시켜 방사선 노출량을 감소시키는 데 기여했습니다.
CTPA는 폐색전증을 진단하는 주요 방법 중 하나이지만, 의사가 영상을 직접 해석해야 하는 부담이 있습니다. 일반적으로 환자의 CTPA 스캔에는 약 100~300개의 슬라이스가 포함되며, 이를 자세히 살펴보려면 상당한 시간과 노력이 필요합니다. 경험 부족, 의사 피로(Joshi, 2014), 또는 의료진 부족은 판독 시간 지연을 초래할 수 있습니다. 이러한 요인들은 의료 시스템에 추가적인 부담을 주고 환자의 치료 지연으로 이어질 수 있습니다 (Kline, 1992; Gerald, 2005). 또한, CTPA 영상 분석의 정확성과 적시성을 보장하기 위해 의료 시스템과 의사는 지속적인 도전에 직면해 있습니다 (Prologo, 2004).
CTPA 스캔을 받는 환자들은 급성 신장 손상(AKI) 위험이 높습니다. AKI는 중증 질환의 흔한 합병증이며, 폐색전증 치료에 즉각적인 영향을 미칠 수 있습니다 (Chang, 2017). 또한 CTPA 스캔에는 대조제를 투여해야 하며, 이는 혈류 순환 후 CT 스캔을 진행하기 위한 준비 과정입니다. 급성 폐색전증 환자의 경우 대조제 효과가 나타나는 동안 진단이 지연될 수 있습니다. 이러한 지연은 환자의 치료에 치명적일 수 있으므로 신속한 진단이 필수적입니다.
CTPA 영상은 폐색전증 진단에 가장 일반적으로 사용되는 방법이며, 의사가 혈관 내 혈전을 직접 확인할 수 있는 장점이 있습니다. 이를 위해 딥러닝 알고리즘은 주로 이미지 분류에 사용되는 컨볼루션 신경망(CNN)을 활용합니다 (Ker, 2017). Yang et al. (2019)은 두 단계 CNN 모델을 제안하여 CTPA 스캔에서 폐색전증을 진단했습니다. 이 모델은 75.4%의 민감도를 보였으며, 이는 평가 데이터 세트에서 테스트되었습니다. Huang (2020)은 3D CNN인 PENet을 소개하여 두 가지 데이터 세트에서 각각 0.84과 0.85의 AUC를 달성했습니다. 이러한 연구들은 인간-로봇 협업(HRC)을 위한 새로운 가능성을 제시합니다 (Kong, 2018).
그러나 최근 연구들은 CNN을 사용하여 CTPA 영상을 통해 폐색전증을 진단할 때 대조제 사용의 한계를 지적합니다. CTPA 영상에서 대조제를 투여한 후 혈전이 명확하게 나타나는 것은 사실이지만, 대조제는 신체에 독성을 미칠 수 있습니다 (Seeliger, 2012). 또한 환자의 병력이나 과거 수술 이력이 있을 경우 대조제의 영향이 더욱 커질 수 있습니다 (McCullogh, 2006). 연구에 따르면 만성 신장 질환을 가진 환자에서 대조제는 급성 신장 손상의 주요 독립적 위험 요소입니다 (Tsai, 2014). 또한, 대조제의 양과 순환 시간, 환자의 생리적 요인, 그리고 대조제의 농도 등은 영상의 품질에 영향을 미칠 수 있습니다 (Bae, 2010). 따라서 대조제 사용의 위험성을 고려할 때, 비대혈성 CT 스캔을 통해 폐색전증을 진단하는 것은 더 나은 대안이 될 수 있습니다.
본 연구는 심장동조 CTPA 영상을 이용한 폐색전증 진단을 위해 딥러닝에 기반한 분류 모델을 개발하고자 합니다. 이를 위해 본 연구는 비대혈성 CT 스캔에서 폐색전증의 존재 여부를 자동으로 분류하는 데 초점을 맞춥니다. 이러한 접근 방식을 통해 의료 전문가들의 부담을 줄이고, 진단 효율성을 높이며, 환자의 치료 지연을 방지할 수 있습니다. 또한, 연구 결과는 감독 학습 기법을 딥러닝에 적용하여 폐색전증 자동 감지 시스템의 개발로 이어질 것입니다. 이를 통해 의료 전문가들은 더 나은 진단과 치료 계획을 수립할 수 있을 것입니다.
폐색전증 개요
폐색전증은 혈전이 폐동맥을 막아 산소 공급에 장애를 일으키는 심각한 질환입니다. 이 질환의 일반적인 증상으로는 호흡 곤란, 가슴 통증, 기침, 그리고 피로감 등이 있습니다. 그러나 일부 환자의 경우 증상이 미미하거나 전혀 없을 수 있어 진단이 어려울 수 있습니다 (Konstantinides, 2016). 폐색전증은 응급 상황으로 간주되며, 신속한 치료가 필요합니다. 매년 약 50,000~200,000명의 환자가 폐색전증으로 사망하며, 30일 생존율은 0.5%에서 20% 사이입니다 (Brown, 2019).
대조제 사용의 위험성
심장동조 CTPA는 혈관을 시각화하고 혈전을 확인하는 데 필수적인 의료 영상 기법입니다. 그러나 대조제를 투여해야 하는 과정에서 신체에 잠재적인 부작용이 발생할 수 있습니다 (Seeliger, 2012). 대조제는 신장의 기능에 영향을 미쳐 급성 신장 손상(AKI)을 유발할 수 있습니다 (Yao et al., 2017). 또한, 환자의 병력이나 과거 수술 이력이 있을 경우 대조제의 영향이 더욱 커질 수 있습니다 (McCullogh, 2006). 연구에 따르면 만성 신장 질환을 가진 환자에서 대조제는 급성 신장 손상의 주요 독립적 위험 요소입니다 (Tsai, 2014).
심장동조 CTPA와 딥러닝
최근 의료 영상 분야에서 딥러닝 기술이 빠르게 발전하고 있습니다. 특히 심장동조 CTPA 영상을 통해 폐색전증을 진단하는 연구가 활발히 진행 중입니다. 이러한 연구들은 심장동조 CTPA 영상에 딥러닝 기법을 적용하여 의사의 수동 해석을 보완하거나 대체하고자 합니다 (Huang, 2020). Tajbakhsh (2015)는 3D CNN을 사용하여 CTPA 영상을 분석하고 폐색전증을 감지했습니다. 이 모델은 먼저 폐의 세분화를 수행한 후, 잠재적인 혈전 지역을 식별합니다. 이후, 다중 계획 혈관 정렬 알고리즘을 사용하여 혈전을 시각화하고, 2D 이미지를 생성하여 CNN 모델에 입력합니다. 이 CNN 모델은 9층 구성으로, 각 층은 특징 추출과 분류에 특화되어 있습니다.
Yang (2019)은 두 단계 CNN 모델을 제안하여 CTPA 스캔에서 폐색전증을 진단했습니다. 이 모델은 75.4%의 민감도를 보였으며, 이는 평가 데이터 세트에서 테스트되었습니다. 이러한 연구들은 딥러닝 기법이 심장동조 CTPA 영상을 통해 폐색전증을 진단하는 데 효과적임을 보여줍니다.
…(본문이 길어 생략되었습니다. 전체 내용은 원문 PDF를 참고하세요.)…
이 글은 ArXiv의 공개 자료를 바탕으로 AI가 자동 번역 및 요약한 내용입니다.
저작권은 원저자에게 있으며, 인류 지식 발전에 기여한 연구자분들께 감사드립니다.
