심장 PET/MRI를 무지도 학습으로 해석하다: 유전성 심근병증 이상 영역 지도화

도입

심장 영상은 이제 단일 이미지 판독을 넘어 구조, 조직 특성, 대사 정보를 함께 보는 다중모달 단계로 이동하고 있다. 문제는 PET와 MRI가 제공하는 방대한 정량 정보를 어떻게 임상적으로 해석 가능한 형태로 정리할 것인가다. 프랑스 낭트대학과 낭트대학병원 등 연구진은 arXiv에 동시 심장 PET/MRI 데이터를 다루기 위한 무지도 머신러닝 전략을 공개했다.

이 연구는 부정맥 유발성 좌심실 심근병증을 대상으로 한다. 이 질환은 유전성 심근 질환이며, 확립된 골드스탠더드 진단 기준이 부족해 진단이 어렵다. PET/MRI는 섬유화, 염증, 대사 이상과 같은 다양한 병태 신호를 포착할 수 있지만, 여러 영상 지표가 겹치면 환자별·영역별 이질성이 커져 판독 부담도 함께 증가한다.

핵심 내용

• 연구 대상: 유전적으로 부정맥 유발성 좌심실 심근병증 진단을 받은 99명의 환자 데이터를 사용했다.
• 입력 영상: T1 맵, T2 맵, LGE, 18F-FDG-PET 영상을 포함했다.
• 전처리와 1차 군집화: 각 환자의 영상을 독립적으로 z-score 표준화한 뒤 하나의 볼륨으로 합치고, 이를 슈퍼복셀 단위로 클러스터링했다.
• 환자 간 연결: 이후 스펙트럴 클러스터링을 통해 32개의 환자 간 슈퍼복셀 그룹을 도출했다.
• 이상도 점수: 각 클러스터와 영상 모달리티에 대해 이상도 점수를 부여해 질병과 관련될 가능성이 있는 영역을 시각화했다.
• 자동 보고서: 결과는 텍스트 보고서와 심장 불스아이 형태의 건강 보고서로 자동 생성됐다.
• 검증 결과: 심장 영상 전문의 평가와 비교했을 때, 환자 데이터의 반복 중첩 교차검증에서 균형 정확도는 0.76±0.04였다. 167개의 수치 팬텀에서는 0.8 이상의 균형 정확도를 보였다.

의미와 영향

이 연구의 핵심은 최종 진단을 바로 내리는 분류기를 만드는 데 있지 않다. 대신 복잡한 PET/MRI 데이터를 환자 간에 비교 가능한 지역별 패턴으로 재구성하는 방법을 제안한다. 심근병증에서는 섬유화, 염증, 대사 변화가 서로 다른 영상에서 다른 방식으로 나타날 수 있다. 무지도 클러스터링은 완전한 수작업 라벨 없이도 반복적으로 등장하는 이상 패턴을 찾는 데 도움이 될 수 있다.

자동 텍스트 보고서와 불스아이 맵은 전문의를 대체하기보다 보조하는 도구에 가깝다. 여러 모달리티에서 포착된 이상 영역을 일관된 형식으로 보여주면 판독 누락을 줄이고, 환자별 차이를 더 체계적으로 비교할 수 있다. 논문에 따르면 도출된 이상 클러스터는 전문의의 시각적 관찰과도 가깝게 맞았으며, 섬유화나 염증의 정도 차이를 파악하는 데 도움이 될 수 있다.

다만 이번 결과는 예비적 방법론 연구로 봐야 한다. 특정 질환군과 제한된 데이터에 기반하기 때문에, 실제 임상 워크플로에 적용하려면 더 큰 규모의 다기관 검증과 전향적 평가가 필요하다. 그럼에도 이 연구는 의료 AI의 중요한 방향을 보여준다. 단순히 질병 여부를 분류하는 것을 넘어, 다중모달 영상을 의사가 이해하고 추적할 수 있는 구조화된 환자 프로파일로 바꾸는 것이다.

출처: arXiv