0. Abstract
AI는 많은 흥미를 얻고 있으며 다양한 분야로 통합되고 있다. 뇌졸증 의학은 진단의 정확성과 환자 치료의 질을 향상 시키기 위한 AI 적용 분야 중 하나이다. 최근에는 뇌졸중 영상에서 데이터를 해독하기 위해 AI 기술이 적용되었으며 좋은 결과를 얻었다. 가까운 시일 내에 AI 기술은 치료 방법을 정하고 뇌졸중 환자의 예후를 예측하는데 중추적인 역할을 할 수 있다. 본 논문에서는 뇌졸중 영상에서 AI 기술의 사용을 엿 볼 수 있으며, 특히 기술 원리, 임상 적용 및 미래의 관점에 중점을 두고 있다.
1. Introduction
개별 환자를 위한 맞춤형 진단 및 치료로 정의되는 정밀 의학은 미래 의학에서 중요한 새로운 개념이다. 최근 임상, 생물학적(유전체 및 면역학) 및 영상 데이터의 폭발적인 증가는 이러한 개별 맞춤화된 의학의 길을 만들고 있다. 이러한 여러 정보 흐름의 통합과 그에 대한 적절한 해석이 중요하며 AI 기술이 이 점에서 유용 할 수 있다.
뇌졸중 의학은 임상 결정을 내리는 데 사용되는 방대한 양의 데이터와 다 분야 접근 방식으로 인해 정밀 의학 및 AI 기술에 적합한 응용 프로그램이 적용될 수 있다. 특히 뇌졸중 관리의 핵심 요소이자 수많은 복잡한 진행/중단 의사 결정의 기반이 되는 뇌 영상은 AI 기술의 매력적인 주제이다. 본 논문에서는 뇌졸중 영상의 AI 기술을 간략하게 검토하고 잠재적 인 임상 적용 및 향후 역할에 대해 논의한다.
2. Clinic applications
AI 기술은 자동 또는 정확한 진단 및 예후 예측의 두 가지 측면에서 뇌졸중 영상에 적용되었다.
2.1 Diagonosis
자동 lesion(병변) identification 또는 segmentation은 뇌 영상의 방대한 데이터 세트를 다루는 정밀 의학에서 가장 중요한 요소 중 하나이다. 수동 lesion segmentation은 평가자 간에 번거롭고 일관성이 없기 때문이다. 또한 자동 lesion 식별은 비 신경 학자의 정확한 진단을 도와줄 수 있다.
그러나 MRI의 자동 segmentation은 쉬운 작업이 아니다. lesion의 모양과 위치는 증상 발병 시간, 혈관 폐색 부위 및 측부 상태에 따라 다르다. leukoaraiosis, T2 shine-through 효과 및 조직 결함과 같은 lesion 신호와 관련된 noise는 lesion segmentation을 더욱 방해 할 수 있다. 따라서 AI 기술을 사용하여 뇌졸중 lesion을 자동으로 segmentation 하려는 시도가 많이 있었으나 사람의 수동 segmentation 보다 우월함을 입증하지 못했다.
머신러닝 기술은 최근에 만성 뇌졸중에서 수동 segmentation에 필적하는 좋은 결과를 보여주기 시작했다. 본 논문에서는 T1 weighted 영상에서 supervised lesion segmentation 알고리즘을 제안했다. 60 명의 좌반구 만성 뇌졸중 환자(뇌졸중 후 간격 2.6 ± 2 년)의 데이터 세트로 모델을 구축하고 추가 45 명의 환자의 데이터 세트에서 모델을 테스트했다. 예측 된 수동 lesion volume과 예측된 lesion volume 사이의 상관 관계는 각각 전자의 경우 r = 0.961, 후자의 데이터 세트에 대한 r = 0.957이었다.
최근에는 DWI(diffusion-weighted imaging)를 사용하여 AIS(Acute Ischemic Stroke)의 lesion segmentation에 CNN 딥러닝 기술이 적용되었다. 이미 사용 가능한 두 개의 CNN을 함께 사용하여 모델을 개발했다. 하나의 CNN 모델은 두 개의 DeconvNet(EDD Net)의 앙상블이고 다른 CNN 모델은 MUSCLE Net(Multi-scale convolutional label evaluation net)으로, EDD Net의 잠재적인 false positive를 제거하는 역할을 한다. 총 380명의 환자의 DWI가 CNN을 훈련하고 검증하는 데 사용되었으며 또 다른 361명의 DWI가 모델의 테스트에 사용되었다. mean accuracy of the Dice coefficient는 0.67로 다른 그룹의 이전 결과보다 높았다. 탐지율은(true positive lesion이 발견 된 피실험자 수와 모든 피실험자 수 사이의 overlap 지수)는 0.94였다.
CT를 통한 머신러닝 기반 진단도 시도되었다. ASPECTS(Alberta Stroke Program Early Computed Tomography Score)는 e-ASPECTS 소프트웨어를 사용하여 자동으로 뇌졸중을 조기 진단하였다. 이 소프트웨어는 표준화되고 완전 자동화 된 CE(Conformité Européene, European Conformity) 마크 승인을 받은 ASPECTS 점수이다. e-ASPECTS는 ASPECTS를 이용한 뇌 CT 평가에서 뇌졸중 전문가에 비해 총 2,640 개 영역(132 명의 환자 당 20 개 영역)을 읽는 데 있어 뒤쳐지지 않는 성능을 보여 주었다.
또한 머신러닝을 사용하여 CT상에서 고밀도 MCA(Middle Cerebral Artery) dot sign을 감지하려는 시도가 있었다. 이를 달성하기 위해 저자는 Sylvian fissure 영역을 분리하여 여러 특징을 추출하고 SVM 분류기를 사용하여 후보를 분류했다. 처음에는 총 297 개의 CT 영상(7 명의 환자)가 고려되었다. Sylvian fissure 영역이 추출된 109개의 CT 영상이 최종적으로 사용되었으며, 여기에는 MCA dot sign의 40개의 island가 포함되었다. 성능은Cross-validation 방법으로 평가되었다. 시스템은 급성 뇌졸중으로 의심되는 대뇌 반구에서 영상 당 0.5의 위양성 비율(54개의 false positive MCA dot sign/109 개의 CT 영상)에서 MCA dot sign 감지에 대해 97.5 % (39/40)의 sensitivity를 달성했다.
malignant(악성) hemispheric(반구) infarct(경색) 환자에서 뇌 edema(부종)의 자동 정량화가 시도되었다. 그 논문의 저자들은 이전에 연속 CT 스캔에서 CSF 부피의 감소가 뇌 edema의 조기에 민감한 바이오 마커를 구성한다고 제안했다. baseline에서 follow-up 스캔(ΔCSF)까지 CSF 용적의 변화는 peak edema에서 midline shift와 밀접한 관련이 있다고 했다. 연속 CT 스캔에서 hemispheric CSF의 수동 segmentation은 시간이 많이 걸리고 임상적으로 비 실용적이기 때문에 저자는 random forest 기반 머신러닝과 geodesic active contour segmentation을 통합하여 CSF segmentation을 위한 자동화 된 기술을 개발하고 검증했다. 이 알고리즘은 ΔCSF 측정에서 우수한 결과를 보여 주었는데, 이는 수동 segmentation(Pearson 계수 r = 0.879, P <10-6)과 잘 연관되어있었다. ICH(intracranial hemorrhage)의 관점에서 CT lesion의 자동 segmentation도 성공적으로 이루어졌다. 이 자동화 된 방법은 기존의 ABC/2 방법보다 ICH volume을 추정하는 데 더 정확했다.
2.2 Prognosis
뇌졸중 예후를 아는 것은 임상 결정을 내리는 데 도움이 된다. 치료 합병증의 예측은 thrombolysis(혈전 용해)와 같은 급성 치료를 받는 고위험군을 선별하는 데 유용 할 수 있지만 신경학적 장기 결과의 예측은 뇌졸중 관리를 안내 할 수 있다.
희귀성에도 불구하고 증상이 있는 ICH는 급성 thrombolysis의 두려운 보완으로 남아 있다. HAT(Hemorrhage After Thrombolysis), SEDAN(Sugar, Early infarct signs, Dense cerebral artery sign, Age, and National Institute of Health Stroke Scale)와 같은 몇 가지 예후 점수 시스템이 증상이 있는 ICH의 위험을 추정하기 위해 개발되었다. 그러나 이러한 점수에 대한 외부 검증은 설득력 있는 결과를 보여주지 못했다. 최근에는 급성 허혈성 뇌졸중 환자 집단을 대상으로 증상이 있는 ICH 위험을 예측하기 위해 CT 영상의 머신 러닝이 시도되고 있다. 저자들은 정맥 혈전 용해로 치료받은 116 명의 급성 허혈성 뇌졸중 환자의 CT 뇌 스캔 영상을 후향적으로 사용했다.
이러한 CT 뇌 스캔 영상은 증상이 있는 ICH의 위험을 예측하기 위해 임상 중증도와 함께 SVM에 대한 입력으로 사용되었다. 놀랍게도이 SVM 기반 모델 (area under the receiver operating characteristic curve [AUC] 0.744, 95% confidence intervals [CIs] 0.738−0.748)의 예측 성능은 다음과 같은 기존 예후 도구의 성능보다 우수했다. HAT (AUC 0.629, 95% CIs 0.628−0.630) and SEDAN (AUC 0.626, 95% CIs 0.625−0.627) .
Imaging findings는 항상 머신러닝의 대상은 아니지만 뇌졸중 예후를 예측하기 위한 machine의 입력 기능으로 사용할 수 있다. posterior cerebral artery infarcts(후 뇌동맥 경색)이있는 환자(n = 35)에서 ischemic lesion(허혈성 병변) 및 기타 임상 변수의 국소 범위를 통합하는 SVM 기반 모델은 3개월 만에 시야 결손의 개선을 성공적으로 예측했다.
2.3 Future
뇌졸중 영상의 AI 기술은 가까운 장래에 뇌졸중 진단 및 관리 환경을 현저하게 바꿀 수 있다. 뇌졸중의 자동 진단은 빠른 thrombolysis, 심지어 병원 전 thrombolysis가 권장되는 시대에 인기가 있을 수 있다. Machine 기반 진단은 일반의 또는 구급대 원과 같이 뇌졸중 영상에 익숙하지 않은 의료진에게 특히 유용하다. 따라서 thrombolysis 결정이 현저하게 빨라질 수 있다. AI 기술을 통한 예후 예측은 뇌졸중 관리에도 널리 사용될 것이다. 급성 thrombolysis 또는 intervention(개입)과 같은 뇌졸중 치료에 대한 정확한 위험 계층화가 가능해질 것이다. 또한, 뇌졸중 후 회복 정도를 미리 예측하고 환자/가족에게 예후를 알리는 것은 치료 관계와 재활 과정을 향상 시킬 수 있다.
3. Perspective
AI 기술을 뇌졸중 영상 분석에 성공적으로 접목하기 위해서는 잘 구성된 대형 영상 데이터베이스를 구축하는 것이 필수 조건이다. 영상 데이터베이스는 임상 및 생물학적 데이터를 포함하는 다른 대규모 데이터베이스와 함께 통합 및 해석되어야 한다.
3.1 Construction of a “big” database for stroke imaging
뇌 영상 촬영은 뇌졸중 의학에서 꼭 필요하며 뇌졸중 진단 및 관리의 모든 단계에서 획득된다. 또한 하나의 뇌 영상 스캔에도 수많은 뇌 조각으로 구성된 여러 MRI/CT 시퀀스가 포함되어 있다. 따라서 임상 실습에서 엄청난 양의 영상 데이터가 빠르게 축적된다. 그러나 일반적으로 이러한 영상 데이터는 많은 병원에 적절하게 저장되지 않고 제한된 시간 후에 폐기된다. AI 기술이 효율적으로 작동하려면 대용량 데이터베이스가 필요하기 때문에 구조화되고 체계적인 방식으로 이미징 데이터를 수집하는 것이 필수적이다. 이를 위해 여러 병원과 센터의 협력 노력은 필수 불가결하다. 이러한 필요성을 바탕으로 최근 전 세계적으로 뇌졸중 영상 데이터를 수집하는 움직임이 있었다. 목표는 뇌졸중의 정밀 의학에 대한 실제 데이터의 Million Brains Initiative를 구축하는 것이다.
3.2 Imaging as a block of “bigger” data
뇌졸중 환자는 영상 정보 외에도 임상 적, 생물학적(유전 적, 면역 학적 및 혈청학적 마커)을 포함하는 다양한 데이터를 제공한다. 이러한 데이터 세트는 거대하고 시간이 지남에 따라 끊임없이 변하고 체계적으로 수집하기 어렵고 임상적 의미의 가치가 부족한 경우가 많지만 뇌졸중 특성을 정의하고 뇌졸중의 예후를 예측하는 데는 분명히 중요하다.
영상뿐만 아니라 임상 및 생물학적 데이터도 뇌졸중 특성 측면에서 중요하기 때문에 뇌졸중 예후를 분석하고 치료 옵션을 평가하기 위해 뇌졸중 영상 데이터를 다른 차원의 데이터 layer와 함께 해석해야 한다. 놀랍게도 AI 기반 분석은 이러한 해석에서도 필수적이다. 따라서 방대한 다차원 데이터 세트를 해독하려는 노력은 뇌졸중 영상 분석에서 AI 기술을 적용하는 것과 병행해야 한다.
4. Conclusion
의학 분야의 AI 기술은 초기 단계이지만 뇌졸중 영상 분석에 열심히 적용되어 고무적인 결과를 보여준다. 뇌졸중 의학에서 AI 기술의 미래 역할은 유망하다고 볼 수 있다. 영상 및 기타 매개 변수에 대한 대규모 데이터가 기하 급수적으로 누적되고 있기 때문이다. 이 과정을 가속화하기 위해서는 글로벌 협력과 노력이 필수적이다.
