서론

Placenta Accreta Spectrum (PAS)는 태반이 자궁벽에 너무 깊게 부착되는 복잡하고 생명을 위협하는 상태입니다. PAS의 발생률은 주로 제왕절개 출산 증가와 관련된 자궁 흉터 때문으로 점차 증가하고 있습니다. 지난 수십 년 동안 발병률이 두 배 이상 증가했으며, 2022년 연구에서는 사우디아라비아에서 1,000명의 출산 중 13.32명이 PAS를 경험했다고 보고되었습니다. PAS는 임신 및 분만 시 심각한 산모 출혈, 감염, 비상자궁절제술 등 침습적인 절차가 필요하고, 산모의 합병증과 사망률을 증가시키는 위험성을 안고 있습니다. PAS의 기전은 아직 완벽히 이해되지 않고 있으며, 신뢰할 수 있는 단백질 마커도 발견되지 않았습니다.

PAS를 조기에 정확하게 감지하는 것은 적절한 관리와 치료를 위한 시기적절한 개입이 중요합니다. 전통적인 진단 방법은 임상 평가, 생화학적 표지자, 초음파(US) 이미징 및 자기공명영상(MRI)을 포함하며, 이러한 방법들은 종종 주관적인 해석을 필요로 하고 정확한 침습성 정도와 심각성을 예측하는 데 한계가 있습니다. PAS의 복잡성은 다학제적 접근이 요구되나, 다양한 분야에서 얻어진 데이터와 전문지식을 통합하여 여러 검사 및 이미징 방법의 결과를 결합해 적시에 정확한 진단을 제공하는 것은 여전히 도전 과제입니다. 이로 인해 관리가 지연되거나 부적절하게 이루어져 산모와 태아의 합병증이 증가할 수 있습니다. 이러한 문제를 해결하기 위해, 특히 딥러닝은 PAS에서 진단 및 임상 의사결정을 개선하는 유망한 방법입니다.

딥러닝 모델, 특히 합성곱 신경망(CNN)은 복잡한 의료 이미지로부터 정교한 패턴과 특성을 학습하는 데 뛰어난 능력을 보여주며 다양한 데이터 소스에서 PAS를 감지하는 데 사용되었습니다. 그러나 기존의 전통적인 머신러닝 및 딥러닝 모델은 종종 단일 모달성, 즉 US 이미지나 MRI에 의존하여 예측을 수행하는 한계가 있습니다. 이 일모달 방식은 진단 성능을 향상시키는 관련 정보를 잃게 할 수 있습니다. 다양한 의료 진단 작업에서 다중 모달 데이터를 사용한 새로운 혁신적인 딥러닝 모델이 개발되었습니다. 연구에 따르면, 다중모달 학습은 일모달 학습의 성능을 향상시킵니다. US 및 MRI 이미지를 구성하는 광범위하고 다양한 데이터셋으로 딥러닝 모델을 학습시키는 것은 PAS 감지용 강건하고 정확한 알고리즘 개발에 기여합니다. 그러나 현재까지도 다중모달 딥러닝 프레임워크를 활용해 다양한 이미징 방법의 보완적인 장점을 결합하는 PAS 감지 연구는 제한적입니다.

최근 연구들은 주로 단일 이미징 모달성을 중심으로 진행되었으며, 특히 MRI가 종종 초음파(US) 결과가 불확실할 때 우수하다고 간주됩니다. 일부 연구는 T2 가중 영상(T2WI) 시퀀스에서의 MRI의 라디오토믹 특징이 PAS를 예측하는 데 높은 정확도로 기여함을 보였으며, 후속 연구에서는 라디오토믹과 딥러닝 특징을 결합했습니다. Peng 등은 MedicalNet을 활용한 전이 학습으로 MRI에서 라디오토믹 특징을 추출하는 딥러닝 모델을 제시하여 독립 테스트 세트에 대해 0.861 AUC와 75% 정확도, 외부 검증에서는 0.852 AUC를 달성했습니다. 최근 접근법은 분할 네트워크(nnU-Net)와 딥 분류기를 결합하여 수신자 작동 특성 곡선(AUC)이 0.86을 초과하고 정확도가 84.3%로 의료진을 능가했습니다. Xu 등은 T1 가중 영상(T1WI) 및 T2WI 시퀀스의 MRI 특징을 복수 경로 신경망을 사용하여 통합, 82.5% 정확도를 달성하며 여러 시퀀스의 MRI 데이터 통합의 잠재력을 보여주었습니다.

MRI에 비해 US 기반 감지 연구는 접근성이 좋고 비용 효율적이지만, 운영자의 의존성과 민감도가 낮은 이유로 더 적게 진행되었습니다. 최근 연구에서는 2D US 이미지에서 텍스처 특징을 사용한 머신러닝 모델을 개발하여 고정 교차 검증 정확도를 83.0%와 88.7%, 보고된 테스트 결과는 각각 92.3%와 87.2%로 나타냈습니다. 또한, 라디오토믹 특징과 k-최근접 이웃 분류 접근법은 80% 이상의 정확도를 달성했으며, US에서 복합 사전 학습 및 태반 두께 분석도 유망함을 보여주었습니다. 이미지 외에도 여러 연구들은 PAS의 임상 및 생화학적 예측자를 조사했습니다. Shazly 등은 다중 센터 임상 데이터를 사용하여 출혈 위험에 대한 예측 모델을 구축했으며, YAŞAR 등은 플라즈마 단백질에 머신러닝을 적용해 잠재적인 바이오마커를 식별했습니다.

기존 연구들은 주로 단일 모달 데이터를 탐색하였지만, 매우 적게 다중모달 접근법을 사용하여 PAS 감지를 조사하였습니다. Ye 등은 앙상블 학습을 사용해 MRI와 임상 데이터를 결합했으나, 결정 수준(후기) 융합만 적용되어 단일 모달 모델보다 성능이 향상되었습니다 (AUC 0.857). Zhu 등은 nnU-Net 분할 및 로지스틱 회귀를 사용해 MRI 라디오토믹과 임상 변수를 결합하여 AUC 0.849로 의료진(AUC 0.744)을 능가했습니다. 다른 영역에서는 다중모달 딥러닝이 성공적으로 적용되었습니다. Holste 등은 유방 MRI와 임상 데이터의 중간 특징 융합으로 진단 정확도를 향상시켰으며 (AUC 0.898), Yan 등은 병리학적 이미지와 임상 특징을 통합해 유방암 분류에 성공했고, Venugopalan 등은 MRI, 유전 정보 및 임상 검사를 융합하여 알츠하이머병 진단에서 다중모달 모델이 단일 모달 모델보다 우수함을 보여주었습니다.

기존 연구는 딥러닝, 특히 CNN 기반 접근법이 전통적인 머신러닝보다 PAS 감지에 뛰어난 성능을 보여주는 것을 나타냈습니다. 그러나 대부분의 연구들은 특정 모달성에 국한되어 있으며 수작업 분할에 의존하거나 제한된 데이터셋을 사용합니다. 이전 연구는 후기 융합 또는 앙상블 방법을 사용해 이미징과 임상 데이터를 결합하였으며, 다중모달 딥러닝은 다른 의료 영역에서 효과적임이 입증되었습니다. 그러나 US와 MRI 이미지를 통합하여 PAS 감지에 대한 end-to-end, 특성 수준 융합 모델의 개발 및 검증은 아직 해결되지 않은 중요한 연구 간극입니다.

본 연구의 주요 동기 중 하나는 딥러닝과 다중모달 데이터를 활용해 PAS 감지를 정확하고 신뢰할 수 있게 함으로써 의료진이 정보에 입각한 의사결정을 내리고 적절한 임신 관리를 제공하도록 돕는 것입니다. 다양한 소스의 데이터 통합은 환자의 상태를 더 자세하게 파악하는 데 도움이 되며 진단 정확도를 향상시키고 잘못된 진단을 줄일 수 있습니다. 따라서 본 연구에서는 1,293개 MRI와 1,143개 US 이미지를 이용한 엄선된 데이터셋에서 PAS를 감지하기 위한 중간 특징 융합 방법을 사용하는 다중모달 딥러닝 모델을 개발했습니다.

본 연구의 기여는 PAS 및 정상 사례에 대한 MRI와 US 이미지를 포함하는 이중 모달 데이터셋 개발, 이를 이용한 자동 PAS 감지용 다중모달 딥러닝 모델 개발, 정확도, 재현율 등 다양한 성능 지표를 사용한 모델 평가 및 제안된 다중모달 접근법의 장점을 보여주는 대조적 분석입니다.

방법론

데이터 수집

이 연구에서는 국왕 아부다지즈 의과대학 산부인과와 협력하여 환자들의 역추적 코호트 데이터를 사용했습니다. 모든 환자의 데이터는 기관의 지침 및 윤리 기준에 따라 수집 및 이용되었습니다. 연구 시작 전에 윤리 승인이 확보되었으며, 환자 보안과 개인정보 규제 준수를 위해 엄격한 조치가 취해졌습니다. 병원의 건강 기록을 사전 검토한 결과 PAS 증상을 가진 환자가 상당 부분 있음을 확인했습니다. 엄격한 포함 기준을 적용하여 확정 진단 결과와 계산 분석에 적합한 이미지 품질을 갖춘 케이스를 선별함으로써 초기 데이터는 1,293개 T2WI MRI 스캔과 1,143개 US 이미지를 포함했습니다. 그림 1은 MRI와 US 컬렉션의 몇 가지 예를 보여주며, MRI는 3D 스캔의 단일 슬라이스를 표시합니다. MRI에서 PAS는 태반 내 어두운 띠, 근육층 경계 중단 및 비정상 혈관성(Figure 1B)으로 일반적으로 식별되며 정상 태반 사례는 부드럽고 불연속되지 않은 자궁-태반 표면을 보입니다 (Figure 1A). US에서 PAS 사례(Figure 1D)는 다양한 크기의 태반 내부에 불규칙한 공간인 태반 라쿠나, 근육층 두께 감소 및 후태반 공간 손실을 보여주며 정상 태반 이미지는 일관된 태반 외형과 무결한 후태반 영역(Figure 1C)을 유지합니다. 다중모달 이미지 쌍(Figure 1E-F)은 MRI와 US가 PAS 양성 및 정상 사례를 구분하는 데 제공하는 보완적인 진단 정보를 강조합니다. 데이터 수집은 다양한 환자를 대표하도록 구성되어 있으며, 견고하고 일반화 가능한 딥러닝 모델 개발에 사용되었습니다.

데이터 준비 및 전처리

초기 데이터 수집 후 세 개의 별도의 데이터셋이 생성되었습니다: 단일 모달 MRI 데이터셋(1,133개 스캔), 단일 모달 US 데이터셋(983개 스캔) 및 다중모달 쌍 데이터셋(160개 쌍). 각 샘플 쌍은 같은 환자의 MRI 스캔과 US 스캔을 포함합니다. 단일 모달 데이터셋은 다중모달 데이터셋보다 크고, 큰 단일 모달 데이터셋은 복잡한 패턴을 학습할 수 있는 딥 특징 추출기를 훈련하는 데 필수적입니다. 그런 다음 작은 양질의 쌍 데이터셋을 사용하여 최종적인 세부 분석 작업인 데이터 융합을 수행합니다. 이 계층형 접근법은 먼저 모달성별 대량의 데이터에서 얻을 수 있는 지식을 최대한 활용한 후 환자 매치 데이터를 통해 모달성 간 관계를 학습할 수 있게 합니다. 모든 이미지를 위한 표준화된, 모달성에 특화된 전처리 파이프라인을 구현하여 데이터 일관성을 보장하고 딥러닝 모델 입력에 적합한 정규화된 강도 분포와 형식을 제공합니다.

MRI 전처리

원시 3D MRI는 DICOM 포맷으로 저장되어 있으며 2D 슬라이스 형태입니다. 이러한 DICOM 시리즈는 개별 2D 슬라이스를 단일 3D 볼륨 파일로 결합하는 NIfTI 형식으로 변환되었습니다. 다양한 스캔 방향에서 발생하는 변동성을 제거하기 위해 각 3D 볼륨의 축을 표준 (높이, 너비, 깊이) 순서로 재배열했습니다. 모든 볼륨은 필요에 따라 원래 측면 비율을 유지하도록 패딩을 적용하여 $`128\times128\times64`$ 복셀 크기로 큐빅 보간법을 사용해 리사이즈되었습니다. 마지막으로 각 스캔의 최대 복셀 강도를 식별하고 min-max 스케일링을 통해 0에서 1 사이의 부동 소수점 값으로 정규화했습니다. 이러한 공간 표준화는 고정 크기 입력 레이어를 가진 딥러닝 모델에서 배치 처리를 위한 전제 조건입니다 (그림 2 참조).

초음파 전처리

2D US 이미지는 다른 파이프라인을 통해 처리되었습니다 (그림 3 참조). 픽셀 강도는 먼저 min-max 스케일러를 사용해 정규화되고 0에서 255 범위의 8비트 정수로 재스케일링되었습니다. 단일 채널 그레이스케일 이미지는 세 개의 채널 RGB 형식으로 변환되었고 $`224\times224`$ 픽셀 해상도로 리사이즈되었으며, 이는 본 연구에서 평가된 대부분의 사전 훈련된 CNN 모델의 표준 입력 형식입니다.

데이터 분포 및 증강

이러한 데이터셋의 분할은 원래 클래스 분포가 학습, 검증 및 테스트 세트에 유지되도록 분산 샘플링을 사용하여 수행되었습니다. 이로 인해 표본 편향을 방지할 수 있습니다. 다양한 크기와 특정 분석 목적에 맞게 다른 분할 비율이 사용되었습니다. 이 단계에서는 데이터 증강 및 모델링 전략도 포함되어 있으며, 클래스 불균형을 해결하고 학습 중 오버샘플링과 클래스 가중치를 사용하여 다수 클래스로의 모델 편향을 방지했습니다. Table 1은 단일 모달 MRI, 단일 모달 US 및 쌍방 데이터셋에 대한 학습, 검증 및 테스트 세트에서 PAS(라벨 1)와 정상(라벨 0) 사례의 분포를 상세히 보여줍니다.

단일 모달 MRI 데이터셋

단일 모달 MRI 분석의 경우, 1,133개 독립된 T2WI 3D MRI 스캔이 선택되었습니다. 이 데이터셋에는 심각한 클래스 불균형이 있었으며, 정상 타입 스캔은 853개이고 PAS 스캔은 280개였습니다. 데이터셋은 학습 세트 (70%; n = 793), 검증 세트 (10%; n = 113) 및 hold-out 테스트 세트 (20%; n = 227)로 분할되었습니다.

단일 모달 US 데이터셋

단일 모달 US 데이터셋은 독립된 2D US 이미지의 샘플 983개를 사용하여 개발되었습니다.