관상동맥 영상의 복잡망 모델링과 분석

본 연구는 관상동맥 조영술(angiography) 영상에서 얻어지는 혈관 구조를 복잡망(complex network) 형태로 모델링하고, 이를 통해 건강한 심장과 병변이 있는 심장의 네트워크 특성을 정량적으로 비교한다. 먼저 저자들은 혈관 교차점을 노드(node)로, 교차점 사이의 혈관 구간을 가중치(edge)로 정의하였다. 가중치는 해당 혈관 구간의 직경과 길이의 곱으로 설정해, 물리적 혈관 특성을 그래프에 직접 반영한다. 이 과정은 현재는 그래픽 필터와 수동 측정을 통해 수행했지만, 기존의 이미지 처리 및 머신러닝 도구를 활용하면 완전 자동화가 가능하다고 제시한다. 두 개의 사례(건강한 경우와 좌관상동맥에 협착이 있는 경우)를 선택해 각각의 네트워크를 구축하였다. 기본적인 네트워크 지표를 비교한 결과, 건강망은 115개의 노드와 140개의 에지를 가지고 평균 차수 2.43, 클러스터링 계수 0.099, 지름 23인 반면, 병변망은 노드 109, 에지 138, 평균 차수 2.53, 클러스터링 계수 0.063, 지름 24를 보였다. 특히 클러스터링 계수가 36 % 낮아져 노드 간 연결성이 약화된 것을 확인했다. 시각화 단계에서는 원형 레이아웃을 이용해 각 에지의 두께를 가중치(직경 × 길이)로 표시하고, Λ‑branch(부모 노드가 두 자식만을 갖고, 자식이 다른 노드와 연결되지 않은 구조)를 강조하였다. 병변망에서는 이러한 Λ‑branch가 더 많이 나타났으며, 이는 혈류 공급이 부족해 새로운 미세혈관이 형성되는 Neovascularization 현상을 반영한다는 해석을 제시한다. 차수 분포 분석에서는 전체 차수, 입 차수(in-degree), 출 차수(out-degree)의 사분위 분포를 비교하였다. 건강망은 대부분의 노드가 차수 사분위 4에 몰려 있어 고연결성을 보였지만, 병변망은 입 차수가 사분위 3으로 이동해 혈관 재구성 및 흐름 방향성에 변화가 있음을 시사한다. 네트워크 통합성(Integration) 평가는 세 가지 지표로 수행되었다. (1) 최단 경로 길이: 모든 노드 쌍 사이의 최소 홉 수를 계산해 구조적 효율성을 측정한다. (2) 라우팅 효율성(Routing Efficiency): 가중치를 고려한 비용 효율성을 나타내며, 혈관 직경·길이가 큰 경로가 더 효율적으로 작동함을 의미한다. (3) 탐색 정보(Search Information): 무작위 보행자가 최단 경로를 찾기 위해 필요한 정보량을 정량화한다. 결과적으로 건강망은 탐색 정보가 낮아 혈류가 효율적으로 전달될 가능성이 높고, 병변망은 정보량이 증가해 혈류 흐름이 비효율적임을 보여준다. 이러한 차이는 자동화된 질환 판별에 활용될 수 있다. 제어 가능성(Controllability) 분석에서는 최소 드라이버 노드 집합을 도출하였다. 드라이버 노드는 네트워크 전체 상태를 원하는 값으로 전이시키기 위해 직접 제어해야 하는 핵심 노드이다. 건강망에서는 전체 노드의 42 %가 드라이버 노드였으며, 병변망은 37 %에 불과했다. 이는 병변망이 구조적으로 더 취약하고, 소수의 핵심 노드에 장애가 발생하면 전체 순환에 큰 영향을 미칠 가능성을 의미한다. 논문의 결론에서는 복잡망 모델링이 기존 QCA가 놓치기 쉬운 전역적 구조와 동역학 정보를 포착함으로써 관상동맥 영상 해석을 자동화하고, 네트워크 지표들을 새로운 임상 바이오마커로 활용할 수 있는 가능성을 강조한다. 또한, 향후 연구에서는 자동화된 노드·에지 추출 파이프라인 구축, 더 다양한 병변 유형에 대한 대규모 데이터베이스 구축, 그리고 네트워크 기반 예측 모델을 임상 워크플로에 통합하는 방향을 제시한다.