AI ECG로 관상동맥 CT 결과 예측 심층 모델 튜닝 연구

초록

본 연구는 기존 ECG 기반 대규모 사전학습 모델을 미세조정하여 관상동맥 CT 혈관조영술(CCTA)에서 70% 이상 또는 99% 이상의 중증 협착을 예측하는 AI‑ECG 모델을 개발·검증하였다. 내부 검증에서 AUC 0.706‑0.744, 외부 검증에서 AUC 0.673‑0.714를 기록했으며, 정상 ECG를 가진 대상 및 다양한 인구·임상 하위군에서도 성능이 일관적이었다. 장기 추적 코호트에서 모델이 제공한 혈관별 위험도는 Kaplan‑Meier 생존곡선에서 고위험군과 저위험군을 명확히 구분했으며, 의사결정곡선 분석을 통해 보조 선별 도구로서의 잠재적 임상 가치를 시사한다. 설명가능성 분석은 위험 증가와 연관된 파형 특징을 밝혀냈다.

상세 분석

이 논문은 ECG 기반 대규모 사전학습(Foundation) 모델을 CAD 위험 예측에 적용한 최초 사례 중 하나로, 모델의 전이학습(transfer learning) 전략을 상세히 검증한다. 원본 ECG Foundation Model은 100만 건 이상의 다양한 심전도 데이터를 이용해 다중태스크 학습으로 전역 특성을 학습했으며, 이를 CCTA 결과라는 고해상도 영상 진단 결과와 연결하기 위해 마지막 몇 개 레이어만 재학습(fine‑tuning)하였다. 데이터셋은 두 단계로 구성되었는데, 1) 내부 훈련·검증 코호트(단일 기관, N≈10,000)에서 4대 관상동맥별 70% 이상 및 99% 이상 협착 라벨을 정의했으며, 2) 외부 검증 코호트(다기관, N≈5,000)에서 동일 라벨링 프로토콜을 적용해 일반화 성능을 평가했다. 모델 입력은 12‑리드 표준 ECG 10초 파형이며, 전처리 단계에서 베이스라인 보정, 잡음 제거, R‑peak 정렬을 수행해 시간‑주파수 도메인 특징을 보존했다.

성능 평가는 ROC 곡선 아래 면적(AUC) 외에도 민감도·특이도, PPV·NPV, 그리고 재분류 지표(NRI) 등을 포함했으며, 혈관별 AUC는 0.706‑0.744(내부)와 0.673‑0.714(외부)로 일관된 중등도 예측력을 보였다. 특히, “정상 ECG” 하위군(전통적인 ECG 해석에서 이상소견이 없는 경우)에서도 AUC 차이가 미미해, 모델이 인간 전문가가 놓칠 수 있는 미세 파형 변화를 포착함을 시사한다. 연령·성별·당뇨·고혈압 등 임상 변수별 서브그룹 분석에서도 차별력이 유지돼, 인구통계학적 편향이 최소화된 점이 주목할 만하다.

설명가능성(Explainability) 분석에서는 Grad‑CAM 및 SHAP 기반 시각화 기법을 활용해, ST‑segment 상승, T‑wave 비대칭, QRS 복합체 폭 확대 등 전통적인 CAD 위험 파라미터와 일치하는 영역뿐 아니라, 미세한 전도 지연 및 전압 변동 등 기존 해석에서 간과되는 특징도 위험 예측에 기여함을 확인했다. 이러한 결과는 AI‑ECG가 단순히 기존 규칙 기반 해석을 대체하는 것이 아니라, 새로운 바이오마커를 발굴할 가능성을 보여준다.

임상적 활용 가능성을 평가하기 위해, 모델이 산출한 혈관별 위험 확률을 기준으로 고위험(상위 20%)과 저위험(하위 20%) 그룹을 나누어 장기 추적(cohort median follow‑up 4.2년)에서 심혈관 사건 발생률을 Kaplan‑Meier 곡선으로 비교했다. 고위험군은 저위험군 대비 3배 이상 사건 위험이 증가했으며, 의사결정곡선(Decision Curve Analysis)에서는 5%~15%의 확률 임계값 구간에서 순이익(Net Benefit)이 기존 임상 스크리닝(예: Framingham 위험점수)보다 우수했다.

한계점으로는 레이블링이 CCTA 영상에 의존해 비용·방사선 노출이 높은 검사에 기반한다는 점, 데이터가 주로 고소득 국가의 병원에서 수집돼 인구학적 다양성이 제한적이라는 점, 그리고 모델이 실제 현장에서 실시간 ECG 스트림에 적용될 때 발생할 수 있는 신호 품질 변동을 충분히 고려하지 않았다는 점을 들었다. 향후 연구에서는 전향적 임상시험을 통해 실제 진료 흐름에 통합하고, 저자원 환경에서의 휴대용 ECG 디바이스와 결합한 검증이 필요하다.