비조영 MRI만으로 뇌종양 강화 예측하는 인공지능 모델

초록

본 연구는 전·후 조영 MRI 없이 비조영 T1, T2, FLAIR 영상만으로 뇌종양의 조영 강화 부위를 예측·분할하는 딥러닝 시스템을 개발·검증하였다. 10개 국제 데이터셋(총 11 089건)에서 nnU‑Net, SegResNet, SwinUNETR을 학습시켰으며, 1 109명의 독립 테스트군에서 평균 83 %의 균형 정확도, 91.5 % 민감도, 74.4 % 특이도를 달성했다. 100건을 무작위 선정한 11명의 전문 방사선과 의사와 비교했을 때 모델이 전반적으로 높은 정확도와 Dice 점수를 보였으며, 특히 작은 병변 탐지에서 인간보다 우수한 성능을 나타냈다.

상세 분석

본 논문은 임상 현장에서 조영제 사용이 제한되는 상황(신부전, 알레르기, 소아 등)을 고려해, 비조영 MRI만으로 뇌종양의 조영 강화 여부를 자동으로 판단할 수 있는 AI 모델을 제시한다. 데이터는 2006‑2024년 사이에 수집된 10개 국제 기관의 11 089건(성인·소아, 다양한 병리, 수술 전·후 포함)이며, 1.5 T·3 T 다중 제조사의 스캔을 포함한다. 전처리는 표준화된 강도 정규화와 MNI 공간 정합을 수행했으며, 움직임·등록 오류가 있는 경우는 제외하였다. 라벨링은 포스트 콘트라스트 T1CE 영상을 기반으로 전문가가 직접 구분한 ‘강화 종양’ 영역을 사용하였다.

모델 아키텍처는 최신 세 가지를 비교하였다. nnU‑Net은 자동 구성 파이프라인을 활용해 1 000 epoch 기본 모델과 4 000 epoch 대형 residual encoder 모델을 학습했으며, SegResNet은 16채널 초기 컨볼루션·드롭아웃0.1·ReLU를 적용했고, SwinUNETR은 48 피처 사이즈와 attention dropout 0.1을 사용했다. 모든 모델은 Adam 옵티마이저(learning rate 0.001)와 코사인 스케줄러, Dice loss를 적용했으며, 데이터 증강(플립, 강도 변환, 잡음, 변형 등)을 광범위하게 수행했다. 학습은 RTX 6000 GPU에서 약 2 000시간(≈83일) 소요되었다.

성능 평가는 voxel‑level Dice, balanced accuracy, precision, recall, F1을 포함한 다중 지표와, 환자‑level 강화 존재 여부를 판단하는 binary classification을 bootstrap(1 000회)으로 검증했다. 모델은 평균 Dice 0.58(전체)이며, Dice ≥ 0.3인 경우 76.8 %, ≥ 0.5인 경우 67.5 %, ≥ 0.7인 경우 50.2 %의 환자에서 ‘acceptable’, ‘good’, ‘excellent’ 검출을 달성했다. 특히, 볼륨 예측과 실제 강화 부피 사이의 R²는 0.859로 높은 상관성을 보였다.

전문 방사선과 의사 11명(각 100건, 총 1 100평가)과의 비교에서는 인간의 평균 balanced accuracy가 0.698에 불과했으며, 민감도·특이도·precision·F1 모두 모델보다 낮았다. 모델이 놓친 35건 중 14건은 인간이 정확히 판정했으며, 인간이 놓친 100건 중 79건을 모델이 올바르게 식별했다. 이는 특히 미세하거나 비전형적인 강화 병변을 AI가 더 잘 포착한다는 점을 시사한다.

공정성 평가에서는 연령·성별·국가·병리·스캔 사이트별 성능 차이를 분석했으며, 전반적으로 큰 편차가 없음을 보고했다. 이는 대규모 다기관 데이터를 활용한 모델이 다양한 인구통계학적·임상적 변이를 견디는 일반화 능력을 가짐을 의미한다.

한계점으로는 (1) 비조영 영상만으로는 혈관성 병변·염증성 병변과의 구분이 어려울 수 있다, (2) 외부 검증이 제한적이며 실제 임상 워크플로에 통합하기 위한 실시간 추론 속도·사용자 인터페이스가 추가로 필요하다, (3) 일부 데이터는 라벨링 품질·등록 정확도에 의존하므로, 향후 표준화된 라벨링 프로토콜이 요구된다.

결론적으로, 본 연구는 대규모 다기관 비조영 MRI 데이터를 이용해 강화 종양을 높은 정확도로 예측하는 딥러닝 모델을 최초로 제시했으며, 조영제 사용을 최소화하거나 대체할 수 있는 스크리닝 도구로서의 가능성을 보여준다. 향후 전임상 시험과 임상 적용 연구를 통해 실제 환자 관리에 미치는 영향을 검증할 필요가 있다.