품질 인식 토폴로지 기반 가중 융합으로 장기 저용량 CT 신생 병변 예측

본 연구는 저용량 CT(LDCT) 스크리닝 및 장기 추적 검진에서 발생하는 이미지 품질 변동이 신생 병변 탐지에 미치는 부정적 영향을 해결하고자 한다. 기존 방법은 정합 품질이 낮은 경우 전체 데이터를 배제하거나, 모든 입력을 동일하게 처리해 잡음·정합 오류에 취약했다. 저자들은 방사선과사가 실제 임상에서 “외관이 깨끗하면 외관을, 정합이 정확하면 차이 영상을 믿는다”는 직관을 모델링하기 위해, 두 개의 독립적인 뷰(appearance와 temporal subtraction Δ)를 각각 얕은 3D CNN으로 인코딩하고, 품질에 따라 가중치를 동적으로 조절하는 게이트 메커니즘을 설계했다. **품질 벡터(q)** - **q_ct**: 라플라시안 변동성(variance of Laplacian) 기반 무참조 샤프니스/엔트로피 측정. 잡음·블러가 심할수록 값이 낮아지며, tanh와 정규화 상수 κ_ct를 통해 0‑1 구간에 매핑한다. - **q_reg**: SSIM(Structural Similarity Index) 평균값으로, follow‑up와 정합된 baseline 사이의 구조적 일관성을 평가한다. 정합이 잘 될수록 1에 가까워진다. - **q_topo**: Euler‑Characteristic 변환을 이용해 각 이미지의 지속성 다이어그램을 생성하고, 두 다이어그램 간 bottleneck 거리(W∞)를 계산한다. 거리의 지수 감소(exp(−τ·W∞))를 통해 토폴로지 안정성을 0‑1로 정규화한다. 세 품질 지표는 서로 보완적인 정보를 제공한다. 예를 들어, 잡음이 많아도 정합이 우수하면 Δ 뷰가 여전히 유용할 수 있고, 토폴로지 변동이 적으면 구조적 변화가 실제 병변인지 판단하는 데 도움이 된다. **가중 게이트(α)** α는 시그모이드 함수 σ(w1·q_ct + w2·q_topo − w3·q_reg + b) 로 정의된다. w1, w2, w3는 모두 비음수이며, 이는 α가 q_ct와 q_topo가 증가할수록, q_reg이 감소할수록 단조적으로 증가하도록 보장한다. α가 1에 가까우면 외관 뷰의 예측 g_app에 거의 전적으로 의존하고, 0에 가까우면 Δ 뷰의 예측 g_Δ에 의존한다. **예측 결합** s = α·g_app(f_app) + (1−α)·g_Δ(f_Δ) 로 두 뷰의 스코어를 가중합하고, 최종 확률 ȳ = σ(s) 를 출력한다. 손실 함수는 BCE와 Brier 스코어의 가중합 L = BCE + λ·Brier 로 구성해 정확도와 캘리브레이션을 동시에 최적화한다. 필요 시 α의 단조성을 강화하는 추가 페널티도 적용 가능하다. **실험 설정** - 데이터: NLST‑New‑Lesion‑LongCT, 152 쌍(122명) LDCT 스캔. 각 쌍은 정합된 baseline와 follow‑up, 병변 중심 좌표(p) 및 레이블(y) 제공. - 전처리: HU 클리핑(−1000~400), 등방성 리샘플링, 고정 크기 3D ROI 추출. - 모델: 얕은 3D CNN(2×3×3×3 conv + BN‑ReLU + GAP)으로 f_app, f_Δ 추출, 동일 구조 공유. - 비교 모델: appearance‑only, Δ‑only, topology‑only, Gate+AllFeatures(모든 특성을 한 번에 입력) 등. - 평가: AUC, Brier 스코어, 표준편차. 5‑fold 환자 수준 교차 검증, 검증 AURC 기반 early stopping. **주요 결과** | 모델 | AUC (±SD) | Brier | |------|-----------|-------| | Appearance‑only | 0.55 ± 0.09 | — | | Δ‑only | 0.57 ± 0.08 | — | | Topology‑only | 0.61 ± 0.06 | — | | **TopoGate** | **0.65 ± 0.05** | **0.14** | | Gate+AllFeatures | 0.58 ± 0.06 | — | - TopoGate은 모든 단일 뷰 대비 통계적으로 유의미하게 성능이 향상되었다. - 저품질 쌍(예: q_reg이 낮은 경우) 제거 후 전체 AUC는 0.62→0.68, Brier는 0.14→0.12로 추가 개선. - 가중 게이트 α는 q_ct와 q_topo가 높을수록, q_reg가 낮을수록 증가하는 명확한 단조 관계를 보였으며, 이는 방사선과사의 판단 흐름과 일치한다. - 잡음 시뮬레이션 실험에서 α가 점진적으로 상승, 즉 Δ 뷰에 대한 의존도가 감소함을 확인, 모델이 잡음에 강인함을 입증. **해석 가능성 및 임상 적용** α와 q 벡터는 환자 수준에서 바로 출력되므로, 의료진은 “정합이 낮아 Δ를 신뢰할 수 없으니 외관에 의존한다”는 근거를 시각화하거나 보고서에 포함시킬 수 있다. 이는 고위험 AI 적용 시 요구되는 투명성(interpretability) 원칙을 충족한다. 또한, TopoGate은 경량 모델이므로 PACS 혹은 클라우드 기반 서비스에 쉽게 배치 가능하며, 기존 QC 필터링 파이프라인에 연속적으로 삽입해 false alarm을 감소시키는 전처리 단계로 활용될 수 있다. **한계 및 향후 연구** - 현재는 단일 기관(NLST) 데이터에 한정돼 외부 검증이 필요하다. - 더 복잡한 프리트레인된 3D 백본(예: Swin‑UNETR)과 결합해 성능을 높이면서도 품질‑가중 융합 메커니즘을 유지하는 연구가 진행될 예정이다. - 프로스펙티브 독자 연구를 통해 실제 방사선과사의 판독 시간, 오버라이드 비율 등을 측정하고, 인간‑AI 협업 효율성을 정량화할 계획이다. - 토폴로지 지표는 현재 Euler‑Characteristic 기반이지만, 다른 위상학적 특성(예: 베타 수, 지속성 이미지)과의 비교도 필요하다. **결론** TopoGate은 저용량 CT 장기 추적에서 발생하는 품질 변동을 정량화하고, 이를 기반으로 외관과 차이 영상을 동적으로 융합하는 경량·해석 가능한 프레임워크이다. 품질‑가중 게이트는 방사선과사의 임상 판단을 모델링하면서도, 실제 데이터에서 AUC와 캘리브레이션을 동시에 개선한다. 저품질 데이터에 대한 자동 필터링과 결합하면 더욱 높은 신뢰성을 확보할 수 있다. 향후 다기관 외부 검증 및 인간‑AI 협업 연구를 통해 임상 현장 적용 가능성을 검증할 예정이다.