인구 규모 10만 명 심장 4챔버 동적 형태 모델 구축

본 논문은 인간 심장의 네 개 챔버(좌심실, 우심실, 좌심방, 우심방)의 형태와 움직임을 동시에 모델링한 3차원‑시간(3D+t) 통계 형태 모델(HeartSSM)을 제시한다. 기존 연구는 주로 좌·우 심실에 국한되었으며, 데이터 규모도 수십~수천 명에 머물렀다. 영국 바이오뱅크(UK Biobank)에서 제공하는 약 100,000명의 심장 자기공명영상(CMR) 데이터를 활용해, 95,695명의 고품질 4챔버 메쉬를 자동으로 생성하였다. **데이터 전처리 및 파이프라인** 1. **모션 보정**: 호흡 및 다중 뷰(단축축, 4챔버, 2챔버) 간 정렬 오류를 강도 기반 알고리즘으로 보정, Dice와 Pearson r²를 크게 향상시켰다. 2. **라벨 완성**: 2D 다중 뷰에서 얻은 희소 세그멘테이션을 LC‑U‑Net(라벨 완성 U‑Net)으로 3D 밀집 라벨로 변환. CT 기반 3D 라벨을 이용해 학습·검증했으며, 모든 챔버에서 Dice > 0.91, ASSD ≈ 1.4 mm를 달성했다. 3. **메쉬 재구성**: HeartFFDNet은 입력 3D+t 라벨에서 다중 스케일·다중 프레임 자유형 변형(Free‑Form Deformation, FFD)을 학습해 템플릿 메쉬를 변형, 시간적 일관성을 유지한다. 결과 메쉬는 정점 연결성이 모든 프레임·피험자에서 동일하며, 평균 2.87 s(모션 0.32 s, 라벨 2.4 s, 메쉬 0.15 s) 내에 처리된다. **성능 평가** - **기하학적 정확도**: HeartFFDNet은 DeepMesh와 HybridVNet 대비 ASSD 1.426 mm vs 1.478 mm/1.579 mm, HD90 2.605 mm vs 2.697 mm/2.913 mm에서 유의하게 우수했다. - **시간·사이클 일관성**: 시간적 라플라시안 오차 0.150 mm, 사이클 일관성 오차 0.284 mm으로 기존 방법보다 크게 개선되었다. - **질환군 일반화**: 확장성 검증에서 확장성 심근증, 비대성 심근증, 폐고혈압, 심방세동, 심부전 등 ICD‑10 코드 기반 질환군에서도 평균 ASSD ≈ 1.69 mm, HD90 ≈ 3.22 mm을 유지, 일반화 능력이 확인되었다. **HeartSSM 구축** 64,000개의 3D+t 메쉬를 이용해 증분 PCA(Incremental PCA)를 적용, 3,000여 개 주성분을 추출하였다. 첫 네 개 PC는 전체 변이의 약 70%를 설명한다. - **PC1**: 전체 심장 크기(전반적 확대·축소) - **PC2**: 우심방 형태(부피·모양) - **PC3·PC4**: 좌·우 심실의 비대·수축 패턴 및 심방‑심실 간 상호작용 주성분과 연령, 성별, BMI, 혈압, 당뇨 등 인구통계·위험인자 간 상관관계를 분석했으며, 특정 PC가 특정 질환(예: PC2와 폐고혈압, PC3와 비대성 심근증)과 강하게 연관됨을 확인했다. **다운스트림 응용** 1. **질환 분류**: 4챔버 형태 페노타입을 이용해 심혈관 질환(예: 심부전, 심근증) 분류 모델을 구축, 기존 이미지 기반 페노타입 대비 AUC가 0.03 상승. 2. **심장 연령 예측**: 형태 기반 연령 예측 모델에서 평균 절대 오차(MAE)가 1.2년 감소, 연령‑관련 변이를 정밀히 포착. 3. **형태 검색·재식별**: PC 공간에서 유사한 심장 형태를 빠르게 검색하는 엔진을 구현, 장기 추적 데이터에서 동일 개인을 94% 정확도로 재식별, 개인 맞춤형 디지털 트윈 구축 가능성을 시사한다. **의의 및 향후 전망** - **규모와 포괄성**: 10만 명 규모의 인구 기반 데이터와 4챔버 전체를 포괄하는 동적 모델은 기존 연구보다 훨씬 풍부한 해부·기능 정보를 제공한다. - **자동화와 효율성**: 전체 파이프라인이 3초 이내에 처리 가능해 대규모 코호트 연구에 실용적이며, 공개될 코드·데이터셋은 연구 커뮤니티에 큰 자산이 될 것이다. - **임상 적용**: 형태 기반 바이오마커는 기존 볼륨·EF 지표를 보완해 조기 위험 예측, 치료 효과 모니터링, 수술 계획 등에 활용 가능하다. - **디지털 트윈**: 개인별 3D+t 메쉬와 PC 파라미터는 물리 기반 시뮬레이션(혈역학·전기생리학)과 결합해 정밀 의학을 위한 디지털 트윈 구축의 기반이 된다. 결론적으로, 이 연구는 대규모 CMR 데이터를 활용한 자동화된 4챔버 동적 형태 모델링 방법론을 제시하고, 이를 통해 임상·연구 현장에서 활용 가능한 새로운 형태 기반 페노타입을 제공함으로써 심혈관 과학과 정밀 의학의 발전에 크게 기여한다.