Imaging-Derived Coronary Fractional Flow Reserve: Advances in Physics-Based, Machine-Learning, and Physics-Informed Methods

📝 Abstract

**
이미징 유도 관상동맥 분수유량 저항(Fractional Flow Reserve, FFR)은 기존의 압력 와이어 기반 침습 검사를 대체하기 위해 CT와 관상동맥 조영술(ICA) 영상을 활용한 비침습·와이어‑프리 방법으로 급속히 발전하고 있다. 전통적인 전산유체역학(CFD) 파이프라인에서 시작해, 최근에는 머신러닝·딥러닝(ML/DL) 기반 서러게이트와 물리‑인포드 신경망(PINN)·신경 연산자(PINO)까지 포괄하는 세 가지 주요 접근법이 등장했다.

• ML/DL은 해부학적 특징·조영제 흐름 동역학을 입력으로 압력·FFR을 즉시 예측해 자동화와 속도면에서 큰 장점을 제공한다. 그러나 데이터셋 이동(domain shift), 다기관 이질성, 해석 가능성 부족 등으로 실제 임상 적용 시 성능 변동성이 존재한다.
• Physics‑Informed Learning은 보존 법칙·경계조건을 손실함수에 직접 삽입해 물리적 일관성을 유지하면서도 학습 효율과 일반화 능력을 향상시킨다. 특히 신경 연산자(FNO, PINO)는 다양한 해부학적 형태와 경계조건에 대해 빠른 추론이 가능해 대규모 임상 적용에 유리하다.
• 임상 전이를 위한 핵심 평가지표는 전통적인 AUC·정확도 외에 캘리브레이션, 불확실성 정량화, 품질‑제어 게이트키핑이다.

결론적으로, 현재 FFR 이미지 파생 기술은 “속도 + 자동화 + 물리적 일관성”을 동시에 만족하는 방향으로 수렴하고 있다. 향후 다기관 전향적 검증과 표준화된 평가 프레임워크가 안전하고 광범위한 임상 채택을 위한 필수 조건이다.

---

**

💡 Deep Analysis

**

1. 연구 배경 및 필요성

• **관상동맥질환(CAD)**은 전 세계 사망 원인 1위이며, 병변의 해부학적 협착과 기능적 허혈을 구분하는 것이 치료 결정에 핵심이다.
• 압력‑와이어 기반 FFR은 금본위 기준이지만, 와이어 조작, 약물 유도, 절차 시간·비용 등의 실무적 제약으로 실제 사용률이 낮다.
• 따라서 이미징 기반 비침습 FFR은 환자 부담을 최소화하고, 실시간 의사결정을 지원할 수 있는 대안으로 부상하고 있다.

2. 방법론적 분류와 핵심 특징

분류	대표 기법	물리적 근거	장점	한계
(i) CFD·물리 기반	전통적 3D Navier‑Stokes, 1D/0D 축소 모델	연속방정식·운동량보존	높은 메카니컬 일관성, 해석 가능성	계산 비용·시간 (수분~수시간), 경계조건(미세혈관 저항) 민감도
(ii) ML/DL	Feature‑based 회귀, End‑to‑End CNN/Transformer, QFR‑DL	데이터‑주도 추정	초고속 추론 (<1 s), 자동화, 이미지 품질에 대한 내성 (일부)	데이터셋 이동에 취약, “블랙박스” 해석 어려움, 대규모 라벨링 필요
(iii) Physics‑Informed Learning (PINN/PINO)	PINN, Fourier Neural Operator, Physics‑Informed Neural Operator	손실함수에 PDE·경계조건 포함	물리 일관성 유지 + 빠른 추론, 라벨이 적은 상황에서도 학습 가능	복합 손실 최적화 어려움, 경계조건 식별 문제, 대규모 연산 자원 요구 (특히 FNO)

2‑1. 물리‑인포드 신경망(PINN)의 세부 메커니즘

• 손실 함수: ( \mathcal{L} = \mathcal{L}{data} + \lambda{phys}\mathcal{L}{PDE} + \lambda{BC}\mathcal{L}_{BC} )
• 장점: 물리적 제약이 강제되므로 훈련 데이터가 부족하거나 잡음이 많은 경우에도 안정적인 예측 가능.
• 실제 적용: 관상동맥 기하학을 파라미터화한 1D/0D 모델에 적용해 경계조건(입구 유량, 미세혈관 저항) 추정과 동시에 압력 분포를 학습.

2‑2. 신경 연산자(FNO/PINO)의 혁신

• 연산자 학습: 입력(기하학, 경계조건) → 출력(압력·FFR) 사이의 매핑을 직접 학습, 전통적인 포인트‑와이즈 PINN보다 스케일러빌리티가 뛰어남.
• 임상적 의미: 다양한 환자별 해부학적 변형에 대해 재학습 없이 바로 적용 가능, 실시간(수십 ms) 추론이 가능해 Cath‑Lab에서 즉시 활용 가능.

3. 임상 전이(Translation) 관점에서의 핵심 이슈

1. 데이터 이질성

   • 다기관·다스캐너 환경에서 이미지 품질, 조영제 주입 프로토콜, 심박동 변동 등이 크게 달라짐.
   • ML/DL 모델은 도메인 적응(domain adaptation) 혹은 메타‑러닝 전략이 필요함.

2. 품질‑제어(QC)와 실패 모드 관리

   • 입력 이미지가 불충분(artifact, low SNR) 할 경우 자동으로 “분석 불가” 판정하고, 대체 방법(전통 CFD)으로 전환하는 게이트키핑 메커니즘이 필수.
   • 캘리브레이션 오류를 정량화하기 위한 베이즈 불확실성 추정(Monte‑Carlo dropout, Deep Ensembles) 활용이 점점 강조됨.

3. 경계조건(BC) 추정의 불확실성

   • 미세혈관 저항·풍선성 저항을 환자별로 정확히 추정하기 어려워, 데이터‑드리븐 BC 추정(예: ML 기반 저항 예측)과 물리‑인포드 제약을 결합하는 하이브리드 접근이 유망.

4. 표준화된 평가 프레임워크

   • 기존의 AUC/민감도/특이도 외에 Calibration curve, Expected Calibration Error (ECE), Brier score, Decision‑curve analysis 등을 포함해야 함.
   • 또한 연산 지연(latency), 메모리 사용량, 실패율 등 운용 지표가 임상 채택에 직접적인 영향을 미침.

4. 현재 연구의 강점

• 통합적 리뷰: 물리 기반 → ML/DL → 물리‑인포드까지 최신 흐름을 체계적으로 정리, 각 접근법의 장·단점을 명확히 구분.
• 실제 적용을 위한 실용적 가이드: “워크플로우‑중심” 분류와 품질‑제어 게이트키핑 강조는 임상 엔지니어링 팀에 바로 적용 가능.
• 미래 방향 제시: 다기관 전향적 검증, 표준 데이터셋 구축, 불확실성 정량화 등 구체적인 로드맵을 제시함.

5. 한계 및 개선점

1. 구체적 임상 데이터 부족

   • 리뷰는 다수의 문헌을 인용하지만, 실제 멀티‑센터 대규모 전향 연구 결과가 아직 제한적임.
   • 특히 PINN/PINO 기반 시스템의 실제 Cath‑Lab 적용 사례가 부족해, 실용성 검증이 필요.

2. 경계조건 식별 문제

   • 물리‑인포드 모델이 정확한 BC를 전제로 하지만, 실제 임상에서는 환자별 미세혈관 저항을 직접 측정하기 어려움.
   • 이를 해결하기 위한 연합 모델(Physics‑ML hybrid) 설계가 더 구체적으로 제시될 필요가 있음.

3. 연산 자원 요구

   • FNO와 같은 연산자는 GPU 메모리·연산량이 크게 요구되며, 병원 내 IT 인프라가 이를 지원할 수 있는지에 대한 논의가 부족함.

4. 규제·법적 측면

   • AI 기반 의료기기의 FDA/EMA 인증 절차와 데이터 프라이버시(GDPR 등) 고려가 리뷰에 포함되지 않음.
   • 임상 적용 전 규제 전략을 포함한 로드맵이 필요.

6. 향후 연구 로드맵 (제언)

단계	목표	핵심 활동
1. 데이터 인프라 구축	다기관·다스캐너 대규모 이미지·FFR 라벨링	표준화된 프로토콜, 오픈 데이터셋 (예: NXT‑CT, QFR‑Registry)
2. 하이브리드 모델 개발	물리 일관성 + 데이터 효율성	PINN에 ML‑기반 BC 추정기 결합, 전이 학습(Transfer Learning)
3. 불확실성 정량화	안전한 임상 의사결정 지원	베이즈 신경망, 앙상블, 캘리브레이션 기법 적용
4. 실시간 품질‑제어	자동 “분석 가능/불가” 판단	이미지 품질 평가 모듈, 실패 모드 시뮬레이션, fallback CFD 파이프라인
5. 임상 검증 및 규제	다기관 전향 시험, 규제 승인	임상시험 설계 (비교군: 전통 FFR, FFR_CT), 규제기관과 사전 협의
6. 상용화 및 현장 적용	Cath‑Lab 실시간 의사결정 도구	경량화된 모델 배포 (Edge‑AI), 사용자 인터페이스(UI) 설계, 교육 프로그램

7. 결론

이미징 기반 관상동맥 FFR은 속도·자동화·물리적 신뢰성을 동시에 만족하는 새로운 패러다임으로 전환하고 있다.

• ML/DL은 즉각적인 추론과 자동화를 제공하지만, 데이터 이질성과 해석 가능성이 걸림돌이다.
• Physics‑Informed Learning은 물리적 제약을 통해 일반화와 신뢰성을 크게 향상시키며, 신경 연산자는 다양한 해부학적 변형에 대한 빠른 적용을 가능하게 한다.

궁극적인 목표는 **“임상 현장에서 즉시 사용 가능한, 물리적으로 일관된, 불확실성을 정량화한 FFR 도구”**를 구현하는 것이다. 이를 위해서는 다기관 대규모 검증, 표준화된 품질‑제어 프레임워크, 그리고 규제·법적 요건을 충족하는 체계적인 로드맵이 필수적이다.

---

위 분석은 제공된 논문 초록 및 본문 내용을 기반으로 한 종합적인 평가이며, 실제 논문 전체를 검토한 결과는 아닙니다.

📄 Full Content

**관상동맥질환(CAD)**은 전 세계적으로 이환율과 사망률이 가장 높은 주요 원인 중 하나로 남아 있다. 임상에서 가장 큰 과제는 해부학적으로 보이는 협착을 실제 허혈을 일으키는 기능적으로 의미 있는 병변과 구별하는 것이다. 특히 시각적 평가가 주관적이고 변동성이 큰 중등도 병변에서는 이러한 구별이 더욱 어렵다. 최대 과혈(하이퍼에미아) 상태에서 측정되는 압력 와이어 기반 분수 혈류 보존율(Fractional Flow Reserve, FFR) 은 병변‑특이적인 생리학적 평가와 재관류 결정에 있어 침습적 기준 표준으로 널리 인정받고 있다[1][2].

그럼에도 불구하고, 일상 진료에서 압력 와이어를 이용한 FFR 검사는 보편적으로 시행되지 않는다. 실질적인 장벽으로는 와이어 조작의 어려움, 과혈제(adenosine 등)의 필요성, 절차 시간 및 비용 증가, 환자·시술자에 따른 제약 등이 있다[3]. 이러한 제한점은 와이어‑프리, 영상‑유도 생리학적 평가의 개발을 촉진하였다. 이는 절차적 부담을 줄이면서도 병변 수준의 의사결정 지원을 유지하고자 하는 목표를 갖는다.

본 리뷰에서는 일상적으로 획득되는 영상으로부터 관상동맥 혈역학 및 기능적 의미를 추정하는 비침습 영상‑유도 접근법에 초점을 맞춘다. 특히 임상 워크플로우에 현실적으로 통합될 수 있고, 영상 품질, 획득 프로토콜, 병변 형태가 이질적인 상황에서도 신뢰할 수 있는 결과를 제공하는 방법들을 중점적으로 다룬다.

---

1. 영상‑유도 기능 평가의 개요

영상‑유도 기능 평가는 해부학적·조영제 흐름 정보를 활용해 관상동맥 트리 전반에 걸친 압력 강하와 생리학적 의미를 추정한다. 현재 임상 적용과 대규모 근거가 가장 풍부한 영상 modality는 컴퓨터 단층촬영 관상동맥조영술(CT‑CTA, CCTA) 과 침습 관상동맥조영술(ICA) 이다. 두 방법은 각각 고유의 장점과 제약을 가진다.

1.1 CCTA 기반 FFR

CCTA는 환자 맞춤형 3차원 관상동맥 구조와 플라크 부하를 제공함으로써 혈관 트리 전체에 대한 생리학적 평가를 가능하게 한다. CT‑유도 FFR(FFR_CT)은 침습적 FFR와 비교해 진단적 가치를 입증했으며, 해부학적 정보만을 이용한 기존 트라이아지(triage)보다 환자 선별에 있어 비침습적 전략으로 자리매김하고 있다[3][4][5][6]. 그러나 실제 적용에서는 영상 품질 및 재구성 문제(운동 아티팩트, 노이즈, 중증 석회화·스텐트 블루밍 등)와 분할·중심선 추출의 불확실성에 크게 좌우된다. 따라서 실용적 채택은 진단 정확도뿐 아니라 계산 가능성, 품질 관리, 불완전 입력에 대한 견고한 처리에 달려 있다[7][8]. 심장 CT에서 발생하는 물리적 아티팩트와 그 완화 전략(블루밍 등)은 별도 문헌에서 상세히 다루었다[9][10].

1.2 ICA 기반 FFR

ICA는 카테터실에서 진단 및 시술 계획을 위해 일상적으로 수행된다. ICA‑유도 생리학의 주요 임상 동기는 와이어 없이 즉시 기능 정보를 제공함으로써 카테터실 시간 예산 내에서 즉각적인 의사결정을 지원하는 것이다. Quantitative Flow Ratio(QFR) 및 유사 접근법은 검증 연구에서 침습적 FFR와 높은 일치성을 보였으며, 무작위 대조 연구에서도 QFR‑가이드 전략의 유효성을 입증하였다[11][12]. 실제 적용에서는 투사 각도 간격, 단축·중첩 최소화, 조영제 충만도 등 영상 획득 조건에 크게 의존한다. 실제 데이터와 헤드‑투‑헤드 분석은 계산 불가능 요인과 실용적 요구사항을 강조했으며, 이는 품질 관리와 실패 모드 관리가 실사용 성능에 필수적임을 시사한다[13][14].

---

2. 방법론적 분류

문헌이 급속히 증가함에 따라, 우리는 영상‑유도 FFR 방법을 세 가지 방법론적 패밀리로 정리한다. 각 패밀리는 정밀도, 속도, 해석 가능성, 견고성 사이의 트레이드‑오프를 반영한다.

패밀리	핵심 아이디어	장점	주요 제한점
(i) 전산유체역학(CFD)·물리‑기반 모델	이미지‑유도 해부학에 물리 방정식(Navier‑Stokes 등)을 직접 적용	메커니즘 일관성·해석 가능성 높음	계산 비용·경계조건·미세혈관 모델링에 대한 민감도
(ii) 머신러닝·딥러닝	물리 파이프라인의 일부 또는 전부를 데이터‑구동 추론으로 대체	거의 즉시 계산·고도 자동화	데이터셋 이동(스캐너·프로토콜·영상 품질·병변 형태) 시 일반화 저하 → 캘리브레이션·불확실성 추정 필요
(iii) 물리‑인포메드 러닝(PINN·Neural Operators)	물리 법칙(보존법칙·경계조건)을 학습에 내재화	물리 일관성 유지·빠른 추론·기하학·경계 변화에 대한 일반화 가능	BC 식별·스케일링·대규모 학습 데이터 요구 등 아직 해결 과제 존재

이 분류는 워크플로우 인식을 의도한다. 실제 배치에서는 평균 진단 지표뿐 아니라 계산 가능성, 품질 관리, 실패 모드, 낮은 신뢰도 시 안전한 대체 전략이 채택 여부를 결정한다[8][13][14].

---

3. 적용 범위 및 목표

본 리뷰는 CCTA와 ICA 워크플로우에서의 영상‑유도 FFR 방법에 초점을 맞춘다. 특히 엔드‑투‑엔드 지연시간과 운영 요구조건을 고려해 임상적으로 실현 가능한 접근법을 강조한다. 다루는 내용은 다음과 같다.

1. 물리‑기반 모델: 3D CFD부터 축소 차원 모델까지의 전반적 스펙트럼[15‑18].
2. ML/DL 접근법: 특징 기반 예측기부터 엔드‑투‑엔드 추론까지[27‑30].
3. 물리‑인포메드 러닝: 물리 방정식 구조를 학습에 통합한 프레임워크[23‑26].

이를 통해 다음과 같은 번역‑지향적 종합을 제공한다.

3.1 워크플로우‑기반 분류

CCTA·ICA 파이프라인에 맞춘 주요 방법론을 매핑하고, 실제 적용 시 발생하는 계산·품질·실패 모드 트레이드‑오프를 제시한다[8][13][14].

3.2 물리‑기반 가속 전략

전체 CFD를 축소 차원(1D, 0D) 모델이나 하이브리드 설계와 결합해 정밀도와 실행 가능성 사이의 균형을 어떻게 맞출 수 있는지 정리한다[32‑37].

3.3 경계조건 중심 불확실성

입·출구 경계조건 및 과혈 모델링이 압력 강하와 FFR에 미치는 영향을 분석하고, 이를 통해 불확실성 전파와 견고성을 평가한다[8,17,38].

3.4 평가 프레임워크 확대

전통적인 AUC·정확도 외에 캘리브레이션, 불확실성 추정, 실패 모드, 품질 관리 게이트, 계산 가능성 등을 포함한 종합 평가 체계를 제시한다[19‑22].

---

4. FFR의 정의와 기본 수식

FFR은 협착이 존재하는 경우의 최대 과혈 상태에서의 심근 혈류량을 협착이 없을 때의 이론적 최대 혈류량으로 나눈 비율로 정의된다[1][2]. 아데노신 등에 의해 유도된 최대 과혈 상태에서는 미세혈관 저항이 최소화되고 영역 간에 균등해져 흐름이 압력에 직접 비례한다[39]. 임상에서는 **원위관 압력(P_d)**을 **대동맥 압력(P_a)**으로 나눈 값으로 측정한다.

[ \text{FFR} = \frac{$P_d$}{$P_a$} ]

FFR ≤ 0.80이면 혈역학적으로 유의미한 협착으로 간주되어 재관류 결정에 활용된다[2].

FFR 계산은 고정밀 3D Navier‑Stokes 해석부터 단순화된 축소 차원 모델까지 다양한 수학적 모델 계층을 따른다. 고정밀 모델은 상세한 기하학과 혈역학적 특성을 제공하지만 연산 비용이 크고, 축소 차원 모델은 공간 해상도와 국소 흐름 정보를 포기하고 계산 효율성을 얻는다. 이러한 모델 계층을 이해하는 것은 현대 FFR 방법론의 물리‑컴퓨팅 스펙트럼을 해석하는 데 필수적이다.

4.1 3D Navier‑Stokes 방정식

가장 높은 정밀도 수준에서는 관상동맥 혈류가 비압축성 Navier‑Stokes 방정식에 의해 지배된다. 혈액을 뉴턴 유체(밀도 ρ ≈ 1060 kg/m³, 점도 μ) 로 가정하면 속도장 **u(x,t)**와 압력장 **p(x,t)**는 다음을 만족한다.

[ \rho\left(\frac{\partial \mathbf{u}}{\partial t}+(\mathbf{u}\cdot\nabla)\mathbf{u}\right) = -\nabla p + \mu \nabla^{2}\mathbf{u} ] [ \nabla\cdot\mathbf{u}=0 ]

입구에서는 속도 혹은 압력이 지정되며, 정적 FFR 계산을 위해서는 일반적으로 포물선형 속도 프로파일과 **유량 Q_s**가 사용된다. 환자별 Q_s는 직접 측정이 어려워 혈관 직경·심근량에 비례하는 전신 스케일링을 이용한다[40].

벽면은 강체로 가정하고 무미끄럼 경계조건을 적용한다. 출구 경계조건은 미세혈관 저항을 나타내며, 가장 어려운 부분이기도 하다. 일반적인 접근법은 다음과 같다.

• Zero‑pressure: p = 0 at outlet
• Resistance BC: p = R·Q at outlet
• Windkessel (3‑element) 모델 등

저항 R은 Murray’s law (R ∝ d⁻³) 혹은 전신 스케일링 (R ∝ V⁻³⁄⁴) 등을 통해 추정한다[38]. 보다 정교한 모델은 관상동맥 저항, 말초 저항, 동맥 순응성(C)을 결합해 맥동 효과를 반영한다[17].

4.2 축소 차원 모델

계산 효율성을 위해 많은 FFR 방법이 축소 차원 모델을 채택한다. 여기에는 1D, 0D, 2D 모델이 포함된다.

1D 면적 평균 흐름 모델

혈관 중심선 좌표 s에 대해 단면적 A(s,t)와 유량 Q(s,t)는

[ \frac{\partial A}{\partial t} + \frac{\partial Q}{\partial s}=0 ] [ \frac{\partial Q}{\partial t} + \frac{\partial}{\partial s}\left(\frac{Q^{2}}{A}\right) + \frac{A}{\rho}\frac{\partial p}{\partial s}+K_R\frac{Q}{A}=0 ]

여기서 K_R은 점성 저항을 나타낸다. 압력‑면적 관계는 β(혈관 강성)와 연결된다. 이 1D 모델은 전체 관상동맥 트리를 몇 초 내에 분석할 수 있어 QFR·vFFR 등 여러 angiography‑derived FFR 기법의 이론적 기반이 된다[41][42].

0D Lumped Parameter Model

각 혈관 구간을 전기 회로의 저항으로 취급한다.

[ \Delta p = R \cdot Q ]

이러한 0D 네트워크는 극히 빠른(≤1 ms) 계산을 가능하게 하지만, 맥동 효과와 공간 흐름 정보를 모두 잃는다[43].

2D 모델

전통적인 2D 축대칭 CFD는 원통 좌표계(r, z)에서 Navier‑Stokes를 풀어 축대칭 흐름을 가정한다. 최근 angiography‑based 방법은 2D 투영에서 기하학을 추출하고 경험적 압력‑유량 관계를 적용해 FFR을 추정한다. 예를 들어 FFR2D는 단일 투영만으로 수초 내에 결과를 제공한다[44]; 반면 QFR·vFFR·FFRangio는 두 개의 직교 투영을 이용해 3D 재구성을 수행한다.

---

5. 물리‑기반 접근법의 현황과 과제

5.1 전체 CFD와 임상 적용

CT‑기반 CFD 파이프라인은 초기 다기관 연구에서 **FFR_CT**의 실현 가능성과 진단 정확도를 입증했으며, 이후 NXT 시험을 통해 보다 넓은 코호트에서도 성능을 확인했다[4][5]. 그러나 실제 임상에서는 다음과 같은 세 가지 주요 장벽이 존재한다.

1. 기하학·재구성 오류

   • 관강 내강(루멘) 형상에 민감; CT 아티팩트·세그멘테이션 불확실성이 압력 강하 추정에 직접 영향을 미친다.
   • 이미지 품질이 낮으면 분석이 거부되며, 특히 운동 아티팩트와 석회화·스텐트 블루밍이 큰 문제다[7][8][9][10].

2. 경계조건·생리학적 가정의 불확실성

   • 환자별 유입 유량, 분지별 저항 배분, 과혈 정도는 일반적으로 직접 측정되지 않는다.
   • 경계조건 선택에 따라 압력‑유량 해가 크게 달라지며, 이는 연구 간 변동성의 주요 원인이다[8][15][16].

3. 계산 부하

   • 메싱, 솔버 반복, 품질 관리 등 전 과정이 시간·자원을 많이 소모한다. 따라서 일상 진료에 적용하기엔 제한적이다[3].

5.2 가속 전략

전체 CFD의 실행 시간을 단축하기 위해 두 가지 접근이 흔히 사용된다.

• 알고리즘 가속: 3D CFD를 유지하면서 의사‑과도(pseudo‑transient) 전략을 적용해 계산 시간을 450배 이상(>24 h → ≈3 min) 단축한다[37].
• 물리 보존 차원 축소: 1D 질량‑운동 방정식과 0D 미세혈관 모델을 결합해 전관 트리를 빠르게 분석한다. 확률적 1D 모델을 도입해 불확실성 정량화와 베이지안 최적화를 수행하기도 한다[33][9].

이러한 방법은 워크스테이션·카테터실 시간 예산에 맞춰 설계되었다(섹션 3.1.2).

5.3 Angiography‑derived 빠른 물리 모델

관상동맥 촬영(angiography) 기반 워크플로우에서는 3D‑QCA 재구성 + 실용적인 흐름/속도 추정을 결합해 수분 내에 FFR을 제공한다. 초기 연구는 순수 angiography만으로도 CFD가 가능함을 보여주었으며[35], 이후 TIMI 프레임 카운트 등 조영제 흐름 대체 지표를 활용해 실용성을 높였다[36][37]. 최신 하이브리드 전략은 침습적 압력 측정을 보조 입력으로 사용해 혈류·저항을 보정하고, SPECT 등 기능 영상과 비교 검증을 수행한다[46].

5.4 2D 기반 접근

2D 영상만을 이용해 압력‑유량 관계를 경험식으로 적용하는 방법도 제안되었다[44]. 속도는 빠르지만, 2D 가정이 성립하는 경우와 실제 3D 구조와의 차이를 명확히 규정해야 한다.

---

6. 실용성, 실패 모드 및 불확실성 관리

6.1 주요 실패 모드

특히 3D‑QCA 기반 빠른 물리 모델에서 흔히 발생하는 문제는 다음과 같다.

1. 전방단축·혈관 중첩·패닝·조영제 충만 부족 → 재구성 불가능 또는 정확도 저하[13].
2. 투사 각도 간격 부족·시점 부족 → 3D 기하 복원 및 흐름 추정 제한[13][14].
3. 생리학적 가정 위반(불완전 과혈·미세혈관 기능장애) → 진단 정확도 저하 및 품질 관리 필요[13][14].

6.2 경계조건 중심 불확실성

전체 CFD와 축소 차원 모델 모두 입구·출구 경계조건이 결과에 미치는 영향이 가장 크다.

• 입구 조건: 유입 유량 또는 압력은 영상 기반 대체 지표·인구 기반 사전분포를 통해 추정한다.
• 출구 조건: 분지별 저항 배분이 전체 압력‑유량 관계를 좌우한다.
• 과혈 모델링: 최대 과혈 상태가 환자마다 다를 수 있으며, 특히 미세혈관 기능장애가 있는 경우 과혈이 충분히 유도되지 않는다.

이러한 가정은 압력‑유량 관계를 결정하고, 평균적인 FFR 값뿐 아니라 불확실성 범위에도 큰 영향을 미친다.

---

7. 평가 프레임워크 확대

전통적인 AUC·정확도 외에 실제 임상 채택을 좌우하는 요소는 다음과 같다.

1. 캘리브레이션 – 예측값이 실제 FFR과 일치하도록 보정하는 정도.
2. 불확실성 추정 – 모델이 자신감이 낮은 경우를 식별하고, 경고를 제공하거나 대체 절차를 제안한다.
3. 실패 모드 관리 – 입력 영상이 부족하거나 품질이 낮을 때 자동으로 분석을 중단하고, 사용자에게 원인과 해결책을 안내한다.
4. 품질 관리 게이트 – 자동화된 이미지 품질 점수, 분할 정확도, 투사 각도 등을 사전에 검증한다.
5. 계산 가능성 – 하드웨어 요구사항, 실행 시간, 메모리 사용량 등을 고려해 실제 병원 환경에 적용 가능성을 평가한다[19‑22].

이러한 다차원 평가는 실제 현장에서의 채택을 예측하고, 기술 개발 단계에서 필요한 개선점을 명확히 하는 데 필수적이다.

---

8. 결론

관상동맥 질환의 진단·치료에서 영상‑유도 FFR는 침습적 압력 와이어 없이도 병변 수준의 기능 정보를 제공함으로써 치료 전략을 최적화할 수 있는 중요한 도구이다. 현재는 CCTA와 ICA 두 축을 중심으로 물리‑기반, 머신러닝, 물리‑인포메드 러닝 등 다양한 접근법이 활발히 연구·상용화되고 있다.

• 물리‑기반 CFD는 가장 높은 메커니즘 일관성을 제공하지만, 계산 비용·경계조건 민감도가 실용성을 제한한다.
• 머신러닝·딥러닝은 즉시 계산과 고도 자동화를 가능하게 하지만, 데이터셋 이동에 대한 일반화와 불확실성 관리가 핵심 과제이다.
• 물리‑인포메드 러닝은 두 접근법의 장점을 결합하려는 시도로, 물리 일관성을 유지하면서 추론 속도를 크게 향상시킬 잠재력을 갖는다. 그러나 경계조건 식별과 대규모 학습 데이터 확보가 아직 과제로 남아 있다.

실제 임상 현장에서는 정확도뿐 아니라 계산 가능성, 품질 관리, 실패 모드 대응, 불확실성 추정 등이 종합적으로 고려되어야 한다. 앞으로는 이러한 다차원 평가를 기반으로 표준화된 프로토콜과 규제‑친화적 검증이 이루어질 때, 영상‑유도 FFR이 전 세계적으로 광범위하게 적용되어 CAD 환자의 치료 효율성을 크게 향상시킬 수 있을 것이다.