검진 코호트에서의 인공지능 기반 관상동맥 경화반 정량화 : 정상 참조 범위 확립 및 임상적 활용 가능성 평가 = AI?Based Coronary Plaque Quantification in a Health Screening Cohort : Establishment of Normative Reference Ranges and Assessment of Clinical Applicability

국문 초록 (Abstract)

배경(Background): 관상동맥질환의 예후 평가에서 경화반 부하(plaque burden)는 주요한 위험 인자로 알려져 있다. 그러나 기존의 경화반 부하 평가는 관상동맥 석회화 점수(coronary artery calcium, CAC)와 같은 석회화 경화반 중심의 정량 지표나, 분절 침범 점수(segment involvement score, SIS) 또는 시각적 평가(visual assessment)와 같은 관찰자 의존적인(subjective) 방법에 주로 의존해 왔다. 이러한 접근법은 비석회화 경화반, 특히 저음영 경화반과 같은 고위험 경화반의 임상적 중요성을 충분히 반영하지 못하는 한계가 있다. 최근 인공지능 기반 정량 관상동맥 CT 혈관조영술(artificial intelligence–based quantitative coronary CT angiography, AI–QCT)의 도입으로 총 경화반 부피(total plaque volume, TPV), 비석회화 경화반 총부피(non-calcified plaque volume, NCPV), 저음영 경화반 부피(low-attenuation plaque volume, LAPV)를 자동화되고 재현성 있게 정량화할 수 있게 되었으나, 이러한 지표에 대한 아시아 인구집단(Asian population)을 대표하는 정상 참조 범위(reference range)는 아직 확립되지 않았다. 목적(Objectives): 본 연구는 건강검진으로 관상동맥 CT 혈관조영술(coronary CT angiography, CCTA)을 시행한 한국인 무증상 성인 코호트에서 AI–QCT 기반 경화반 정량 지표(TPV, NCPV, LAPV)의 분포를 제시하고, 기존 임상 경화반 평가 지표(CAC, SIS) 및 관상동맥 질환 영상 보고 및 자료체계 (coronary artery disease–reporting and data system, CAD–RADS) 등급과의 연관성을 평가하는 것을 목적으로 한다. 대상 및 방법(Methods): 2012 년 건강검진으로 CCTA 를 시행한 1,271 명 중 무작위로 500 명을 선별하였으며, 관상동맥 중재술(percutaneous coronary intervention, PCI) 과거력이 있는 3 명을 제외한 497 명을 최종 분석에 포함하였다. 경화반 정량 분석은 AI 기반 관상동맥 경화반 분석 소프트웨어(Siemens Healthineers)를 이용하여 수행하였다. 경화반은 CT 감쇠계수(Hounsfield unit, HU)에 따라 비석회화 경화반(NCPV, <350 HU)과 저음영 경화반(LAPV, <30 HU)으로 분류하였으며, 총 경화반 부피(TPV)는 석회화 및 비석회화 경화반을 모두 포함한 전체 경화반 부피로 정의하였다. 임상 판독 결과로부터 CAC, SIS 및 CAD–RADS 등급을 수집하였고, CAD–RADS 는 0, 1–2, ≥3 으로 구분하였다. 연령군은 <50 세, 50–59 세, ≥60 세로 분류하였다. AI–QCT 지표와 기존 임상 지표 간의 연관성은 Spearman 상관분석으로 평가하였으며, 연령 및 성별, CAD–RADS 등급에 따른 비교에는 Mann–Whitney U 검정과 Kruskal–Wallis 검정을 사용하였다. 결과(Results): 연구 대상자는 총 497 명으로 평균 연령은 54.9±8.4 세였고, 남성은 343 명(69.0%)이었다. CAD–RADS 분포는 0 등급 288 명(57.9%), 1–2 등급 171 명(34.4%), ≥3 등급 38 명(7.6%)이었으며, CAC >0 은 200 명(40.2%)에서 관찰되었다. AI 기반 경화반 정량 지표는 기존 임상 지표와 전반적으로 강한 상관성을 보였다. 전체 코호트에서 CAC 는 TPV 와 유의한 상관관계를 보였고, SIS 는 TPV 와도 유의한 상관관계를 보였다. 연령이 증가함에 따라 TPV, NCPV, LAPV 는 모두 단계적으로 증가하였다. TPV 중앙값은 <50 세군에서 47.7 mm³, 50– 59 세군에서 135.2 mm³, ≥60 세군에서 362.6 mm³로 증가하였으며, NCPV 와 LAPV 역시 연령 증가에 따라 유사한 증가 양상을 보였다. 성별 분석에서는 남성이 여성보다 NCPV(176.6 mm³ vs 97.1 mm³)와 LAPV(7.7 mm³ vs 2.0 mm³)가 유의하게 높았다. CAD–RADS 등급에 따른 분석에서도 TPV, NCPV, LAPV 는 모두 등급에 따라 증가하였다. TPV 중앙값은 CAD–RADS 0, 1–2, ≥3 군에서 각각 43.7 mm³, 370.7 mm³, 876.6 mm³ 였으며, NCPV(41.4, 352.8, 784.9 mm³)와 LAPV(0.6, 14.9, 44.4 mm³) 역시 등급 상승에 따라 증가를 보였다. 결론(Conclusions): AI–QCT 기반 경화반 정량 분석은 한국인 무증상 성인 인구집단에서 기존 임상 경화반 평가 지표와 높은 상관성을 보였으며, 연령, 성별 및 CAD–RADS 등급에 따라 일관된 증가 양상을 나타냈다. 본 연구에서 제시한 AI 기반 경화반 정량 지표의 분포는 향후 관상동맥 CT 혈관조영술 보고 및 관상동맥질환 위험도 평가를 위한 기준 자료로 활용될 수 있을 것이다.

목차 (Table of Contents)

• 국문요약 ⅰ
• 차례 ⅳ
• 그림 목차 ⅵ
• 표 목차 ⅶ
• 약어 ⅷ
• 서론(Introduction) 1
• 연구방법(Methods) 3
• 1. 연구대상 3
• 2. CT 프로토콜 3
• 3. 인공지능 기반 정량 관상동맥 CT 혈관조영술 분석 6
• 4. 임상 판독 기반 변수 8
• 5. 통계 분석 8
• 연구결과(Results) 10
• 1. 대상자 특성 10
• 2. 인공지능과 영상의학과 전문의 간의 경화반 평가 일치도 12
• 3. 연령·성별에 따른 정량 경화반 특성 15
• 4. CAD–RADS 등급과의 연관성 19
• 5. 외부 코호트와 비교 21
• 논의(Discussion) 24
• 1. 연구 요약 및 핵심 24
• 2. 인공지능 기반 자동 경화반 정량화의 성능·정확도 24
• 3. 다른 인구집단과의 비교 25
• 4. 본 연구의 강점 26
• 5. 한계점 26
• 결론(Conclusion) 28
• 참고문헌(Reference) 29
• 영문요약 31