의사
국내 연구진이 딥러닝을 활용한 CT 영상 분석을 통해 폐쇄성 수면무호흡증(Obstructive Sleep Apnea, OSA) 진단과 중증도를 예측하는 새로운 방법을 개발했다.
이번 연구는 기존의 수면다원검사보다 더 빠르고 비용 효율적인 대안을 제시, 폐쇄성 수면무호흡증 진단의 새로운 표준을 정립할 수 있을 것으로 기대된다.
서울대병원 융합의학과 공현중 교수팀은 1018명의 폐쇄성 수면무호흡증 환자를 대상으로 딥러닝 모델을 활용한 진단 및 중증도 예측 방법을 개발하고 그 성능 검증 결과를 발표했다.
폐쇄성 수면무호흡증은 수면 중 상기도가 반복적으로 좁아지거나 막혀 호흡이 어려워지는 질환으로, 전 세계 인구의 6~38%가 앓고 있다.
심혈관 질환, 당뇨병, 우울증 등 다양한 합병증을 유발하며, 수면 질(質)을 심각하게 저하시키지만 기존의 수면다원검사는 고비용과 접근성이 제한적이었다.
연구팀은 이러한 문제를 해결하기 위해 부비동을 포함한 두개안면 CT 이미지를 활용해 폐쇄성 수면무호흡증을 진단하고 중증도를 예측할 수 있는 딥러닝 모델 ‘AirwayNet-MM-H’를 개발했다.
이 모델은 3D CT 이미지와 환자 나이, 성별, 체질량지수(BMI) 등을 결합해 예측 정확도를 크게 향상시켰으며, 기도 부위를 강조하는 전처리 알고리즘을 적용해 성능을 더욱 개선했다.
AirwayNet-MM-H 모델은 3차원 컨볼루션 신경망(3D CNN)과 환자 데이터를 처리하는 다층 퍼셉트론(MLP)를 결합해 폐쇄성 수면무호흡증을 진단하고, 중증도를 예측한다.
이 모델은 4등급(정상, 경증, 중등도, 중증)으로 분류하거나, 중등도 이상의 폐쇄성 수면무호흡증을 예측하는 2등급(중등도 이상, 경증/정상) 분류 방식으로 활용된다.
이번 연구에서는 내부 데이터 798명과 외부 데이터 세트 135명 및 85명을 기반으로 모델을 학습하고 성능을 검증했다.
그 결과, AirwayNet-MM-H 모델은 4등급 분류에서 내부 데이터로 87.6% 예측 정확도를 기록했으며, 외부 데이터 세트에서도 각각 84.0%와 86.3%의 높은 정확도를 보였다.
특히 중등도 이상 폐쇄성 수면무호흡증을 예측하는 2등급 분류에서는 내부 데이터에서 91.0%의 예측 정확도를 기록했으며, 외부 데이터 세트에서도 높은 예측 정확도를 보였다.
추가로 AirwayNet-MM-H 모델의 진단 성능을 기존 딥러닝 모델과 비교한 결과, 내부 데이터 세트에서는 기존 모델보다 정확도가 최대 14.2% 높았고, AUROC 값이 0.152 더 우수했다.
외부 데이터 세트에서도 정확도가 11.9% 더 높았으며, AUROC 값이 0.111 더 높아, 다른 6개 최신 딥러닝 모델보다 우수한 성능을 보였다.
공현중 교수는 “딥러닝 모델은 기존 검사에 접근하기 어려운 환자들에게 신속, 정확하게 진단을 제공하고, 조기 진단과 치료를 통해 환자 삶의 질을 향상시킬 것”이라고 말했다.
이어 “향후 더 많은 외부 데이터를 통해 성능을 검증하고 개선하고, 다양한 인종과 환자군에 적용 가능성을 평가할 계획”이라고 덧붙였다.
한편, 이번 연구결과는 ‘미국 흉부학회 학술지(American Journal of Respiratory and Critical Care Medicine, IF 19.3)’ 최신호에 게재됐다.
박대진 기자 (
