옥스포드 AI, 72,000명의 환자를 대상으로 한 일상적인 CT 촬영에서 86%의 정확도로 초기 심부전 위험 감지
요컨대
옥스퍼드 대학교 연구진은 일상적인 CT 스캔에서 심장 지방의 미묘하고 눈에 보이지 않는 변화를 감지하는 인공지능 시스템을 개발했으며, 72,000명의 환자를 대상으로 최대 5년 후 심부전 위험을 86%의 정확도로 예측했습니다.
연구원 옥스퍼드 대학 연구진은 72,000명 이상의 환자를 대상으로 검증한 결과 86%의 정확도를 달성하여, 환자의 심부전 발병 위험을 최대 5년 전까지 예측할 수 있는 인공지능 시스템을 개발했습니다. 이 시스템은 임상 현장에서 이미 일상적으로 시행되고 있는 심장 CT 촬영 데이터를 활용하기 때문에 추가적인 검사, 전문적인 개입 또는 새로운 의료 장비가 필요하지 않습니다.
차람보스 안토니아데스 교수가 주도하고 미국 심장학회지(Journal of the American College of Cardiology)에 발표된 이 연구는 심장학 분야의 오랜 한계점, 즉 심부전은 일반적으로 상당한 구조적 손상이 이미 발생한 후에야 진단되어 예방적 선택지가 제한적인 경우가 많다는 점을 해결하고자 합니다. 제안된 시스템은 가시적인 증상이 나타나기 수년 전에 발생하는 초기 생물학적 변화에 주목합니다.
이 모델의 핵심에는 기존과는 다른 데이터 소스인 심장을 둘러싼 지방, 즉 심낭 지방 조직이 있습니다. 전통적인 영상 분석에서는 간과되기 쉬운 이 조직은 심장 근육 자체에서 발생하는 염증 및 대사 변화를 반영하는 것으로 보입니다.
연구진에 따르면, 이러한 지방 축적물은 심혈관계의 스트레스에 반응하여 질감이 점진적으로 변화하며, 일반적인 사람이 영상 결과를 해석하는 방식으로는 감지할 수 없는 패턴을 생성합니다. 인공지능 시스템은 이러한 미묘한 변화를 식별하고 이를 바탕으로 향후 심부전 발생 위험을 정량적으로 예측하도록 설계되었습니다.
인간의 눈이 볼 수 없는 신호를 읽어내다
심장 CT 영상은 영국 국민보건서비스(NHS) 전반에서 흉통을 진단하고 관상동맥 질환을 평가하는 데 널리 사용되고 있으며, 매년 수십만 건의 검사가 시행되고 있습니다. 일반적인 임상 과정에서 영상의학 전문의는 주로 동맥 폐색 및 육안으로 보이는 이상 소견에 초점을 맞추는 반면, 주변 지방 조직에 대한 분석은 제한적으로 이루어집니다.
옥스퍼드 모델은 심낭 지방 내의 질감 특징을 분석함으로써 간과되어 온 데이터 계층을 재활용합니다. 59,000명 이상의 NHS 환자로부터 얻은 익명화된 CT 데이터를 기반으로 훈련된 기계 학습 기술을 사용하여, 이 시스템은 특정 영상 패턴과 장기 추적 관찰 기간 동안의 심부전 발병 사이의 연관성을 학습했습니다.
13,424명의 추가 환자를 대상으로 한 검증 테스트에서, 해당 모델은 5년 내 심부전 발생 위험을 예측하는 데 86%의 정확도를 보였습니다. 가장 높은 위험군으로 분류된 사람들은 가장 낮은 위험군에 속한 사람들보다 심부전이 발생할 확률이 약 20배 높았으며, 5년 이내에 발병할 확률은 약 4분의 1로 추정되었습니다.
중요한 점은 이 시스템이 임상의의 수동 입력 없이 위험 점수를 자동으로 생성한다는 것입니다. 따라서 이 시스템은 기존 진단 과정을 대체하는 것이 아니라 의사결정을 지원하는 도구로서의 역할을 할 수 있습니다.
심장 스캔부터 흉부 CT까지, 그리고 NHS(영국 국민보건서비스)로 가는 길
이 연구의 더 큰 목표는 심장 관련 영상 촬영을 넘어 기술을 확장하는 것입니다. 연구팀은 현재 폐암 검진 및 호흡기 진단에 사용되는 표준 흉부 CT 스캔을 분석할 수 있도록 모델을 적용하는 작업을 진행하고 있습니다. 심장 관련 스캔에 비해 흉부 CT 영상 촬영량이 훨씬 많다는 점을 고려할 때, 이러한 적용이 이루어지면 시스템의 활용 범위가 크게 확대될 수 있습니다.
임상적으로 이는 조기 개입과 밀접한 관련이 있습니다. 증상이 나타나기 수년 전에 고위험 환자를 식별함으로써 의료진은 모니터링 전략을 조정하고, 예방 치료를 더 일찍 시작하며, 자원을 보다 효과적으로 배분할 수 있습니다. 심부전은 이미 영국에서만 백만 명이 넘는 사람들에게 영향을 미치고 있으므로 장기적인 의료 수요에 미치는 잠재적 영향은 상당합니다.
현재 NHS(영국 국민보건서비스) 내 일상적인 영상의학 워크플로우에 통합하기 위한 규제 승인을 추진하고 있습니다. 도입될 경우, 이 시스템은 표준 영상 촬영 절차의 백그라운드에서 작동하며, 추가 비용이나 스캔 프로토콜 변경 없이 자동화된 위험 평가를 제공합니다.
이번 연구는 영국 심장 재단과 옥스퍼드 국립 보건 및 의료 연구소 생의학 연구 센터의 지원을 받았습니다. 이는 의료 영상 분야의 광범위한 변화를 반영하는데, 인공지능이 기존 질병을 진단하는 데 그치지 않고 일상적인 영상 검사에 포함된 미묘하고 이전에는 활용도가 낮았던 생물학적 신호를 통해 미래의 위험을 예측하는 데 점점 더 많이 사용되고 있다는 점입니다.
책임 한계
줄 안 트러스트 프로젝트 지침, 이 페이지에 제공된 정보는 법률, 세금, 투자, 재정 또는 기타 형태의 조언을 제공하기 위한 것이 아니며 해석되어서도 안 됩니다. 손실을 감수할 수 있는 만큼만 투자하고 의심스러운 경우 독립적인 재정 조언을 구하는 것이 중요합니다. 자세한 내용은 이용약관은 물론 발행자나 광고주가 제공하는 도움말 및 지원 페이지를 참조하시기 바랍니다. MetaversePost 는 정확하고 편견 없는 보고를 위해 최선을 다하고 있지만 시장 상황은 예고 없이 변경될 수 있습니다.
저자에 관하여
전담 저널리스트인 알리사(Alisa) MPost암호화폐, 인공지능, 투자 및 광범위한 분야를 전문으로 합니다. Web3. 새로운 트렌드와 기술에 대한 예리한 안목을 바탕으로 그녀는 끊임없이 진화하는 디지털 금융 환경에 대해 독자들에게 정보를 제공하고 참여시키기 위해 포괄적인 취재를 제공합니다.
더 많은 기사
전담 저널리스트인 알리사(Alisa) MPost암호화폐, 인공지능, 투자 및 광범위한 분야를 전문으로 합니다. Web3. 새로운 트렌드와 기술에 대한 예리한 안목을 바탕으로 그녀는 끊임없이 진화하는 디지털 금융 환경에 대해 독자들에게 정보를 제공하고 참여시키기 위해 포괄적인 취재를 제공합니다.
