딥러닝 기반의 이미지 분석을 이용한 수술 후 흉터 중증도 예측 모델이 개발됐다.
흉터의 정도를 판단하는 데 여러 기준이 있음에도 실제 의료 현장에서는 전문가의 경험과 판단에 의존하는 경향이 크다. 하지만 전문가마다 판단이 일관되지 않을 수 있어 정확한 평가를 위해서는 객관적이고 표준화된 방법이 필요하다. 중증도, 병변의 경과, 치료에 대한 반응 등을 예측할 수 있다면 치료가 필요한 환자를 조기 선별하고 맞춤형 치료를 제공하는 데 도움이 될 것으로 기대된다.
연세대학교 의과대학 용인세브란스병원 피부과 김제민‧김지희 교수, 세브란스병원 피부과 이주희 교수팀은 최근 연구팀은 흉터의 중증도를 더욱 정확하게 예측할 수 있는 이미지 및 임상 데이터 기반 딥러닝 통합 모델을 제작하기 위해 연구를 수행했다.
이 연구에는 갑상선 절제술 후 흉터가 있어 세브란스병원 피부과 및 연세암병원 흉터성형레이저센터에 내원한 환자 1,283명의 데이터를 활용했다. 흉터의 중증도는 밴쿠버 흉터 점수(VSS)와 흉터 전문 피부과 전문의 3명의 임상적 판단을 기반으로 분류했다.
연구에 활용한 데이터는 주 데이터셋(Main Dataset), 그리고 주 데이터셋과 시공간적으로 분리된 외부 테스트셋으로 분류된다. 흉터 중증도를 분류하는 인공지능 모델은 주 데이터셋에서 분할한 내부 테스트셋 및 외부 테스트셋을 통해 검증했다. 또 16명의 피부과 의사에게 내부 테스트셋의 흉터 이미지를 제공하고 중증도를 평가한 뒤 인공지능 모델과 성능을 비교했다.
그 결과 내부 테스트셋을 활용한 이미지 기반 모델의 수신기 작동 특성 곡선(ROC) 아래 영역은 0.931이고, 이 값을 임상 데이터와 결합했을 때는 0.938로 소폭 증가했다. 외부 테스트셋을 활용한 이미지 및 임상 데이터 결합 예측 모델의 ROC 아래 영역은 각각 0.896, 0.912였다. 또 내부 테스트셋 이미지를 기반으로 평가한 모델의 성능은 피부과 의사 16명의 평가 결과와 비교해 유사한 결과를 나타냈다. 이는 이미지와 임상 데이터로부터 도출된 인공지능 모델이 수술 후 흉터 중증도를 효과적으로 예측할 수 있다는 것을 의미한다.
김제민 교수는 “이번 연구를 통해 개발된 인공지능 모델은 흉터 진단의 정확도를 크게 향상해 임상 환경에서 객관적이고 신뢰도 높은 의사 결정을 내리는 데 도움을 줄 것”이라며 “앞으로 환자의 치료 방법을 개선하고 더욱 예측 가능한 치료 결과를 만들 수 있길 기대한다”고 밝혔다.
한편 연구팀은 이번 연구를 통해 수집한 고품질·대규모의 표준화된 수술 후 흉터 데이터셋 및 중증도 평가 알고리즘이 추후 다른 피부 섬유화 질환의 중증도를 평가하고 치료 반응을 예측하는 데 확장해 활용할 수 있을 것으로 판단해 추가적인 모델 개발을 추진하고 있다.
이 연구는 네이처 자매지인 ‘사이언티픽 리포트(Scientific Reports, IF 4.6)’에 최근 게재됐다.
