흉부 X선 영상 기반 인공지능(AI)을 이용한 관상동맥 석회화 및 심혈관질환 위험 예측: 딥러닝 영상의학적 고찰

- 1월 21, 2026

서론: 흉부 X선과 인공지능의 만남이 여는 심혈관 영상의학의 새로운 지평

심혈관질환(Cardiovascular disease, CVD)은 전 세계적으로 사망 원인 1위를 차지하는 질환군으로, 조기 진단과 위험도 예측이 환자의 예후를 결정하는 핵심 요소이다.

전통적으로 관상동맥질환(Coronary artery disease, CAD)의 위험도 평가는 임상 위험 인자(흡연, 고혈압, 당뇨, 고지혈증 등)와 더불어 관상동맥 석회화(Coronary artery calcium, CAC) 평가를 통해 이루어져 왔다.

특히 Agatston score는 심장 CT를 이용한 표준 지표로 널리 사용되고 있다.

그러나 심장 CT는 상대적으로 높은 비용과 방사선 피폭이라는 한계를 지니며, 모든 환자에게 일상적으로 적용하기에는 현실적인 제약이 있다.

반면 흉부 X선 검사(chest radiography) 는 응급실, 외래, 입원 환경에서 가장 빈번하게 시행되는 영상 검사 중 하나로, 저비용·저선량이라는 장점을 지닌다.

최근 인공지능(AI), 특히 딥 컨볼루션 신경망(Deep Convolutional Neural Network, DCNN) 의 발전은 기존 영상 판독의 한계를 뛰어넘어, 인간 판독자가 직관적으로 인지하기 어려운 미세한 영상 패턴을 추출하고 임상적 의미를 도출하는 단계에 이르렀다.

본 컬럼에서는 흉부 X선 영상 기반 AI를 이용한 관상동맥 석회화 예측 및 심혈관질환 위험도 평가에 관한 Johns Hopkins University 연구를 중심으로, 그 영상의학적 의미와 임상적 파급효과를 심층적으로 고찰하고자 한다.

관상동맥 석회화(Coronary Artery Calcium)의 병태생리와 임상적 의의

관상동맥 석회화는 죽상동맥경화(atherosclerosis)의 진행 과정에서 나타나는 비가역적 변화로, 혈관 내막의 만성 염증과 지질 침착 이후 칼슘이 침착되며 형성된다.

이러한 석회화는 단순한 노화 현상이 아니라, 관상동맥질환의 누적 부담(cumulative burden) 을 반영하는 중요한 바이오마커이다.

Agatston score는 심전도 동기화 CT에서 석회화 병변의 면적과 밀도를 기반으로 산출되며, 다음과 같이 임상적 위험도와 밀접하게 연관된다.

0점: 매우 낮은 CAD 위험
1–99점: 경도 위험 증가
100–399점: 중등도 위험
≥400점: 고위험군

문제는 이러한 정보를 얻기 위해 반드시 CT 검사가 필요하다는 점이다. 이에 따라 흉부 X선에서 관상동맥 석회화를 간접적으로라도 예측할 수 있다면, 임상적으로 매우 큰 가치가 있다.

인공지능(DCNN)을 이용한 흉부 X선 기반 관상동맥 석회화 예측 연구 개요

연구 배경 및 목적

Johns Hopkins University 영상의학과 연구진(Kamel et al.)은 “흉부 X선 영상만으로 관상동맥 석회화 존재 여부를 예측할 수 있는가?” 라는 질문에서 출발하였다.

이 연구의 핵심은 단순히 석회화의 시각적 탐지가 아니라, AI가 학습한 영상 패턴이 실제 심혈관질환 위험과 연관되는지를 평가하는 데 있다.

연구 대상 및 데이터 구성

대상 환자 수: 1,010명
연구 기간: 2013–2018년
포함 조건:
- 12개월 이내에 관상동맥 칼슘 점수 CT 와 흉부 X선 검사를 모두 시행한 환자
흉부 X선:
- 전후면(posteroanterior, PA)
- 측면(lateral)
CT 기준:
- 전체 Agatston score
- 좌주간지(LM), 좌전하행(LAD), 좌회선(LCx), 우관상동맥(RCA)별 점수

총 888장의 흉부 X선은 CT에서 비영(zero) 이상 석회화를 보였으며, 382장은 Agatston score >100에 해당하였다.

Figure 1. Lateral chest radiographs labeled with total Agatston scores.
좌측 열은 원본 흉부 X선 영상, 중앙 열은 DCNN이 중요하게 인식한 영역을 나타낸 attention-based heat map, 우측 열은 heat map을 원본 영상에 중첩한 이미지이다.

본 그림에서 AI는 명시적으로 석회화 위치를 학습하지 않았음에도 불구하고, 심장 윤곽(cardiac silhouette) 을 중심으로 의미 있는 영상 정보를 추출하여 관상동맥 석회화 존재를 예측하고 있음을 보여준다. 이는 AI가 인간 판독자의 시각적 주의 범위를 넘어서는 패턴을 학습했음을 시사한다.

AI 모델 성능 및 영상 판독 결과

관상동맥 석회화 분류 성능

0점 vs 비영(>0) Agatston score 분류
- 전후면 흉부 X선: AUC 0.73
- 측면 흉부 X선: AUC 0.70

이러한 성능은 “보통(moderate)” 수준으로 평가되었으나, 단순 X선 영상만을 이용했다는 점에서 임상적 의미는 결코 작지 않다.

심혈관질환 위험도와의 상관관계

AI가 흉부 X선에서 관상동맥 석회화 양성으로 분류한 환자군은:

10년 ASCVD 위험도 평균 17.2%

반면 음성으로 분류된 환자군은:

10년 ASCVD 위험도 평균 11.9%

이는 AI 기반 흉부 X선 분석 결과가 전통적인 임상 위험 인자와 독립적으로 심혈관질환 위험을 반영할 수 있음을 의미한다.

영상의학적 해석: AI는 무엇을 보고 있는가?

흥미로운 점은 DCNN이 명시적으로 관상동맥을 시각화하지 못하는 흉부 X선 환경에서도, 심장 크기, 윤곽, 종격동 밀도 변화, 석회화에 따른 미세한 명암 패턴 등을 종합적으로 학습했다는 점이다.

Heat map 분석 결과, AI는 다음 영역에 주로 주의를 집중하였다.

심장 후면부 윤곽
좌심실 후벽 인접 부위
대동맥 및 종격동 경계

이는 인간 판독자가 일상 판독에서 간과하기 쉬운 영역이며, AI의 비직관적 패턴 인식 능력이 잘 드러나는 부분이다.

임상적 활용 가능성과 응급의학적 의미

흉부 X선은 흉통, 호흡곤란, 기침 등을 주소로 내원한 환자에서 초기 평가 단계에서 거의 필수적으로 시행된다.

만약 해당 영상에서 AI가 자동으로 관상동맥 석회화 가능성을 제시한다면 다음과 같은 임상적 이점이 있다.

잠재적 CAD 환자의 조기 선별
추가 검사(심장 CT, 심장 초음파, 스트레스 테스트) 결정에 도움
응급실 환경에서 신속한 위험도 분류(triage)
무증상 환자에서의 예후 예측 도구로 활용 가능

연구의 한계와 향후 과제

본 연구에는 몇 가지 한계점이 존재한다.

성능이 아직 임상 단독 판단 기준으로 사용하기에는 제한적
심장 제세동기(ICD)가 삽입된 환자 영상에서 혼란 변수(confounder) 로 작용
단일 기관 데이터 기반 연구

향후에는 다기관 대규모 데이터셋, 다양한 인종·연령군을 포함한 학습, 그리고 임상 워크플로우에 통합된 실시간 AI 판독 시스템 개발이 필요하다.

결론: 흉부 X선 AI 분석은 심혈관 영상의학의 미래인가?

본 연구는 흉부 X선 영상이라는 가장 보편적인 영상 검사에서, 인공지능을 이용해 관상동맥 석회화와 심혈관질환 위험도를 예측할 수 있음을 입증한 중요한 개념 증명(proof-of-concept) 연구이다.

비록 성능은 아직 제한적이지만, “보이지 않는 것을 읽는 AI 영상의학” 이 임상 의사결정에 실질적인 가치를 제공할 수 있음을 명확히 보여준다.

향후 이러한 기술이 임상에 정착된다면, 심혈관질환의 조기 발견과 예방 전략은 근본적으로 변화할 것이다.

참고문헌

[1] P. Kamel et al., “Prediction of Coronary Artery Calcium and Cardiovascular Risk on Chest Radiographs Using Deep Learning,” Radiology: Cardiothoracic Imaging, vol. 2, no. 3, 2020.
[2] R. Detrano et al., “Coronary Calcium as a Predictor of Coronary Events,” N Engl J Med, vol. 358, pp. 1336–1345, 2008.
[3] M. Budoff et al., “Assessment of Coronary Artery Disease by Cardiac CT,” J Am Coll Cardiol, vol. 52, pp. 1724–1732, 2008.
[4] G. Litjens et al., “A Survey on Deep Learning in Medical Image Analysis,” Med Image Anal, vol. 42, pp. 60–88, 2017.
[5] H. Lundberg et al., “Explainable AI for Medical Imaging,” Nat Mach Intell, vol. 2, pp. 252–260, 2020.
[6] J. Bluemke et al., “Noninvasive Coronary Artery Imaging,” Circulation, vol. 117, pp. 1249–1257, 2008.
[7] E. Benjamin et al., “Heart Disease and Stroke Statistics,” Circulation, vol. 147, 2023.

#흉부X선 #인공지능영상의학 #관상동맥석회화 #CoronaryArteryCalcium #심혈관질환위험예측 #AI의료영상 #딥러닝의학 #RadiologyAI #ChestXrayAI #AgatstonScore #심장CT #예방의학

이 블로그 검색

MediWave