MediWave

  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 score 는 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 평가 에 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 ...

  https://doi.org/10.1016/j.acra.2025.10.004 키워드: 폐암 예측, 인공지능 영상 분석, Radiomics, 딥러닝, GGN(간유리결절), 폐선암, 의료AI 서론: 폐암 예측의 새 전환점 폐암은 여전히 전 세계 암 사망 원인 1위를 차지합니다.  특히 간유리결절(Ground-Glass Nodule, GGN) 형태로 나타나는 조기 폐선암(adenocarcinoma)은 겉보기에는 작은 병변이지만, 그 내부가 침습성(invasive)인지, 아니면 비침습성(preinvasive)인지를 구별하는 것이 임상적으로 매우 중요합니다. 기존 CT 영상만으로는 두 형태를 정확히 구분하기 어렵기 때문에, 수술 시기를 놓치거나 불필요한 절제를 시행하는 문제가 발생하기도 했습니다. 이러한 한계를 극복하기 위해 등장한 것이 Radiomics(라디오믹스)와 Deep Learning(딥러닝)을 결합한 새로운 접근법입니다.  Radiomics는 영상 데이터를 수치화하여 숨은 패턴을 찾아내는 기술이며, 딥러닝은 이러한 복잡한 패턴을 학습해 스스로 예측 모델을 만드는 인공지능 방법입니다. Radiomics와 딥러닝의 결합: 영상의 새로운 언어 Radiomics는 CT 영상의 픽셀 속에서 ‘숫자’를 추출합니다. 예를 들어, 결절의 텍스처(질감), 모양, 경계, 밀도 변화 등을 수백~수천 개의 변수로 변환합니다. 하지만 이 데이터만으로는 모든 임상적 복잡성을 담아내기 어렵습니다.  그래서 연구팀은 ResNet50 기반 딥러닝 모델 을 추가하여, 영상에서 Radiomics가 놓칠 수 있는 고차원적 패턴 을 학습하도록 했습니다. 이때 세 가지 주요 데이터가 결합되었습니다. Radiomics feature : CT에서 추출한 정량적 이미지 특징 Deep Learning feature : ResNet50 딥러닝 네트워크에서 얻은 표현 Intratumoral Habitat(ITH) : 병변 내부의 ...