심장 재모델링 평가에서의 인공지능: 모델에서 임상 통합까지

Ke Li; Yirui Jiang; Huan Sun

doi:10.3791/71095

리뷰 논문

심장 재모델링 평가에서의 인공지능: 모델에서 임상 통합까지

DOI:

10.3791/71095

⸱

2026년 6월 22일

Ke Li^*¹ , Yirui Jiang^*¹ , Huan Sun¹

¹Cardiology Department, China-Japan Union Hospital of Jilin University

^* These authors contributed equally

이 논문에서

요약

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

이 리뷰는 인공지능이 구조적, 기능적, 전기생리학적 영역 전반에 걸쳐 심장 재모델링 평가를 어떻게 변화시키는지 살펴보고, 임상 통합으로 나아가는 길을 논의합니다.

초록

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

인공지능(AI)은 구조적, 기능적, 전기생리학적 영역 전반에 걸쳐 심장 재모델링 평가에 점점 더 많이 적용되고 있습니다. 구조 재모델링에서 AI는 자동 챔버 세분화, 체적 정량화, 조직 특성화, 이미지 데이터에서 재형성 하위 유형 식별을 지원합니다. 기능 평가에서 AI는 심실 기능, 긴장, 혈역학적 매개변수 측정을 개선하고, 아임상 기능 장애 감지와 동적 변화의 종단적 모니터링을 지원합니다. 전기생리학적 재모델링에서 AI는 심전도 신호, 심전도(ECG) 이미지, 광학 매핑 데이터를 분석하여 은폐된 전도 이상을 감지하고, 부정맥 위험을 추정하며, 기전적 해석을 지원합니다. 멀티모달 데이터 융합은 영상, 심전도, 임상 정보를 통합하여 위험 평가를 더욱 향상시킵니다. 이 글에서는 심장 재모델링에서 AI 응용의 현황을 검토하고, 이러한 기술들이 어떻게 보다 포괄적이고 개인화된 평가를 가능하게 하는지, 즉 단일 매개변수 평가에서 다차원 예측으로 실천을 전환하는 방식을 살펴봅니다. 더 나아가, 이 잠재력을 실현하기 위해 해결해야 할 주요 과제와 한계, 그리고 실현 가능한 해결책과 향후 방향에 대해 논의합니다.

서론

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

심장 재형성은 심근경색과 같은 상태에서 초기 심근손상 이후에 나타나는 적응적 병태생리학적 반응입니다. 그 특징으로는 방 기하학, 조직 구성, 수축기 및 이완기 기능, 전기생리^{학적 특성의} 점진적 변화가 있습니다. 방치하면 재형성이 보상 부상으로 진행되어 심부전(HF)으로 이어질 수 있습니다². 이 과정은 유전자 조절, 분자 신호, 세포 행동, 조직 미세환경 등 여러 수준에서의 변화를 포함합니다. 최근 연구에 따르면 심장 재형성과 만성 HF는 부분 역전 가능성을 유지하고 있습니다^. 예를 들어, 장기적인 기계적 순환 지지는 심실 하원과 혈역학적 지원을 제공하여 역방향 재형성을 촉진할 수 있습니다. 따라서 재모델링의 정확한 평가는 심혈관 연구, 정확한 병기 관리, 개별화된 치료 계획, 예후 계층화에 매우 중요합니다.

상당한 연구 진전에도 불구하고, 진단, 치료 및 예후 평가를 최적화하는 것은 여전히 도전적입니다. 기저 질환 경로는 본질적으로 복잡하고 이질적입니다. 구조적 심장질환에 대한 중재적 치료가 점점 더 보편화되고 인구 고령화됨에 따라, 심장 재모델링에 대한 다차원적이고 정밀한 평가에 대한 임상적 필요성이 증가하고 있습니다^. 그러나 현재의 전통적인 평가 방법은 운영자의 경험에 크게 의존하고, 추출한 매개변수가 좁으며, 측정 변동성이 있어 정밀 의학의 요구를 충족시키지 못합니다.

AI는 인간의 사고, 학습, 지식 표현을 모방하려는 컴퓨터 과학의 한 분야입니다. 심장학에서 대표적인 AI 접근법은 머신러닝(ML)으로, 알고리즘을 이용해 데이터에서 패턴을 추출하고 예측을 생성합니다. 딥러닝(DL)은 복잡한 패턴을 모델링하기 위해 다층 신경망을 사용하는 머신러닝의 하위 개념입니다. 인간 뇌 기능의 일부 측면을 근사함으로써 DL은 자동 이미지 해석 및 기타^{고급 작업을 가능하게} 합니다. 데이터 기반 AI는 감독, 반감독, 비지도, 강화 학습 모델 등 다양한 ML 패러다임을 포함합니다. 다중 출처의 이기종 데이터를 복잡한^{알고리즘 모델과} 통합함으로써, AI는 심장 재형성 평가의 병목 현상을 극복할 수 있는 새로운 패러다임을 제시합니다. 자동화 분석⁸, 높은 측정 정확도⁹, 빠른 데이터 처리 능력¹⁰을 통해 심혈관 진단 및 치료를 경험 중심에서 데이터 중심 접근법으로 전환하고 심장 재형성의 다차원 평가를 위한 새로운 솔루션을 제공합니다.

이전의 AI 심장 재모델링 평가 리뷰는 주로 특정 기법이나 단일 적용 측면에 집중되어 왔습니다. 따라서 구조적, 기능적, 전기생리학적 측면을 아우르는 통합적 접근법이 부족합니다. 또한 조기 경보와 장기 관리에서 AI의 역할에 대해서도 제한적으로 논의했습니다.

이 리뷰는 두 가지 측면에서 보다 통합적인 관점을 제공하는 것을 목표로 합니다. 첫째, 구조, 기능, 전기생리학적 재모델링이라는 세 차원에서 AI 평가의 발전을 체계적으로 요약하고, 이 차원들이 어떻게 공동으로 심장 재형성의 복잡한 메커니즘을 밝히는지 명확히 합니다. 둘째, AI 기반 멀티모달 데이터 융합이 조기 발견부터 예후 관리까지 임상 경로를 어떻게 지원할 수 있는지에 초점을 맞춥니다. 이 통합 프레임워크가 이 분야를 보다 체계적이고 임상적으로 실행 가능한 접근으로 이끌기를 바랍니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

리뷰 및 관점

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

구조적 심장 재모델링 평가를 위한 AI 발전

구조적 심장 재모델링의 AI 기반 평가는 세 가지 주요 방향으로 발전해 왔습니다: (1) 자동 챔버 분할 및 체적 정량화, (2) 심근 조직 특성 분석, (3) 예측 모델링 및 아형 식별. 여러 연구에서 AI 알고리즘은 심장 챔버 분할과 CMR 및 3DE의 부피 및 박출률 계산에서 전문가 수준의 정확도를 달성하여 수작업 부담과 운영자 간 변동성을 크게 줄였습니다. 부피 평가를 넘어, AI는 첨단 CMR 서열이나 운동 교정 재건 기법을 통합하여 심근섬유증, 흉터, 지방 조직의 탐지 및 정량화를 가능하게 하며, 해부학적 측정에서 조직 수준의 특성 분석으로 나아갑니다. 최근에는 영상 데이터와 임상 매개변수를 통합한 예측 모델이 개발되어 부정적 재모델링에 대한 조기 경고를 제공하고, 비지도 학습 접근법은 잠재적 구조적 하위 유형을 식별하는 데 사용되고 있습니다. 이러한 진전들은 수동적이고 단차원적인 측정에서 통합적이고 다차원적인 평가로의 전환을 시사합니다. 고립된 정량화에서 통합되고 다차원적인 평가로의 이러한 발전은 구조 재구성을 위한 세 경로 AI 프레임워크로 그림 1 에서 개념화됩니다.

figure-protocol-1
그림 1: 심장 구조 재모델링을 AI로 평가하는 프레임워크. 도표는 위에서 아래로 진행되는 세 개의 수직 경로를 그립니다. 왼쪽 경로는 기본적인 구조 정량화(챔버 분할, 부피/EF 계산)를 자동화합니다. 중간 경로는 조직 특성화(섬유화 검출 및 정량)를 추가합니다. 올바른 경로는 조기 경보를 위한 다중 모달 데이터를 통합하고 비지도 학습을 통해 잠재적 재형성 하위 유형을 식별함으로써 정밀 의학으로 나아갑니다. 세 경로는 분석 복잡도가 점점 높아지는 순서대로 왼쪽에서 오른쪽으로 배열되어 있습니다. 화살표는 각 경로 내에서 위에서 아래까지의 순차적 처리를 나타냅니다. 모든 기능이 현재 임상 실무에 완전히 통합된 것은 아니지만, 이 프레임워크는 AI가 향후 워크플로우에서 구조, 조직, 예측 분석을 통합하여 통합된 평가로 활용할 수 있음을 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

자동 챔버 세분화 및 부피 정량화

AI 기반 자동 정량화는 심장 챔버 분할, 부피 정량화, 구조 재모델링 평가에서 기존 영상의 한계를 극복하는 데 점점 더 많이 적용되고 있습니다. CMR은 여전히 심근 조직 및 부피 평가의 골드 스탠다드이지만, 접근성, 전문성, 비용 문제로 인해 채택이 제한되고 있습니다. AI 알고리즘은 CMR 세분화와 함수 분석에서 전문가 수준의 정확도를 달성했으며, 수작업 방법보다 더 빠른 처리, 변동성 감소, 그리고 더 높은 일관성을 제공합니다. 예를 들어, 직교 성분 분석은 뇌실 형태에서 독립적인 재형성 특징을 직접 추출하여 전통적인 기하 지인수에 내재된 중복을 피할 수 있습니다^. 더불어, AI 기반 CMR 분석은 부피 정량화를 넘어 심근경색 및 흉터 발견, 결과 예측까지 확장되어 기존 수동 접근법에 비해 재현성 이점을 제공합니다¹².

동시에 경흉부 심초음파(TTE)는 안전성과 실용성 때문에 선호되는 초기 영상 기법으로 사용됩니다¹³. 2차원 심초음파 기계 학습 프레임워크가 예측 분석과 표현^{형 분석에} 가치를 입증한 반면, 3차원 TTE(3DE)는 기하학적 가정을 줄여 정확도를 향상시킵니다¹⁵. 이러한 이점과 일치하여, AI 기반 3차원 초음파는 전통적인 2차원 영상 측정에 비해 좌심실 부피 측정의 정확도를 향상시키는 것으로 나타났습니다^. 그럼에도 불구하고 3DE는 여전히 시간이 많이 걸리고 전문성 집약적입니다. AI는 좌심실(LV)과 우심실(RV) 분할과 부피 정량화를 자동화함으로써 이 효율성 격차를 해소했습니다.

Tsang 등¹⁷ 은 완전 자동 적응 분석 알고리즘이 3DE 데이터에서 좌심방(LA), LV 부피, LV 박출률을 동시에 측정할 수 있음을 처음으로 입증하여, 윤곽 조정 여부에 따라 분석 시간을 약 50–80% 단축시켰습니다. 이 알고리즘은 윤곽 조정 후 모든 체적 매개변수에서 변동 계수가 10% 미만으로 나타났습니다. 이후 Narang 등은 심장 주기 전체 동안 LV 및 LA 용적을 동적으로 측정하는 자동화 머신러닝 알고리즘^{을 보고했으며} , 처리 시간은 단 35± 17초에 부피-시간 곡선을 생성하고, 추가로 박출 및 충전 매개변수도 계산했습니다.

이러한 모달리티별 발전은 챔버 분석의 포괄적인 AI 기반 자동화로의 광범위한 추세를 반영합니다. 상업용 AI 기반 3차원 심초음파 분석 플랫폼은 3DE 이미지에 적응형 분석을 적용해 경계 탐지와 LV 정량화를 자동화하는^{반면, 최}근의 완전 자동화 AI 방법은 좌심방 부피 지수와 좌심방 저수관 균주²⁰ 등 분석 범위를 확장했습니다. 여러 연구에서 AI는 수작업 부담을 줄이고 분석을 가속화하며, 챔버 세분화 및 부피 평가의 일관성을 향상시키는 것으로 인정받고 있습니다 ^6,21.

그럼에도 불구하고 CMR 기반 AI는 조직 특성화와 재현성에 뛰어나지만 비용과 스캔 시간 제한이 있는 반면, 심초음파 기반 AI는 더 접근하기 쉽고 빠르면서도 이미지 품질에 민감합니다. 3DE는 기하학적 가정을 최소화하여 2D 대비 정확도를 높이지만, 윤곽 표준화와 공급업체 간 변동성으로 인해 임상적 채택이 여전히 어렵습니다. 특히, 자동 심초음파 측정을 위한 다양한 AI 소프트웨어 간 일관성은 아직 불분명하며 조사 중^{이며, 연구} 알고리즘에서 임상 실무로의 전환에 추가적인 불확실성이 있음을 부각시킵니다. 예를 들어, Szasz 등은 두 개의 승인된 상업용 인공지능 기반 심초음파 분석 ^{플랫폼을 직접 비교} 했습니다. 두 플랫폼 모두 116명의 피험자에 대해 동일한 심초음파 영상 세트에 대해 자동 측정을 수행했습니다. 이 코호트에는 건강한 개인과 다양한 심장 질환 환자들이 포함되었습니다. 두 시스템은 10개의 핵심 매개변수 중 6개에서 크게 달랐습니다. 플랫폼 간 변동성은 전문가 간 관찰자 간 변동성과 유사했다. 추적 관찰 중 서로 다른 AI 플랫폼을 혼용으로 사용하면, 관찰된 변화는 실제 질병 진행보다는 알고리즘 차이를 반영할 수 있어 임상 결정에 영향을 미칠 수 있습니다.

심근 조직 특성 분석

AI는 구조 재건에서 심근섬유증 특징을 탐지하고 정량화하는 능력을 보여주었습니다²³. 정량적 자기공명영상(MRI) T1/T2 매핑은 객관적인 조직 특성화를 제공하지만, 숨 참는 시간 요구에 제한이 있습니다. AI 통합은 이러한 제약을 완화하면서 비침습적이고 정밀한 심근 조직 특성 분석을 가능하게 합니다. Qi 등²⁴는 운동 보정 모델을 기반으로 한 자유호흡 전심장 관상동맥 자기공명 혈관조영술(CMRA)을 위한 종단 간 딥러닝 재구성 방법(MoCo-MoDL)을 제안했습니다. Felsner 등은 이 접근법^{을 확장하여} 서로 다른 영상 대비를 비교하였습니다. 딥러닝 모델은 자유호흡 시 3D 전심 T1/T2 매핑을 가속화합니다. CMR과 AI를 결합하면 심근섬유증을 자동으로 식별할 수 있으며, 심외피 지방 조직(EAT)과 관상동맥 주위 지방 조직(PCAT)과 같은 지방 유사 조직도 검출할 수 있습니다26,27,28.

또한, 섬유증 정도와 심실 형태 지표와 같은 AI 기반 특성은 예후의 주요 예측 지표입니다. 여러 연구에서 심장 자기공명영상 데이터를 통합하여 환자별 섬유증 분포를 정량화하는 맞춤형 계산 심장 모델을 개발했습니다. 이 모델들은 비대성 심근병증 환자의 급사 위험을 예측하는 데 성공적으로 활용되었습니다. 예측 효능은 각각 84.6%, 76.9%, 80.1%의 민감도, 특이도, 정확도를 보여주어 기존 임상 위험 예측 지표를 크게 뛰어넘었다²⁹. Rohan Shad 등은 수동 심초음파가 놓치지 않는 미묘한 지역 심근 운동 이상을 감지하는 최초의 비디오 기반 심초음파 기계 학습 시스템을 도입했습니다. 그리고 이 신호들을 임상 분석에 적용하여 수술 후 우심부전의 조기 발견을 가능하게 했습니다³⁰.

심장 재모델링의 예측 모델 및 데이터 기반 표현형 층화

AI 예측 모델은 임상 및 영상 데이터를 통합하여 구조 재모델링의 조기 경고를 가능하게 합니다. 머신러닝 알고리즘은 임상 및 심전도 특징을 사용하여 좌심실 비대(LVH) 발병 전에 비정상적인 좌심실 기하학(LVG)을 식별할 수 있습니다³¹. 심근경색(MI) 환자에서 3차원 LV 표면 점 집합 분석은 재형성의 형태학적 기술자를^{제공합니다.} 박출률이 감소하는 심부전 환자인 당뇨병에서, 머신러닝 분석은 나트륨-포도당 코트랜스포터-2 억제제(SGLT2i)가 저위 재형성과 기능에 긍정적인 효과를 확인했습니다. 설명 가능한 AI(XAI) 알고리즘은 임상 반응의 잠재적 예측 인자를 밝혀내어 단순한 HF 표현형을 넘어 고급 재모델링에서 치료 반응을 예측할 수 있음을 보여주었습니다³³.

구조 평가에서 AI의 가치는 단일 지표를 정량화하는 데 그치지 않습니다; 또한 비지도 학습을 통해 고차원 방사선 측정 특성을 통합하여 전통적인 분류로는 감지할 수 없는 심장 재형성 하위 유형을 밝혀냅니다. 예를 들어, 확장성 심근병증 환자에서 데이터 기반 접근법을 통해 임상 진행 경로와 치료 반응에서 서로 다른 뚜렷한 하위 유형이 확인되었습니다³⁴. 이러한 변화는 AI 평가가 매개변수 보고에서 이질적인 질병 기전 분석으로 이동하고 있음을 보여줍니다.

기능성 심장 재모델링 평가에 AI의 혁신적 응용

심장 기능 재구성은 수축기 및 이완기 기능 장애, 혈역학 이상, 그리고 아임상 기계적 특성 변화로 나타납니다. AI는 자동화된 정량화, 고급 매개변수 분석, 순차 패턴 마이닝을 통해 이러한 재모델링의 정밀한 평가, 조기 탐지, 동적 예측에 있어 뚜렷한 이점을 제공합니다. 이 기능 평가 프레임워크의 개요는 그림 2에 제시되어 있습니다.

figure-protocol-2
그림 2: 심장 기능 재모델링을 위한 AI 평가 프레임워크. 도표는 위에서 아래로 진행되는 세 개의 수직 경로를 보여줍니다. 적절한 경로는 기본 기능 정량화(인식 및 분할 보기, LEF 및 챔버 치수 산출)를 자동화합니다. 중간 경로는 변형 분석(GLS), 혈역학 모델링(판막 평가), 이완기 기능 분류 등 고급 기능 매개변수를 평가합니다. 왼쪽 경로는 잠재적 응용을 탐구합니다: 아임상 검출(숨겨진 이상), 시간적 진화 추적(동적 위험), 기능적 표현형 군집화(신형 표현형). 세 가지 경로는 분석적 깊이가 증가하는 순서에 따라 오른쪽에서 왼쪽 순으로 배열되어 있으며, 일상적인 정량화부터 고급 평가, 탐색적 응용까지 다양합니다. 화살표는 각 경로 내에서 위에서 아래까지의 순차적 처리를 나타냅니다. 완전한 통합이 아직 일상적이지는 않지만, 이 프레임워크는 AI가 미래 임상 워크플로우에서 기본적, 고급적, 탐색적 기능 분석을 통합할 수 있음을 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

심초음파를 기반으로 한 자동 기능 분석

심장 구조/기능 평가와 재모델링 모니터링에 핵심적인 심장 심초음파 검사는^35,36. AI와 심초음파 데이터를 통합하면 수작업의 한계를 완화하고 혈역학 모델링 및 은폐 질환 탐지로 적용 범위를 확장합니다^37,38. 이 다중 모달 AI 시스템은 가이드라인 기준을 통합하고 심초음파와 심장 MRI의 영상 데이터를 융합하여 이완기 기능장애의 병리적 기저(예: 심근섬유증 및 흉터)를 자동으로 식별하고, 기능장애 등급(정상/경미/중등도/중증)을 정확히 분류합니다. 이 방법은 전통적인 방법보다 일관성과 정확성을 뛰어넘어, 심장 재형성의 동적 모니터링에 잠재적으로 효율적인 접근법을^{제공합니다.}

AI는 뷰 식별, 이미지 분할, 챔버 정량화를 자동화하여 기능 평가의 효율성을 향상시킵니다. 딥러닝 모델은 표준 뷰를 자동으로 인식하고 좌심실 박출률(LVEF)과 같은 주요 매개변수를 측정하여 수동 조작 의존도를 줄이고 주관적 오차를 낮출 수 있습니다 ^6,40. Xiaoshan Li 등은 실시간 심초음파 품질 평가와 LVEF 추정을 위한 딥러닝 기반 ^{시스템을 개발했습니다}. 대규모 다중심 데이터셋에서 학습된 이 시스템은 객관적인 이미지 품질 점수와 높은 반복성을 가진 정확한 LVEF 측정을 제공했습니다. 마찬가지로, Slivnick 등은 영역 벽 운동 이상 탐지를 위한 딥러닝 ^{시스템을 개발하여} AUC 0.96과 92%의 민감도를 달성했습니다. 초보 독자 3명 중 2명(p < 0.05)보다 우수한 성과를 냈고, 6명의 전문가 독자(F1 94 대 90)와 비슷한 성과를 보였습니다. 이러한 발견은 AI가 임상 지원 도구이자 경험이 적은 독자를 위한 훈련 보조 도구로도 활용될 수 있음을 시사합니다.

변형률 분석 및 혈역학적 매개변수 추정

긴장 분석에서는 머신러닝이 임상 및 심초음파 데이터를 통합하여 좌심실 재모델링과 예후를 평가하는 데 적용되었습니다⁴³. 이 접근법을 확장하여 딥러닝 기반 알고리즘을 통해 원시 초음파 이미지에서 변형 곡선을 직접 추출하여 완전 자동화된 전역 종단 변형률(GLS) 계산이 가능합니다. 두 개의 테스트-재검사 데이터셋에서 AI는 최소 감지 가능 변화(MDC)를 5.5(데이터셋 I)에서 3.7로, 5.2에서 3.9(데이터셋 II)로 줄였으며, 24개 비교 중 13개에서 체계적인 독자 간 편향을 제거했고, 인간 독자에 대해 MDC 1.5 대 2.1–2.3의 박자 간 재현성을 달성했으며, 처리 시간은 7.9± 2.8초⁴⁴였습니다.

이러한 진전은 기능 평가 표준화를 위한 다기관 노력과 맞물립니다. Knackstedt 등⁴⁵ 는 완전 자동화된 머신러닝 기반 분석이 좌심실 용적, 박출률, 종방향 긴장을 신속하게 측정할 수 있음을 입증하여 심부전 관련 재모델링에서의 자동 평가를 지원하였습니다. 종합적으로 연구들은 AI가 체계적인 수동 편향을 완화하고 측정 정밀도와 표준화를 향상시킨다는 것을 보여줍니다.

그러나 이러한 개선이 임상적으로 의미 있는 환자 결과 차이로 이어지는지는 아직 확립되지 않았으며, 단일 기관 후향적 설계가 우세하고 다기관 검증이 드물기 때문^이다. 따라서 검증 엄격성과 일반화 가능성의 차이는 연구의 가능성과 일상적인 임상 채택을 계속 구분하고 있습니다.

혈역학 모델링에서 AI는 도플러 유동 속도와 기하학적 매개변수를 결합하여 판막 역류의 심각도와 심실 압력 변화를 평가하는 개별화된 모델을 구축합니다. Aaron Long 등은 딥러닝 시스템이 포괄적인 흉부 심초음파 데이터를 학습한 후 승모판 역류 심각도를 정확히 분류할 수 ^{있음을 보여주었} 으며, 이는 상당한 임상적 유용성을 입증했습니다. 이후 같은 연구팀은 이 AI 시스템이 대동맥 역류(AR), 승모판 역류(MR), 삼첨변(TR)을 정확히 분류하고 MR의 진행을 확립된 위험 인자를 넘어 진행을 예측할 수 있다고 보고했습니다⁴⁷. AI 아키텍처와 학습 방법의 지속적인 발전으로 임상적 유용성이 꾸준히 향상되고 있습니다.

경험 많은 심장 전문의들은 일상적으로 다중 모달 데이터를 종합하지만, AI는 인간의 일관성을 넘어서는 대규모 정량적 분석을 가능하게 하여 이 관행을 확장합니다. 예를 들어, 12유도 심전도 기반 AI 모델은 인간의 눈에 감지할 수 없는 패턴을 통해 보존된 박출률(HFpEF) 재형성 특징을 가진 좌심실부전과 심부전을 식별할 수 있습니다⁴⁸. 따라서 AI는 임상 판단을 대체하는 것이 아니라, 미묘하고 고차원적인 바이오마커를 추출하여 동적 모니터링을 지원합니다.

아임상 기능 장애의 AI 식별

AI는 다중 모달 데이터에서 복잡한 패턴을 추출하는 데 뛰어나, 기존 심초음파가 놓치는 미묘한 심실벽 운동 특징을 감지할 수 있게 합니다. 정적 매개변수에 대한 조작자 의존적 분석과 달리, 딥러닝은 초음파 영상을 프레임별로 분석하여 시간에 따라 변하는 운동 역학을 포착합니다. 이를 통해 아임상 기능 이상을 조기에 발견할 수 있어, 비가역적 재모델링이 일어나기 전에 개입할 수 있는 중요한 시기를 제공합니다. Attia 등은 심전도(MED) 데이터만을 사용하여 무증상 좌심실 기능 장애 환자를 식별하는 합성곱 신경망^{을 훈련시} 켰으며, 이를 통해 조기 진단과 치료를 가능하게 하고, 비가역적 병리적 재형성으로의 진행을 방지하며, 심부전과 같은 심각한 합병증의 위험을 줄일 수 있었습니다.

새로운 하위 유형 정의

또한, AI 기반 기능적 성과의 클러스터링을 통해 새로운 기능적^표현형을 정의하고 있습니다. 심초음파 영상의 심층 분석을 통해 복잡한 운동 패턴을 식별하여 예후가 현저히 다른 환자 하위 그룹을 구분할 수 있습니다⁵¹. 이 데이터 기반 접근법은 유사한 임상 증상을 가진 환자들을 뚜렷한 기전적 하위 그룹으로 계층화합니다. 이를 통해 임상 의사결정을 그룹 기반 지침에서 개별화된 치료 전략으로 발전시킵니다.

심장 전기생리학적 재모델링 평가에서의 AI

이온 채널 기능, 연결신 발현, 섬유화에 의해 촉진되는 심장 전기생리학적 재형성은 부정맥의 기저를 형성^{하지만, 기존} 심전도 해석은 종종 그 미묘한 증상을 놓치는 경우가 많습니다⁵³. 반면, 딥러닝은 표준 심전도에서 고수준 특징을 추출하여 조기 부정맥 위험 경고 및 기전 분석(^54,55)을 가능하게 하여 고차원 시간 분해 신호 분석을 가능하게 합니다. 그림 3은 이 전기생리학적 평가 프레임워크를 설명합니다.

figure-protocol-3
그림 3: 전기생리학적 재모델링의 AI 평가 프레임워크. 도표는 위에서 아래로 진행되는 네 개의 수직 경로를 그립니다. 첫 번째 경로(왼쪽)는 CNN 기반 심전도 분석을 통해 구조 관련 전기생리학적 변화를 감지하여 기능 장애 위험에 대한 경고를 생성합니다. 두 번째 경로는 채널병증 진단을 위한 동적 ECG 패턴 인식을 통해 원발성 전기 질환을 식별합니다. 세 번째 경로는 다중 모달 융합과 마이크로 메커니즘을 연구하며, 심전도(ECG)와 광학 매핑을 통한 영상 표현형 예측을 위한 다중 모달 데이터 융합, 가상 치료 시뮬레이션을 포함합니다. 네 번째 경로(가장 오른쪽)는 전기생리학적 데이터를 다른 임상 정보와 통합하여 포괄적인 위험 계층화를 도출합니다. 네 가지 경로는 분석 복잡도와 임상 통합이 증가하는 순서로 왼쪽에서 오른쪽 순서로 배열되어 있으며, 단일 모달리티 탐지부터 다중 모달 기전 분석, 포괄적 위험 평가까지 다양합니다. 화살표는 각 경로 내에서 위에서 아래까지의 순차적 처리를 나타냅니다. 아직 일상적인 실천에 완전히 구현되지는 않았지만, 이 프레임워크는 AI가 탐지, 기전적 이해, 위험 예측을 통합하여 향후 임상 워크플로우에서 전기생리학적 재구성을 지원할 수 있음을 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

특히 딥러닝은 인간의 전문성을 대체하지 않고 보완합니다. AI가 미묘한 패턴을 감지하고 대규모 스크리닝을 표준화하는 데 뛰어나지만, 인간 리더는 비정형적인 표현을 해석하고 저품질 신호를 처리하는 데 여전히 우월하다—이는 현재 AI 모델들이⁵⁴^, ⁵⁵, ⁵⁶^, ⁵⁷ 등 부족한 기술이다.

구조 재모델링에 따른 전기생리학적 변화의 자동 탐지 및 위험 분석을 위한 AI

심장 질환으로 인한 구조적 재형성은 재분극 이상이나 QRS 복합체 조각화와 같은 특징적인 심전도 변화를 유발합니다⁵⁸. 심층 신경망(DNN)은 안정 시 12유도 심전도(ECG)에서 구조 재형성과 관련된 전기생리학적 이상을 식별할 수 있습니다. 예를 들어, 한 연구에서는 연령, 성별, 심전도 데이터를 통합한 DNN 모델을 개발하여 1년 이내에 새로 발병한 심방세동(AF)을 예측했으며, 수상자 운영 특성(AUROC) 이하 영역 0.85를 달성하여 전통적인 위험 인자만을 사용한 모델보다 현저히 우수한 성과를 냈습니다. 임상 시뮬레이션 배포에서 모델은 이후 심방 세동 관련 뇌졸중 사건을 경험한 고위험군의 62%를 성공적으로 식별하여, ECG 기반 AI 모델이 잠자리 전기생리학적 변화를 선별하고 조기 위험 경고를 제공하는 데 실질적 잠재력을 입증했습니다⁵⁶. 최근 연구는 ECG 신호에서 임상 실무에서 더 쉽게 구할 수 있는 ECG 영상으로 초점을 전환하고 있습니다. 2025년에 제안된 연구에서는 응급 분류 과정에서 얻은 심전도 이미지를 직접 분석하여 응급실에서의 조기 심정지를 예측할 수 있는 ECG 영상 인식 네트워크(EIANet)를 도입했습니다. 이 모델은 내부 검증에서 AUROC가 0.896을 달성했고, 외부 독립 데이터셋⁵⁷에서 AUROC가 0.803을 유지하여, 응급 위험 예측을 위한 이미지 기반 심전도 분석의 실현 가능성을 입증하였습니다. 그러나 인간 심전도 리더기와의 직접적인 비교가 없기 때문에, EIANet이 놓친 체정을 식별하는지 아니면 기존 패턴 인식을 자동화하는지는 아직 알려지지 않았습니다. 이 접근법은 고위험 사례를 적시에 개입할 수 있도록 우선순위를 정하는 데 도움이 될 수 있습니다.

숨겨진 이온 채널과 전도 이상 식별을 위한 딥러닝

인공지능은 구조적 심장 질환으로 인한 2차 전기생리학적 변화를 감지할 뿐만 아니라, 이온 채널 또는 전도계 이상에서 발생하는 원발성 심전도 장애의 진단을 개선할 수 있습니다. 브루가다 증후군은 특정 이온 채널 유전자의 돌연변이에서 비롯되며, 간헐적이거나 유도 의존적인 심전도 증상을 자주 나타나는데, 이는 매우 은밀하고 발견하기 어렵습니다⁵⁹. 딥러닝 모델은 전통적인 방법이 놓치는 연속 심전도 기록에서 약한 신호 특징과 동적 진화 패턴을 추출하여 진단 민감도를 향상시킬 수 있습니다. 최근 연구에서는 Vision Transformer를 사용해 J파와 ST 구간의 동적 형태학적 변화를 분석하여, 고위험 브루가다 증후군 환자를 식별하는 데 우수한 성과를 보였습니다. 이 모델은 278건의 균형 잡힌 ECG 데이터셋에서 89%의 정확도와 94%의 특이도를 달성했으며, 실제 임상 유병률을 반영한 불균형 검사 세트에서 90%의 민감도와 95%의 음성 예측을 유지하여^고위험군 환자 발견에 효과가 있음을 나타냈습니다.

AI 기반 광학 매핑: 미시적 메커니즘 해명과 새로운 치료 전략 추진

표면 ECG-AI가 임상 검출을 향상시키지만, 미세한 메커니즘을 이해하려면 직접적인 시각화가 필요합니다. 광학 매핑은 이 목적을 위해 특별히 개발되었습니다.

광학 매핑은 고속 카메라와 함께 전압 및 칼슘 민감 염료를 사용하여 고해상도로 막관통 전위와 칼슘 과도기를 비침습적으로 기록하여 부정맥 기전의 세부 정보를 제공합니다^61,62. 그러나 생성된 방대한 시공간 데이터셋 분석에는 움직임 아티팩트, 신호 감쇠, 해석의 어려움 등 도전 과제가 있습니다^63,64. 합성곱 신경망(CNN) 기반의 딥러닝 모델은 광학 매핑 영상⁶⁴에서 위상 특이점과 전도 차단선 등 주요 부정맥 특징을 자동으로 감지하고 정량화하는 데 사용되었습니다. Lebert 등이 개발한 딥러닝 모델은 체외 동물 심장에서 심장 흥분파의 실시간 위치 파악과 위상 매핑을 달성했습니다. 이 모델은 돼지와 토끼의 심실세동 모델에서 광학 매핑 데이터에 대해 97–98%(각도 정확도)의 위상 예측 정확도를 보고하여, 해당 데이터의 분석 효율성과 신뢰성을 크게 향상시킬 잠재력을 입증했습니다⁶⁵.

다중 모달 데이터 융합: 전기생리학적 평가에서 통합 위험 예측까지

다중 출처 정보를 통합하는 평가 모델은 심장 재모델링의 실제 범위를 보다 포괄적으로 포착할 수 있습니다. 전기생리학 분야에서는 최근 연구들이 이러한 다중 모달 융합의 강력한 효과를 보여주었습니다. Turgut 등은 다중 모달 대조 학습과 마스크 데이터 모델링을 결합한 딥러닝 전략을 개발했다⁶⁶. 이 모델은 사전 학습 시 쌍으로 구성된 ECG와 CMR 데이터를 사용하여 CMR에서 ECG 표현으로 고해상도 구조 정보를 전송합니다. 임상 추론 시에는 표준 12유도 심전도만 필요합니다. 40,044명의 영국 바이오뱅크 대상자를 대상으로 한 연구에서, 관상동맥질환에서 73.00%, 심방세동에서 74.11%, 당뇨병에서 75.56%의 ROC AUC 점수를 달성했으며, CMR 단독 모델(71.88%, 73.11%, 74.24%)과 ECG 단독 모델(66.90%, 69.76%, 67.35%)을 우수한 성과를 보였습니다⁶⁶. 이 접근법은 고급 "정보 전달" 융합 전략으로 볼 수 있습니다: 사전 훈련 중 CMR에서 배운 구조 지식을 ECG 기반 추론으로 전환하여 널리 접근 가능한 모달리티에서 더 풍부한 표현을 가능하게 합니다.

앞서 언급했듯이, 동일한 다중 모달 융합 논리가 구조 및 기능적 재구성 평가에도 적용됩니다. 멀티모달 데이터 융합은 인공지능을 단차원적인 심장 재모델링 측정에서 포괄적인 위험 평가 모델로 발전시키는 핵심 기술적 접근법입니다. 목표는 구조, 기능, 전기생리학, 임상 정보 전반에 걸친 증거를 통합하여 환자의 심장 상태와 예후에 대한 통합된 평가를 제공하는 것입니다. 존스 홉킨스 대학교 팀이 개발한 MAARS 모델이 이 접근법의 예시입니다; 심장 자기공명 데이터와 전자 건강 기록을 결합함으로써 비대성 심근병증 환자의 갑작스러운 심장사 예측 정확도를 향상시켰습니다⁶⁶. 이러한 발전은 AI 기반 평가가 보다 통합적이고 예측적이며 개별화된 단계로 발전하여 정밀 의료에 중요한 의사결정 지원을 제공하고 있음을 나타냅니다. 구조적, 기능적, 전기생리학적 재모델링에 대한 AI 기반 평가는 다중 출처 데이터를 임상 의사결정과 연결하는 통합 프레임워크를 형성합니다. 그림 4 는 이 세 가지 차원을 통합하여 통합 평가 워크플로우를 보여줍니다. 표 1은 위에서 논의한 연구들의 성과 지표와 검증 세부 사항을 요약한 것입니다.

figure-protocol-4
그림 4: 심장 재모델링을 위한 AI 평가를 위한 통합 프레임워크. 이 다이어그램은 원시 데이터부터 임상 적용까지의 완전한 워크플로우를 다섯 개의 블록으로 나누어 화살표로 연결된 다음 블록으로 보여줍니다. 데이터는 먼저 여러 출처(영상, 전기생리, 임상 데이터)를 통해 입력됩니다. AI 기술 계층이 컴퓨터 비전, 시간 분석, 다중 모달 융합을 통해 이 입력을 처리합니다. 처리된 데이터는 핵심 평가 블록으로 전달되며, 구조적, 기능적, 전기생리학적 재모델링이 병행하여 평가되며, 각각은 심장 재모델링의 독립된 차원을 나타냅니다. 결과는 다중 모달 분석, 개인 맞춤형 모델링, 표현형 식별, 동적 위험 평가를 통해 통합되고 다듬어집니다. 마지막으로, 통합 정보는 임상 결과물로 전환됩니다: 정확한 진단, 개별화된 치료, 예후 모니터링, 그리고 개선된 결과 등이 있습니다. 화살표는 수집, 처리, 평가, 통합, 임상 적용에 이르는 데이터와 정보의 순차적 흐름을 나타냅니다. 이 프레임워크는 AI가 미래 임상 워크플로우 내에서 다중 출처 데이터, 다차원 평가, 임상 의사결정을 통합된 시스템으로 조율할 수 있음을 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

표 1: 심장 재모델링 평가에서 AI 연구의 성과 지표 및 검증 세부사항. 이 표를 다운로드하려면 여기를 클릭해 주세요.

도전 과제와 향후 방향

AI가 심장 재형성 평가에서 유망한 성과를 내고 있지만, 임상 적용은 여러 문제로 인해 제한적입니다. AI 증거의 이질성을 해결하기 위해, 우리는 포함된 연구들을 진단 성능과 검증 엄격성에 따라 세 가지 뚜렷한 계층으로 분류하였습니다(표 2). 이 틀은 현재 증거의 상당 부분이 세 번째 범주에 속함을 보여주며, 이는 연구 지표와 임상 채택 간의 지속적인 격차를 설명하는 데 도움을 줍니다. 대부분의 이용 가능한 증거는 사후적 것이며, 임상적 이점을 입증하는 견고한 전향적 데이터가 아직 부족합니다. 또한 성능은 치료 방식, 데이터 품질, 환자 집단에 따라 달라지기 때문에 센터와 워크플로우 간 일반화가 어렵습니다.

표 2: AI 성과를 기반으로 한 연구 분류. 기여의 성격은 다음과 같이 정의되었습니다: (1) 인간의 수행을 넘어서는 진정한 능력; (2) 동일한 정확도와 우수한 효율성; 그리고 (3) 유망하지만 검증되지 않은 주장들. 이 표를 다운로드하려면 여기를 클릭해 주세요.

데이터 이질성과 제한된 일반화 가능성

현재 AI 모델의 주요 한계는 데이터셋, 스캐너, 기관 간 성능 변동성입니다. 이는 특히 분할, 정량화, 기능 평가를 위한 심장초음파 및 CMR 기반 모델(16,18,19,24,25,41,42,44,45)에서 두드러집니다. 예를 들어, Narang 등의 Bland-Altman 분석에서는 여러 LA 및 LV 채움 매개변수에 대해 ±50%에서 ±88%까지 일치의 한계가 있음을 보여주었으며, 이는 평균 편향이 <10%)에도 불구하고 개인 수준 일치가 낮음을 나타냅니다. 연구의 작은 표본 크기(n=20), 단일 센터 설계, 그리고 최적 이하의 영상 품질로 인한 17%의 사례 제외와 결합되어, 이러한 변동성이 일상 임상 집단에 대한 일반화 가능성을 제한한다는 점을 강조합니다¹⁸. 이러한 시스템들은 내부 검증에서는 잘 작동할 수 있지만, 외부 환경이나 수동 보정이 필요한 연구에서는 정확도가 떨어질 수 있습니다.¹⁶^, ¹⁹^, ⁴¹^, ⁴⁴. 유사한 우려는 회고적 ECG, 영상 또는 다중 모달 데이터셋 29,30,32,34,46,47,56,57,60,66 등 예측 모델에도 적용됩니다.

회고적 성과 vs 예상 효용

또 다른 주요 문제는 회고적 성과와 잠재적 임상적 유용성 사이의 간극입니다. 많은 연구들이 높은 AUC, 상관관계 또는 합의 지표를 보고하지만, AI가 실제 실무에서 의사결정, 치료 선택 또는 결과를 개선한다는 것을 보여주는 연구는 적습니다 11,14,30,34,46,47,56,57. 예를 들어, AI 기반 심초음파 분석은 처리 시간과 변동성을 줄일 수 있지만^(44,45), 후속 관리에 미치는 영향은 명확하지 않습니다. 따라서 향후 연구에서는 전향적 검증과 AI가 임상 업무 흐름을 의미 있게 변화시키는지 평가해야 합니다.

해석 가능성, 통합 및 거버넌스

딥러닝 모델은 종종 블랙박스처럼 작동하여 임상의의 신뢰를 제한할 수 있으며, 특히 심전도 기반 위험 예측과 다중 모달 의사결정 지원에서⁵⁶^, ⁵⁷^, ⁶⁰^, ⁶⁶. 동시에 임상 통합은 여전히 도전적인데, 모델이 기존 영상 및 보고 워크플로우¹⁶^, ¹⁸^, ¹⁹^, ⁴¹^, ⁴²^, ⁴⁴, ⁴⁵에 맞춰야 하기 때문입니다. 편향, 책임성, 배치 후 모니터링 등 윤리적·규제적 문제도 다뤄져야^합니다. 향후 연구에서는 해석 가능한 설계, 교정, 다센터 검증을 표준화된 데이터 수집과 함께 우선시해야 합니다⁶⁸.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결론

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

현재 증거는 AI가 특정 기술적 과제, 특히 고처리량 재현 가능한 측정을 목표로 할 때 기존 인간 평가보다 우수한 성과를 낼 수 있음을 보여줍니다. 이 장점은 특히 자동 분할, 체적 정량화, 변형 분석, 심전도 기반 패턴 인식에서 나타나며, AI는 관찰자의 변동성을 줄이고 분석 시간을 단축하며 육안으로 파악하기 어려운 미묘한 이상을 감지할 수 있습니다. 이러한 환경에서 AI는 임상의의 전문성을 보완하고 확장하는 도구로 보는 것이 가장 적합합니다.

동시에 중요한 한계도 남아 있습니다. AI는 여전히 저품질 데이터, 비정형적 해부학, 그리고 훈련 분포 밖에 있는 예외 사례를 다루는 데 있어 경험 많은 임상의보다 신뢰도가 낮습니다. 또한 자동화된 LVEF와 같은 임계값 기반 지표에서는 소프트웨어 플랫폼과 기관 간에 산출물이 다를 수 있으며, 이는 ICD 적격성 등 결정에 직접적인 영향을 미칠 수 있습니다. 더불어 현재의 근거...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

이 프로젝트는 길린성 과학기술부(YDZJ202501ZYTS071)의 지원을 받고 있습니다.

재인쇄 및 허가

이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청

허가 요청

심장 재모델링 평가에서의 인공지능: 모델에서 임상 통합까지

이 논문에서

요약

초록

서론

리뷰 및 관점

결론

공개 사항

재인쇄 및 허가

태그

관련 논문