메뉴열기
협심증 환자의 병변이 심근허혈을 유발하는지 평가하기 위한 기능적 지표인 FFR (fractional flow reserve)은 압력철선을 삽입하여 협착부 전후의 압력비를 측정하는 것으로, 예후예측에 있어 높은 성능을 보인다고 알려져 있다. 그러나 침습적인 FFR 측정으로 인한 높은 비용과 환자건강에 미치는 영향으로 인해, 이를 대체하기 위한 방법에 대한 개발 요구가 있었다. CT-FFR은 심장 전산단층영상(computed tomography, CT)에서 추출된 관상동맥의 3차원 형상을 이용하여, 전산유체역학(computational fluid dynamics, CFD)을 기반으로 컴퓨터 시뮬레이션을 수행하고 혈관 내의 FFR 분포를 예측하는 방법이다. Heartflow 사의 시뮬레이션 모델은 NXT trials를 통해서 80%이상의 정확도로 FFR을 예측할 수 있음을 보고한 바 있다. 그러나 이들의 모델은 대동맥을 포함한 넓은 3차원 영역을 높은 정확도로 해석했기 때문에 수퍼컴퓨터를 이용하고도 계산 시간이 많이 소요되었다. 한편, 혈관을 파이프처럼 모사하여 관상동맥의 단면적만을 고려하는 1차원 모델이 개발되어 계산시간을 단축할 수 있는 방법이 제시되었고 Siemens사에서는 이를 cFFR 소프트웨어로 개발하였다. 이후 Siemens 사는 이 방법을 활용하여 가상의 관상동맥 모델에서 FFR을 계산하고 12,000개의 시뮬레이션을 수행하여 라이브러리를 만든 후, 기계학습(machine learning, ML)으로 FFR을 예측할 수 있는 소프트웨어를 개발하였다.
본 논문은 FFR을 예측할 수 있는 두 가지 방법, 전산유체역학 기반의 FFRCFD와 기계학습 기반의 FFRML을, 압력철선으로 직접 측정한 FFR과 비교한 후향적 단일 기관 연구이다. 85명의 환자에 대한 결과에서 FFRML은 병변 기준 79%의 sensitivity와 94%의 specificity를 보였으며 FFRCFD와는 거의 차이가 없었다. ROC 곡선 내의 면적은 FFRML과 FFRCFD 모두 0.91로 CT 관상동맥 조영술 (0.61), 혈관조영술(0.69)에 비해서 높았다. 전처리 후 해석 시간은 FFRML이 2.3초 내외로 FFRCFD 의 3.5분에 비해 월등히 적다는 것이 강점으로 제시되었다.
이 논문의 시사점은 많은 시간이 소요되는 시뮬레이션 방법을 기계학습이 대체할 수 있는 가능성을 보여주었다는 데 있다. 그러나 상대적으로 정확도가 떨어지는 FFRCFD를 활용해서 학습용 라이브러리를 구축했기 때문에 태생적으로 정확도 향상에 한계가 있으며, 전체 해석 시간의 감소효과가 10% 이하로(43.4±7.1 분→ 40.5±6.3분) 크지 않다는 점은 기계학습의 효과를 반감시킨다. 정확도 향상은 3차원 시뮬레이션을 활용하여 라이브러리를 구성하는 방법을 고려할 수 있으며, 관상동맥 혈관분할에 기계학습을 적용하여 시간을 단축시킨다면 진단 소프트웨어의 사용성을 향상시키는 데 도움이 될 것이다. FFR 예측을 위한 더 나은 기계학습 기반 진단법의 개발을 기대해 본다.
Figure1 : Images show examples of stenosis of coronart CT angiography and invasive coronary angiography (ICA) with cFFR measurement in a 62-year old man presenting with chest pain. A, Coronary CY angiography demonstrates stenosis greater than 50% of medial left anterior descending artery caused by calcified plaque (white arrow), B,C Three-dimensional mesh representing geometric model of coronary tree is generated (block arrow), D, cFFR revealed value of fractional flow reserve(FFR) derived from coronoary CT angiography based on machine learning algorithm (cFFR ML) of 0.74 and, E, value of FFR derived from coronary CT angiography based on computational fluid dynomics (cFFRCFD) of 0.73 (white arrowhead). F,ICA shows obstructive stenosis (white arrow) with invasive FFR of 0.74 (block arrowhead).
