연세대 세브란스병원 심장내과 김중선 교수와 세종대학교 전자정보통신공학과 하진용 교수, 고려대 안암병원 차정준 교수 공동 연구팀은 OCT(광간섭단층촬영) 영상 정보를 활용한 기계학습 기반의 FFR(분획혈류예비력) 예측 기술을 개발했다고 밝혔다.

관상동맥은 심장에 산소와 영양분을 공급하는 혈관으로 질환이 발생하면 좁아지거나 막힌 혈관을 넓히는 스텐트 삽입술을 가장 많이 시행해 치료한다. 

그런데, 협착 정도가 심하면 정확한 스텐트 삽입을 위해 혈관 조직 내 미세구조를 영상화하는 영상진단방법 OCT 검사와 함께 혈압 정보를 확인하는 FFR 검사를 추가로 시행한다. 

하지만 시술 중 두 개의 다른 기구를 삽입해야 하는 어려움과 추가적인 비용, 부작용 등의 문제가 있어 연구팀은 좌전하행지를 대상으로 OCT 진단검사 결과를 기계 학습(Machine Learning)시켜 FFR 값을 예측할 수 있는 진단기술을 개발한 바 있다.

이어 연구팀은 모든 관상동맥에 적용이 가능한 범용 모델을 개발하기 위해 세브란스 심장혈관병원에서 관상동맥중재술을 받은 환자 130명을 대상으로 연구를 진행했다.

130명 환자의 356개 관상동맥(좌전하행지 130, 좌회선지 110, 우관상동맥 116) 중 284개의 관상동맥 병변에 대해 OCT 값과 FFR 값을 측정하고 병변 데이터를 활용해 관상동맥 범용 기계학습 모델을 개발했다.

연구팀은 356개의 관상동맥 중 관상동맥 종류와 OCT 영상에서 추출한 협착 부위의 비율, 원위부 관상동맥 안쪽 지름, 가장 좁아진 부위의 관상동맥 내경, 병변 길이, 플라크 면적, 근위부 관상동맥 내경 등 7가지 특성을 가진 72개의 관상동맥을 대상으로 기계학습 모델을 이용해 FFR 값을 예측했고 이를 실체 측정한 FFR 값을 비교한 결과 상관관계가 0.8782(1에 가까울수록 실제 측정 수치에 근접)로 실제 측정한 값과 유사한 것으로 나타났다.

분석의 민감도와 정확도도 각각 98.3%, 91.7%로 높게 확인됐다.

또한 130명의 기존 대상자 외 추가적인 외부 코호트 연구를 통해 중증도 협착 환자 47명의 101개 관상동맥을 대상으로 기계학습 모델의 예측력을 확인하는 외부검증에서도 실제 측정된 FFR 값과 예측한 FFR 값의 상관관계가 0.7884, 정확도는 83.2%로 높은 예측도를 보였다.

김중선 교수는 "OCT 검사 후 머신러닝에 의해 FFR 값을 1~2분 안에 예측할 수 있는 기술을 통해 시간을 다투는 임상현장에서 환자의 부담과 부작용을 줄일 수 있을 것으로 기대된다"면서 "추후 더 많은 임상 데이터를 활용해 임상현장에서 널리 사용할 수 있는 기술로 발전시킬 수 있도록 노력할 것"이라고 말했다.

한국연구재단 SHDI 선도연구센터와 과학기술정보통신부 의료기관 창업 캠퍼스 연계 원천기술개발사업의 지원을 받아 진행한 이번 연구결과는 국제학술지 'Frontiers in Cardiovascular Medicine'에 게재됐다.