Risk factors and prognostic indicators for progressive fibrosing interstitial lung disease: a deep learning-based CT quantification approach
한 줄 요약
본 연구는 심화 섬유화성 간질성 폐질환(PF-ILD)의 발생 위험 인자와 예후 지표로 딥러닝 기반 정량적 흉부 단층촬영(QCT)의 가치를 평가하였다. 단일 기관의 후향적 코호트에서 기저 및 추적 CT를 통해 GGO, RO, honeycombing 및 fibrosis extent를 자동 분할하고 정량화하였으며, 이를 임상 변수와 결합해 PF-ILD 발생과 all-cause mortality를 예측하는 다변량 모델을 구축하였다. 딥러닝 기반 QCT는 기존 시각적 평가의 주관성을 보완하며, 특히 기저 RO와 fibrosis extent가 PF-ILD 및 예후를 독립적으로 예측함을 입증하였다.
방법
단일 기관 후향적 코호트 연구로, 2015년 1월부터 2021년 6월까지 ILD 진단을 받은 환자 중 추적 CT 간격이 ≥ 24개월이고 PFT 결과가 일치하는 465명(중앙 연령 65세 [IQR 58–71], 남성 238명)을 최종 분석 대상으로 선정하였다. 딥러닝 기반 texture analysis 소프트웨어(AVIEW Lung Texture v1.1.43.7)를 활용해 기저 및 추적 CT에서 GGO, RO, honeycombing, consolidation, emphysema를 폐 전체 부피 대비 백분율로 자동 분할하였으며, fibrosis extent는 RO와 honeycombing의 합으로 정의하였다. PF-ILD는 시각적 CT 진행과 예측 FVC의 절대적 감소 ≥ 5%로 정의하였다. 주요 통계 분석으로는 PF-ILD 발생에 대한 logistic regression과 all-cause mortality에 대한 Cox proportional hazard regression을 수행하였으며, 기저 % predicted FVC를 항상 보정 변수로 포함하였다. 모델 성능은 Harrell’s concordance statistic(C-index)와 likelihood ratio test로 평가하였다.
주요 결과
다변량 분석 후 기저 RO(OR: 1.096, 95% CI: 1.042–1.152, p < 0.001)와 fibrosis extent(OR: 1.035, 95% CI: 1.004–1.067, p = 0.025)가 PF-ILD의 독립적 예측 인자로 확인되었다. 예후 평가에서는 기저 RO(HR: 1.063, 95% CI: 1.013–1.115, p = 0.013), honeycombing(HR: 1.074, 95% CI: 1.034–1.116, p < 0.001), fibrosis extent(HR: 1.067, 95% CI: 1.043–1.093, p < 0.001)가 불량한 예후와 유의미하게 연관되었다. 기저 % predicted FVC에 QCT 변수를 결합한 Cox 모델은 각 ILD 소견(C-index: 0.714, 95% CI: 0.660–0.764)과 fibrosis extent(C-index: 0.703, 95% CI: 0.649–0.752) 모두에서 QCT 미포함 모델(C-index: 0.545, 95% CI: 0.500–0.599)보다 통계적으로 유의미하게 우수한 예측 성능을 보였다(both p-values < 0.001).
강점
본 연구는 ≥ 24개월의 엄격한 추적 간격과 PFT 정량화를 결합하여 PF-ILD의 객관적 정의(INBUILD trial 기준)를 후향적 데이터에 적용한 점이 방법론적으로 견고하다. 딥러닝 기반 QCT는 시각적 평가에서 흔히 발생하는 inter- and intra-reader variability를 제거하며, 폐 섬유화 부피를 연속형 변수로 제공하여 통계적 검정력을 높였다. 임상적으로는 고위험군 선별을 통한 모니터링 강화 및 치료 개시 시점 최적화에 직접 활용 가능한 정량적 임계값(OR/HR per 1% volume increase)을 제시한다. Wiki 내 ILD 진행성 평가 및 AI 기반 영상 정량화 문헌들과의 교차 검증에 유용한 기준선(baseline) 데이터를 제공한다.
해석
이 논문은 pulmonary fibrosis의 임상적 정의와 영상의학적 소견을 딥러닝 정량화로 연결하여, 기존 ILD progression literature에서 주로 의존하던 시각적 UIP pattern이나 traction bronchiectasis 평가의 한계를 보완한다. 특히 deep learning-based QCT가 FVC decline과 결합될 때 예측 성능이 비약적으로 향상된 점은, AI imaging biomarker가 단일 임상 지표보다 다모달 접근에서 더 높은 prognostic value를 가짐을 시사한다. LLM Wiki의 pulmonology 및 biomedical-imaging 문헌들 사이에서 quantitative fibrosis assessment와 progressive disease phenotyping을 통합하는 핵심 참고문헌으로 기능하며, 향후 radiomics/deep learning 모델의 feature engineering에 직접적인 정량적 지표(RO, honeycombing, fibrosis extent %)를 제공한다.