1. 배경

최근 인공지능(artificial intelligence, AI) 기술은 딥러닝(deep learning)을 비롯한 여러 알고리즘의 발전과 함께 다양한 산업에서 혁신을 주도하고 있다. 의료 분야에서는 영상의학, 병리학, 안과학 등 주로 의료영상 관련 분야에서 AI 기술이 먼저 도입되었으며, 영상을 통한 질병의 조기 진단 및 적절한 치료 방법 결정에 도움을 주는 다양한 AI 기반 제품들이 개발되어 활용되고 있다[1,2]. 더불어, OpenAI의 ChatGPT와 같은 대규모 언어 모델(large language model)의 등장으로 전자의무기록(electronic medical record) 자동화 등의 분야에서도 성과가 나타나고 있다[3].

신경영상의학 분야는 뇌신경계를 주로 다루므로 다른 영상의학 분야에 비해 응급질환의 비중이 높다. 따라서 판독 오류가 발생할 경우 환자에게 미치는 위험도 크다. 또한 고령화 사회 진입으로 퇴행성 뇌질환의 비중이 꾸준하게 증가하고 있는데, 그 대표적 소견인 뇌 위축(brain atrophy)의 정도를 영상검사에서 육안으로는 정량적으로 평가하기 어렵다는 문제도 있다. 이러한 상황에서, 컴퓨터단층촬영(computed tomography, CT) 및 자기공명영상(magnetic resonance imaging, MRI)과 같은 영상검사의 촬영 건수는 해마다 급증하여 판독에 대한 업무 부담이 가중되고 있다. 따라서 AI 기술을 도입하여 판독 효율성을 높이고 업무 부담을 경감하려는 시도가 이루어지고 있으며[4,5], 실제로 2021년 기준 유럽에서 시판 허가를 받은 영상 기반 AI 의료기기 중 신경영상 분야 제품의 수가 가장 많다는 조사 결과도 있다[2].

2. 연구 목적

이 논문에서는 급성 및 퇴행성 신경계 질환에 대하여, 국내 기업이 출시한 제품에 초점을 맞추어 AI 기술의 현황을 살펴보고자 한다. 아울러 신경영상의학 분야의 AI 기술이 현재 직면한 문제점과 향후 발전 방향에 대해 논의하고자 한다.

1. 급성 뇌출혈의 진단

급성 뇌출혈(acute intracerebral hemorrhage)은 심각한 후유증을 남기는 중증 질환으로, 빠른 진단과 치료가 필수적이다. 급성 혈종은 CT에서 특징적인 고음영을 보이기 때문에 진단에 CT가 널리 활용되고 있으며, 이에 기반하여 뇌출혈을 자동 검출하는 AI 기반 진단 보조 제품이 여러 가지 출시되었다[6,7]. 영상 분석 후 뇌출혈 가능성이 높은 경우에는 담당의사에게 자동으로 알람을 제공하는 환자 분류(patient triaging) 기능이 대다수의 제품에 탑재되어 있어서 빠른 진단과 치료를 도울 수 있다[8]. 최근 한 연구에서 3천여 명의 환자에서 촬영한 뇌CT 자료를 학습한 AI 모델을 활용했을 때, 기존 판독 대비 급성 뇌출혈 진단의 정확도를 향상시킨다는 결과를 보고하였다. 97.0% 대 94.7%로, P<0.0001 수준에서 통계적으로 유의한 차이를 보였다(Figure 1) [6].

Figure 1.

Artificial intelligence (AI) software for detecting hemorrhage on brain computed tomography (CT). CT images of a 42-year-old male patient who presented with head trauma (A), along with intracranial hemorrhage detection results from AI software (B). Small amounts of acute subdural hemorrhage along the falx cerebri and subarachnoid hemorrhage along the left frontal sulcus are evident. The hemorrhage was accurately predicted by the AI software with a 98.4% probability.

뇌출혈의 주요 원인 중 하나는 뇌동맥류의 파열이다. 뇌동맥류는 컴퓨터단층혈관조영술(CT angiography, CTA) 또는 자기공명혈관조영술(MR angiography, MRA)과 같은 비침습적 영상검사를 통해 조기 검출이 가능하지만, 크기가 작은 경우에는 검출이 까다로워, 영상을 판독하는 의사가 이를 놓칠 위험이 존재한다. 이러한 위험을 감소시키기 위해 AI 모델을 활용하여 MRA 또는 CTA 영상에서 뇌동맥류의 진단을 보조하는 다양한 제품이 출시되어 있으며(Figure 2), 이런 모델을 이용하여 신경과 및 신경외과 전문의의 검출 민감도를 향상시킬 수 있다는 연구 결과도 발표되었다[9].

Figure 2.

Artificial intelligence (AI) software for detecting cerebral aneurysms based on magnetic resonance angiography. Maximum intensity projection image (A) and source image (B) from time-of-flight magnetic resonance angiography. A cerebral aneurysm is seen in the cavernous segment of the right internal carotid artery, successfully detected by the AI model (indicated by a red circle and rectangle).

한편 급성 뇌출혈의 치료 필요성과 예후를 판단하는 데 추후 출혈량의 증가를 예측하는 것이 중요하며, CTA에서 점상 징후(spot sign), 또는 비조영 CT (non-contrast CT)에서 소용돌이 징후(swirl sign)와 같은 특징적인 영상 소견이 관찰되는 경우 혈종의 팽창을 예측할 수 있다고 알려져 있다[10]. 이를 응용하여, 최근 연구에서는 AI 모델을 활용하면 혈종 팽창을 보다 정확하게 예측할 수 있다고 보고하였다[11]. 아직까지 혈종 팽창 예측을 위한 상용화된 제품은 출시되지 않았으나, 향후 예후 예측을 기반으로 한 맞춤형 치료 전략 수립을 지원하는 고도화된 AI 솔루션으로 발전할 수 있을 것이다.

2. 급성 뇌경색의 진단

급성 뇌경색의 치료 결정에는 증상 발생 후 경과한 시간이 매우 중요하다. 일반적으로 증상 발생 후 4.5시간 이내에 응급실에 도착한 경우 정맥 내 혈전용해술(intravenous thrombolysis)을, 6시간 이내 도착하고 큰혈관 폐색(large vessel occlusion)이 확인되면 혈관내 치료(endovascular treatment)를 시행한다[12]. 최근에는 증상 발생 후 6시간이 지난 경우에도, 24시간 이내에 도착하고 뇌관류영상에서 허혈 반음영(ischemic penumbra)이 확인되면 혈관내 치료를 시행하는 방향으로 그 적응증이 확대되고 있는 추세이다.

비조영 CT는 급성 뇌출혈 배제가 주된 역할이지만, 허혈로 인해 뇌의 실질에 저음영 변화가 생기기 때문에 이를 통해 뇌경색의 진단에도 도움을 받을 수 있다. 큰혈관 폐색 여부 판정을 위해서는 CTA 혹은 MRA 검사를 이용하며, 혈관내 치료를 고려하는 경우에는 촬영시간이 짧은 CTA가 선호된다. MRI에서는 확산강조영상(diffusion-weighted imaging)을 통해 작은 뇌경색도 예민하게 검출할 수 있다.

조영제를 주입하면서 동적으로 촬영하는 관류영상(perfusion imaging)을 얻으면 허혈 핵심부(ischemic core)와 허혈 반음영 영역을 구분할 수 있으며, CT와 MRI 모두 촬영이 가능하다. 허혈 반음영 영역이란 아직 완전히 뇌경색이 일어나지는 않았지만, 혈관 재개통 치료를 하지 않으면 뇌경색으로 진행될 위험이 높은 부위를 가리킨다. 따라서 관류영상에서 허혈 핵심부의 크기에 비해 현저히 큰 허혈 반음영 영역이 확인되면 빠른 혈관 재개통 치료가 필요하다. 관류영상을 분석하기 위해서는 복잡한 수학 연산이 필요한데, AI 기반 제품을 활용하면 신속하게 분석이 가능하다는 장점이 있다. 이와 같이, 급성 뇌경색을 진단하고 치료 방법을 결정하는 데 다양한 영상검사가 활용되며, 각 검사별로 AI 모델을 활용하여 빠르고 정확한 진단에 도움을 받을 수 있다(Figure 3A–C) [13–16].

Figure 3.

Diagnosis of acute ischemic stroke using artificial intelligence (AI) software. A case of a female patient in her 70s, illustrating AI software application across various imaging modalities for acute ischemic stroke diagnosis (A–C). (A) Non-contrast head computed tomography (CT) shows no evidence of acute intracerebral hemorrhage; however, AI software suggests hypodensity changes due to ischemic stroke. (B) CT angiography indicates occlusion of the left middle cerebral artery, with AI software reporting a large vessel occlusion score of 100. The occlusion was subsequently confirmed by cerebral angiography. (C) CT perfusion imaging shows ischemic core and penumbra volumes of 8.6 mL and 157.6 mL, respectively. Diffusion-weighted imaging acquired after endovascular treatment confirmed ischemic core volume expansion to approximately 50 mL. (D) Screenshots of a mobile application facilitating real-time AI analysis sharing and communication between paramedics and physicians. The interface includes clinical information, AI-generated results, and built-in secure chat functionality.

최근 국내 연구에 따르면, 급성 뇌경색 환자의 초기 병원 선택이 치료 결과에 중요한 영향을 미치는 것으로 나타났다[17]. 해당 연구에서는 혈관 내 치료가 가능한 병원(thrombectomy-capable hospital, TCH)으로 이송된 환자군의 33.3%에서 혈관 내 치료가 시행된 반면, 혈관 내 치료가 어려운 병원(primary stroke hospital, PSH)으로 이송된 환자군에서는 12.2%에서만 시행되었다. 또한, 초기부터 TCH로 이송된 환자는 PSH로 이송된 환자보다 유의하게 더 나은 예후를 보였다. 이 연구는 보다 신속한 환자 분류와 이송이 급성 뇌경색 치료 성과를 결정하는 핵심 요소임을 보여준다.

이와 같이 중요한 환자 분류와 이송을 돕기 위해, 최근 의료진 또는 구급대원 간 의사소통을 지원하는 AI 기반 모바일 애플리케이션이 개발되었다(Figure 3D). 이 애플리케이션을 통해 환자의 임상정보와 AI 분석 결과를 공유하고, 의료진 간 의사소통을 통해 시술 시행 필요성 및 가능 여부 등을 효율적으로 조율할 수 있다. 이를 활용하여, 환자의 이송 지연을 최소화하고 치료 성과를 향상시킬 수 있을 것으로 기대된다.

뇌경색의 원인은 크게 심장색전(cardioembolism), 큰혈관죽상경화증(large artery atherosclerosis), 소혈관폐색(small vessel occlusion) 등으로 나뉘며, 원인에 따라 치료 방법이 달라진다[18]. 병인을 판정할 때 꼭 필요한 정보는 뇌경색의 위치로서, 영상 소견이 매우 중요하며, 이 때 AI 모델을 활용할 수 있다. 실제로 한 연구에서 전문가와 AI 모델이 판정한 뇌경색의 원인이 상당히 높은 일치도를 보인 바 있다[19]. 또, 뇌경색의 원인 중 큰혈관죽상경화증과 소혈관폐색을 구분할 때는 뇌혈관의 협착 또는 폐색성 병터가 있는지가 중요한 판단 기준이 된다. 따라서 영상을 판독할 때는 뇌경색 발생 부위를 공급하는 혈관의 병터 존재 여부를 세밀하게 살펴봐야 하는데, 이 경우에도 AI 모델이 유용하다는 연구 결과가 보고된 바 있다[20]. 한편, 뇌경색 발생 후 경과한 시간이 길어질수록 뇌 조직의 부종이 진행되면서 액체감쇠역전회복(fluid attenuated inversion recovery) 영상에서 고신호강도가 강해지는데, 이를 AI 모델에 적용하여 뇌경색 발생시각을 추정하는 시도도 이루어지고 있다[21].

1. 알츠하이머병의 진단 및 추적관찰

치매 환자의 대표적인 영상 소견은 뇌의 위축이며, 치매의 아형에 따라 주로 위축되는 뇌의 부위가 다르다. 가장 흔한 아형인 알츠하이머병(Alzheimer disease)의 경우, 해마(hippocampus)를 포함한 내측 측두엽(medial temporal lobe)의 위축이 두드러진다. 영상 판독 시, 뇌실(ventricle)이나 대뇌고랑(cerebral sulcus)의 확장 소견이 유용하지만, 육안으로 뇌 위축의 정도를 정량적으로 평가하는 데는 한계가 있다. 따라서 뇌 위축의 부위와 정도를 판정하는 데 뇌 용적 측정(brain volumetry) 소프트웨어의 도움을 받을 수 있으며, 추적 영상검사에서 비교하여 판독할 때 특히 유용하다. 과거에는 FreeSurfer와 같은 전통적 뇌 용적 측정 소프트웨어를 사용할 경우, MRI 한 건을 분석하는데 최대 10시간이 소요되었으나, 최근 딥러닝 기반 제품은 수초 내에 분석을 완료할 수 있게 되었다[22,23]. 이러한 처리 속도의 비약적인 향상은 임상 현장에서 뇌 용적 변화를 보다 신속하게 모니터링할 수 있는 기반을 마련한다.

최근 알츠하이머병 치료에 항아밀로이드(anti-amyloid) 치료제가 도입되면서, 영상에서 약제 부작용으로 나타나는 amyloid-related imaging abnormalities (ARIA)를 보다 정밀하게 검출할 필요성이 커졌다. ARIA는 출혈성(ARIA-H) 및 부종성(ARIA-E)으로 구분되며, 출혈성의 경우 미세출혈(microbleed)이나 표재철침착증(superficial siderosis)의 검출이, 그리고 부종성의 경우 피질하 부위의 T2 고신호강도(T2 hyperintensity) 병터를 검출하는 것이 중요하다[24,25]. 특히 약제 투여 지속 여부를 결정할 때 ARIA 병터의 개수와 크기 평가가 필수적이나, 이는 시간이 많이 소요되며 측정 오류의 가능성이 있다. AI 모델을 적용하면 보다 신속하고 정확한 평가가 가능하여 업무 부담을 줄일 수 있을 것으로 기대된다(Figure 4).

Figure 4.

Artificial intelligence (AI)-based quantitative assessment of brain atrophy and detection of amyloid-related imaging abnormalities (ARIA). (A) Microbleeds detected in the initial study are marked with red boxes; new microbleeds found on follow-up imaging are highlighted with yellow boxes, facilitating rapid assessment of ARIA-H. (B) Initial fluid-attenuated inversion recovery (FLAIR) images display hyperintense white matter lesions in yellow; areas with increased lesion size on follow-up imaging are highlighted in red, aiding the evaluation of ARIA-E.

2. 파킨슨병의 진단

파킨슨병(Parkinson disease)은 알츠하이머병 다음으로 흔한 신경퇴행성 질환으로, 중뇌(midbrain)의 흑색질(substantia nigra)의 치밀부(pars compacta)의 도파민신경세포(dopaminergic neuron)와 멜라닌(melanin)의 소실이 특징이다. 영상 진단으로는 ¹²³I-FP-CIT를 이용한 단일광자컴퓨터단층촬영(single photon emission computed tomography, SPECT)과 같은 핵의학검사가 널리 활용되며, MRI의 자화율강조영상(susceptibility-weighted imaging)에서 흑색질 치밀부의 나이그로좀(nigrosome) 소실 소견이 파킨슨병의 조기 진단 및 진행 평가에 활용될 수 있음이 보고되었다[26]. 특히 기존 자화율강조영상에서 나이그로좀 소실의 검출율이 떨어진다는 문제가 있었으나, 최근 연구에서는 AI 모델 적용 시 나이그로좀 소실 검출률이 향상됨을 확인하였으며, 이를 기반으로 임상 적용 가능성이 제시되었다(Figure 5) [27]. 현재까지 MRI는 파킨슨병 진단에서 SPECT나 양전자방출단층촬영(positron emission tomography)을 완전히 대체하기에는 한계가 있다. 그러나 향후 딥러닝 기술과 영상 획득 기법이 발전하여 이들과 동등하거나 더 높은 진단 정확도를 달성하게 되면, 방사선 노출을 줄이고 임상 워크플로우를 간소화하는 데 기여할 수 있을 것으로 기대된다.

Figure 5.

Artificial intelligence (AI)-based detection of nigrosome loss in the substantia nigra. (A) Image analysis results from a normal subject and (B) from a patient with Parkinson disease. In the susceptibility-weighted images from the Parkinson disease patient, the AI software correctly identifies nigrosome loss in the bilateral substantia nigra.

3. 소혈관질환의 진단 및 추적관찰

소혈관질환(cerebral small vessel diseases)은 대개 관통동맥과 같은 작은 혈관의 동맥경화성 변화로 인해 발생하며, MRI에서는 백질고신호강도(white matter hyperintensity), 미세출혈, 열공(lacune), 혈관주위공간(perivascular space)의 확장 등의 소견이 복합적으로 관찰된다. 정상 노인에서 이러한 소견의 임상적 의미는 명확하지 않으나, 연령, 고혈압, 당뇨, 알츠하이머병 등과 관련하여 병터의 크기와 빈도가 증가하는 경향이 있다. 뇌 위축 판정과 마찬가지로, 소혈관질환도 추적 MRI에서 육안으로 세밀한 비교가 어려워 AI 모델을 통한 정량 분석 및 추적관찰이 효과적일 것으로 기대된다[28]. 현재 여러 국내외 기업에서 백질고신호강도 및 미세출혈의 검출을 보조하는 제품을 출시하고 있으며, 이들 솔루션은 소혈관질환뿐 아니라, 다발성 경화증(multiple sclerosis) 등 유사한 영상 소견을 보이는 다른 질환의 진단 및 추적관찰에도 활용될 수 있다.