Deep Learning to Estimate Biological Age From Chest Radiographs

authors

Raghu et al.

journal

JACC Cardiovascular Imaging

year

2021

doi

10.1016/j.jcmg.2021.01.008

category

biomedical-imaging

pdf

PDF

source

Source

업데이트

2026-07-30

요약

이 연구는 흉부 방사선 촬영(CXR) 이미지로부터 딥러닝을 통해 추정된 생물학적 연령(CXR-Age)이 실제 연령(chronological age)보다 장기적인 사망 위험(all-cause mortality 및 cardiovascular mortality)을 더 잘 예측할 수 있는지 평가하였다. CNN 기반의 transfer learning 접근법을 사용하여 개발된 CXR-Age 모델은 PLCO와 NLST라는 두 개의 독립된 대규모 코호트에서 검증되었으며, 기존 임상 변수들(연령, 위험 인자, 영상 소견)에 추가했을 때 사망률 예측 성능이 통계적으로 유의하게 향상됨을 보였다. 특히 CXR-Age가 5년 증가할 때마다 all-cause mortality와 cardiovascular mortality의 hazard ratio(HR)은 chronological age가 5년 증가할 때보다 더 높게 산출되어, 생물학적 노화 지표로서의 잠재력을 입증했다. 이 결과는 비침습적인 단일 영상 검사만으로 개인의 장기적 건강 상태와 사망 위험을 정량화할 수 있는 새로운 biomarker를 제시한다는 점에서 의의가 있다.

방법

이 연구는 retrospective observational study design으로, CXR-Age 모델 개발과 검증은 두 단계로 진행되었다. Stage 1에서는 NIH Chest X-ray 14, PadCHEST, CheXpert 등 공개 데이터셋(N = 24,934)을 사용하여 chronological age를 추정하는 pre-training 모델을 구축했다. 이 단계는 최종 결과 보고에 사용되지 않으며, Stage 2의 starting point로만 활용되었다. Stage 2에서는 PLCO Cancer Screening Trial의 CXR arm 개입군 중 25%(N = 13,657)를 사용하여 biological age를 추정하는 final model을 fine-tuning했다. Biological age label은 U.S. Social Security Administration의 actuarial life tables과 PLCO control arm(N = 77,444)에서 개발된 sex-specific Gaussian survival models을 기반으로 계산되었다. 즉, 사망한 경우 실제 사망 연령과 기대 사망 연령의 차이를, 생존한 경우 예측된 시간-사망(time-to-death)을 반영하여 biological age를 정의했다.

검증은 모델 학습에 사용되지 않은 두 개의 held-out testing datasets에서 수행되었다. 첫 번째는 PLCO CXR arm의 나머지 75%(N = 40,967; median follow-up 16.9 years)였으며, 두 번째는 외부 검증용 NLST CXR arm(N = 5,414; median follow-up 11.9 years)이었다. Primary endpoint는 observed all-cause mortality였으며, secondary endpoint는 cardiovascular mortality(ischemic heart disease, cerebrovascular accident, other circulatory diseases에 해당하는 ICD-9 codes 200XX, 300XX, 400XX)였다. 비교군으로는 chronological age, traditional radiographic findings(lung nodule, cardiomegaly 등), 그리고 prevalent risk factors(smoking, diabetes, obesity, hypertension, history of myocardial infarction or stroke)를 포함한 multivariable regression model이 사용되었다. 통계 분석에는 Cox proportional hazards model을 사용하여 hazard ratio(HR)과 95% confidence interval(CI)을 산출했으며, cardiovascular mortality의 경우 competing risks regression(cmprsk R package)을 적용했다. 모델 성능 비교를 위해 concordance index(Harrell’s C-statistic), partial likelihood ratio tests, 그리고 continuous net reclassification improvement (NRI)를 계산했다. 또한 모델 해석력을 위해 gradient-weighted class-activation maps (Grad-CAM)을 생성하여 CXR-Age에 기여하는 해부학적 영역을 시각화했다.

주요 결과

PLCO testing dataset에서 CXR-Age가 5년 증가할 때의 all-cause mortality 위험은 chronological age가 5년 증가할 때보다 유의하게 높았다 (CXR-Age HR: 2.26 [95% CI: 2.24 to 2.29] vs. chronological age HR: 1.77 [95% CI: 1.75 to 1.78]; p < 0.001). Cardiovascular mortality에서도 유사한 패턴이 관찰되었다 (CXR-Age cause-specific HR: 2.45 per 5 years [95% CI: 2.34 to 2.56] vs. chronological age HR: 1.82 per 5 years [95% CI: 1.74 to 1.90]). NLST external testing dataset에서도 두 endpoint 모두에서 동일한 경향이 확인되었으며, CXR-Age가 chronological age보다 사망 위험 예측에 더 강력한 연관성을 보였다. Univariable model의 concordance index(C-statistic) 분석 결과, CXR-Age는 chronological age와 traditional radiographic findings보다 all-cause 및 cardiovascular mortality 예측 성능이 높았다 (p < 0.05 for all comparisons).

Multivariable regression model(chronological age, risk factors, radiograph findings 포함)에 CXR-Age를 추가했을 때, PLCO와 NLST 모두에서 all-cause mortality 및 cardiovascular mortality 예측 성능이 통계적으로 유의하게 향상되었다 (p < 0.001 for all comparisons). Continuous NRI 분석에서도 CXR-Age 기반 Cox model이 chronological age 기반 model보다 all-cause mortality 위험 추정이 더 우수함을 보였다 (PLCO: NRI = 0.151 [95% CI: 0.10 to 0.20]; NLST: NRI = 0.173 [95% CI: 0.03 to 0.32]). CXR-Age와 chronological age의 상관관계는 PLCO에서 r² = 0.37 (p < 0.001), NLST에서 r² = 0.25 (p < 0.001)로 나타났다. PLCO cohort에서 73% (29,765/40,967)의 참가자가 chronological age와 5년 이내의 CXR-Age를 보였으며, 17% (6,907/40,967)는 CXR-Age가 chronological age보다 5년 이상 높았고, 10% (4,295/40,967)는 5년 이상 낮았다. NLST cohort에서는 68% (3,688/5,414)가 5년 이내였으며, 23% (1,269/5,414)가 5년 이상 높고, 8% (457/5,414)가 5년 이상 낮았다. NLST에서 CXR-Age가 chronological age보다 높은 비율이 더 높은 것은 해당 trial의 heavy smoking ($\ge$30 pack-year) 포함 기준에 기인할 수 있다. Grad-CAM 분석을 통해 CXR-Age 예측에 기여하는 주요 해부학적 영역이 시각화되었으나, 구체적인 organ-level 기여도 수치나 통계적 유의성은 원문 본문에서 명시되지 않았다 (not available).

통계 분석

분석 설계 — 이 연구는 흉부 X-선(CXR) 이미지로부터 딥러닝으로 추정된 생물학적 나이(CXR-Age)가 연령(chronological age)보다 장기적인 사망 위험(all-cause mortality, cardiovascular mortality)을 더 잘 예측하는지 평가하기 위해 수행되었다. 연구 설계는 두 단계의 모델 개발과 독립적인 테스트 세트에서의 검증으로 구성된다. 먼저 공개 데이터셋(NIH Chest X-ray 14, PadCHEST, CheXpert; N=24,934)을 사용하여 연령 추정 모델을 사전 학습(pre-training)한 후, PLCO(Prostate, Lung, Colorectal, and Ovarian Cancer Screening Trial)의 CXR 군 중 25%(N=13,657)를 사용하여 사망 위험 기반의 생물학적 나이 레이블로 미세 조정(fine-tuning)하였다. 최종 모델은 PLCO CXR 군의 나머지 75%(N=40,967; median follow-up 16.9 years)와 외부 검증용 NLST(National Lung Screening Trial) CXR 군(N=5,414; median follow-up 11.9 years)에서 전인 사망(all-cause mortality) 및 심혈관 사망(cardiovascular mortality)을 primary/secondary endpoint로 사용하여 검증되었다.

무엇을 위해 어떤 분석을 썼는가 — 연구자들은 CXR-Age의 예측 성능을 평가하기 위해 다음과 같은 통계적 방법을 적용했다. 첫째, Cox proportional hazards model을 사용하여 CXR-Age와 시간-사망(time-to-death) 간의 연관성을 분석하고, univariate 및 multivariate hazard ratio(HR)과 95% confidence interval(CI)을 산출하였다. 둘째, 심혈관 사망의 경우 competing risks regression을 수행하여 cause-specific HR을 계산하였으며, 이 과정에는 R package인 cmprsk를 사용했다. 셋째, CXR-Age와 연령 간의 예측력 차이를 비교하기 위해 Kaplan-Meier curves를 작성하고 log-rank test를 적용하였다. 넷째, 모델 간 성능 비교(예: CXR-Age vs chronological age)를 위해 partial likelihood ratio tests를 수행하였고, continuous net reclassification improvement (NRI)를 계산하여 재분류 개선 효과를 평가했다. 마지막으로, Grad-CAM을 통해 모델이 이미지 내 어떤 해부학적 영역에 주목하는지 시각화하여 설명가능성(explainability)을 확보하려 했다.

방법론 평가 — 이 연구의 통계 처리에서 잘 된 점은 다음과 같다. 첫째, 대규모 공개 데이터셋을 활용한 transfer learning 접근법은 상대적으로 작은 표본(N=13,657)으로 복잡한 CNN 모델을 학습시키는 데 효율적이었다. 둘째, 내부 검증(PLCO hold-out set)과 외부 검증(NLST)을 모두 수행하여 모델의 일반화 가능성을 확인했다. 셋째, competing risks regression을 사용하여 심혈관 사망 분석 시 다른 원인 사망의 영향을 적절히 보정했다. 넷째, HR과 95% CI를 함께 보고하여 effect size와 정밀도를 명확히 제시했다.

그러나 의심스러운 점이나 한계도 존재한다. 첫째, 생물학적 나이 레이블 생성 과정에서 생존한 참가자에 대해 sex-specific Gaussian survival models로 사망 시점을 추정하여 레이블을 부여했는데, 이 추정 과정의 오차가 최종 모델 성능에 미치는 영향이 명시적으로 검증되지 않았다. 둘째, multivariable model에서 보정된 교란 변수(confounders) 목록(예: smoking, diabetes 등)이 원문 결과 부분에서 구체적으로 나열되지 않아, 충분한 confounding adjustment가 이루어졌는지 판단하기 어렵다. 셋째, multiple testing 보정(multiple testing correction)에 대한 언급이 없어, 여러 endpoint와 모델 비교 과정에서 type I error 증가 가능성이 배제되지 않는다. 넷째, Cox model의 핵심 가정인 proportional hazards assumption이 검증되었는지(예: Schoenfeld residuals 분석 등) 원문에 명시되지 않았다. 마지막으로, 결측치 처리(missing data handling) 방법이 상세히 기술되어 있지 않다.

설계에 참고할 점 — 유사한 연구를 설계할 때는 이 논문처럼 transfer learning을 활용하여 소규모 표본에서도 강력한 예측 모델을 구축하는 전략은 매우 유용하다. 특히, competing risks regression을 적용하여 cause-specific mortality를 분석하는 것은 심혈관 연구에서 필수적이다. 그러나 생물학적 지표의 레이블 생성 과정(예: 생존자 사망 시점 추정)이 결과에 미치는 민감도(sensitivity)를 반드시 평가해야 하며, multivariable model에 포함된 교란 변수와 proportional hazards assumption 검증 결과를 투명하게 보고해야 신뢰도를 높일 수 있다.

강점

이 연구는 대규모 공개 데이터셋(NIH Chest X-ray 14, PadCHEST, CheXpert)을 활용한 pre-training과 임상 코호트(PLCO) 기반의 fine-tuning을 결합한 transfer learning 접근법을 사용하여, 상대적으로 작은 labeled dataset으로도 robust한 biological age 추정 모델을 개발했다. 검증 단계에서 PLCO와 NLST라는 두 개의 독립된 대규모 코호트를 사용함으로써 모델의 generalizability를 입증했으며, 특히 NLST는 외부 검증 cohort로서 smoking burden이 높은 집단에서의 성능을 확인했다. Biological age label 생성에 actuarial life tables과 survival models을 활용하여 mortality risk를 직접 반영한 정량적 지표로 정의했다는 점이 기존 연구와 차별화된다. 또한 chronological age, clinical risk factors, radiographic findings를 모두 포함한 multivariable model에 CXR-Age를 추가했을 때 NRI와 C-statistic이 유의하게 향상되었다는 결과는 임상적 유용성을 뒷받침한다.

한계

CXR-Age 모델의 biological age label은 PLCO control arm(N = 77,444)에서 개발된 Gaussian survival models에 의존하여 추정되었으므로, 이 모델의 정확도가 최종 CXR-Age의 타당성에 영향을 미칠 수 있다. NLST cohort는 heavy smokers ($\ge$30 pack-year)로 구성된 특정 집단이므로, 일반 인구집단이나 다른 질환 배경을 가진 환자들에게의 적용 가능성은 제한적일 수 있다. Grad-CAM을 통해 해부학적 기여도를 시각화했으나, 어떤 specific radiographic features(예: lung opacity, heart size 등)가 CXR-Age에 가장 큰 영향을 미치는지에 대한 정량적 분석이나 통계적 검증 결과는 본문에서 제시되지 않았다 (not available). 또한 이 연구는 retrospective design이며, CXR-Age가 실제 clinical decision-making(예: screening interval 조정, 치료 선택)에 어떻게 통합될 수 있는지에 대한 prospective validation은 수행되지 않았다.

해석

CXR-Age는 단순한 chronological age를 넘어, 흉부 영상에서 포착되는 생리적 노화 징후를 종합하여 장기적인 사망 위험을 예측하는 강력한 biomarker로 작용할 수 있음을 시사한다. 특히 cardiovascular mortality와의 강한 연관성은 CXR이 심혈관 건강 상태를 간접적으로 반영할 수 있음을 보여준다. 이 결과는 기존에 coronary artery calcium score나 carotid intimal medial thickness와 같은 영상 기반 vascular age 지표들과 비교될 때, 더 널리 이용 가능한 CXR을 통해 유사한 prognostic 정보를 얻을 수 있다는 점에서 임상적 접근성을 높인다. LLM Wiki의 oncology/imaging 문헌과 연결해 볼 때, 이 연구는 AI-based imaging biomarker가 단순 진단 도구를 넘어 prognosis stratification에 활용될 수 있음을 입증하며, 향후 personalized medicine에서 risk assessment tool로 통합될 가능성을 보여준다. 그러나 실제 임상 적용을 위해서는 다양한 인구집단에서의 external validation 및 prospective study가 필요할 것이다.