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

other

pdf

PDF

source

Source

요약

이 연구는 흉부 방사선 촬영(CXR) 이미지를 입력으로 받아 생물학적 연령을 추정하는 딥러닝 모델인 CXR-Age가 실제 연령(chronological age)을 넘어 장기적인 all-cause mortality 및 cardiovascular mortality를 예측할 수 있는지 평가하였다. CNN 기반의 transfer learning 접근법을 통해 개발된 CXR-Age는 PLCO와 NLST라는 두 개의 독립된 외부 검증 코호트에서 광범위하게 검증되었으며, 기존 임상 모델보다 우수한 사망률 예측 성능을 보였다.

방법

이 연구는 retrospective secondary use trial data를 활용한 CNN 기반 CXR-Age 모델 개발 및 검증 연구이다. 모델은 Stage 1에서 NIH Chest X-ray 14, PadCHEST, CheXpert 등 공개 데이터셋을 활용해 chronological age 추정을 위한 pretraining을 수행했으며, Stage 2에서 PLCO Cancer Screening Trial의 CXR arm 개입군 데이터를 fine-tuning하여 biological age를 추정하는 최종 모델을 구축하였다. 검증은 PLCO CXR arm의 75% 분리 테스트 집단(N = 40,967; median follow-up 16.9 years)과 NLST CXR arm의 baseline 영상(N = 5,414; median follow-up 11.9 years)에서 수행되었다. 주요 comparator는 chronological age와 chronological age, 위험 인자, radiograph findings를 포함한 multivariable regression model이었으며, 주요 endpoint는 observed all-cause mortality 및 cardiovascular mortality였다. 통계적 분석에는 hazard ratio (HR), confidence interval (CI), log-rank test가 사용되었다.

주요 결과

PLCO 테스트 집단에서 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 외부 검증 집단에서도 두 endpoint 모두에서 동일한 경향이 확인되었다. multivariable regression model에 CXR-Age를 추가하면 두 테스트 집단 모두에서 all-cause mortality 및 cardiovascular mortality 예측 성능이 통계적으로 유의하게 향상되었다 (p < 0.001 for all comparisons). safety endpoint는 not available.

강점

이 연구는 대규모 공개 데이터셋을 활용한 transfer learning 전략으로 모델의 일반화 능력을 확보했으며, PLCO와 NLST라는 두 개의 독립된 대규모 선별 시험 코호트에서 일관되게 검증되었다. 침습적이거나 고가의 영상 검사 대신 일상적으로 시행되는 CXR만으로 biological age 지표와 사망률 예측 정보를 추출할 수 있어 임상적/연구적 utility가 높다. 또한 모델 코드를 open-source로 공개하여 재현성을 보장했으며, 기존 chronological age 기반 위험도 평가의 한계를 보완할 수 있는 비침습적 imaging biomarker로서의 가치를 명확히 제시하였다.

해석

이 논문은 routine CXR에서 추출된 딥러닝 기반 biological age가 traditional chronological age 및 임상 변수를 대체하거나 보완하여 장기 mortality를 예측할 수 있음을 입증한다. LLM Wiki의 oncology, imaging, pulmonology, AI 문헌들과 연결될 때, 본 연구는 폐암 선별(NLST) 및 전립선/대장/난소암 선별(PLCO) 코호트에서 routine imaging이 암 위험 및 심혈관 합병증 예측에 활용될 수 있는 기반을 제공한다. 특히 AI 기반 risk stratification 알고리즘 개발 시 CXR-Age와 같은 non-invasive biomarker를 통합하면 screening triage 효율성을 높일 수 있으며, 노화 생물학과 영상 인공지능의 교차 지점에서 예방 의학 연구의 근거로 직접 참조 가능하다.