목적: 백질 고신호강도(White matter hyperintensities, WMH)는 노인에서 흔히 관찰되는 뇌 이상으로, 루코아라이오시스(leukoaraiosis, LA)로도 알려져 있다. CT에서 LA를 평가하는 것은 백질과의 저감쇠(hypoattenuation)가 상대적으로 구분이 어렵기 때문에 도전적이다. 본 연구는 CT-MRI 짝지어진 자료를 이용하여 LA 분할(segmentation) 알고리즘을 개발하고 검증하고자 하였다. 방법: 4개 뇌졸중 센터에서 수집된 허혈성 뇌졸중 환자 744명에 대한 CT-MRI 짝지어진 데이터를 포함하였다. 외부 테스트 세트는 겹치지 않는 병원에서 온 411명의 환자로 구성하였다. MRI의 WMH는 검증된 소프트웨어로 분할하였고, 그 분할 마스크를 NCCT 공간에 등록(registered)하였다. 예측된 LA와 정답(ground-truth)으로 등록된 LA 및 MRI에서의 WMH를 Dice 유사도 계수(Dice similarity coefficient, DSC)와 일치도 상관계수(concordance correlation coefficient, ρ)를 사용하여 비교하였다. 결과: 훈련 및 외부 테스트 데이터 세트의 평균 연령(SD)은 각각 68.1(SD 12.7)세와 69.2(SD 13.5)세였으며, 여성 비율은 각각 33.2%와 47.9%였다. 내부 검증 데이터 세트에서, 본 알고리즘은 DSC 0.53을 달성하였고, CT에서 등록된 LA 용적과의 용적 상관(ρ)은 0.848이었다. 외부 검증에서는 DSC 0.527을 보였으며, 예측된 LA 용적을 각각 LA 등록 용적과 비교했을 때 ρ 값은 0.919, MRI에서의 WMH 용적과 비교했을 때 ρ 값은 0.760이었다. 하위집단 분석에서는 서로 다른 CT 장비(vendor) 및 뇌경색(infarct) 용적에 걸쳐 일관된 성능이 확인되었다. 결론: 본 딥러닝 알고리즘은 CT에서의 LA 분할에 있어 유의미한 진전을 제공하며, CT와 MRI 평가 간의 격차를 연결한다. LA를 평가하기 위한 일관되고 접근 가능하며 정확한 방법을 제공함으로써 환자 진료를 개선하고, 임상 실무와 대규모 연구 모두를 뒷받침한다.

배경: 큰혈관폐색(LVO) 환자에서 관찰되는 고음영 동맥 징후(Hyperdense artery sign, HAS)는 허혈성 뇌졸중 후 예후와 연관된다. HAS의 수동 분할(segmentation)은 노동 집약적이므로, 다기관 데이터셋을 이용하여 두 명의 전문가가 독립적으로 주석을 부여한 자료 기반의 비조영 뇌 CT(NCCT) 영상에서 자동화된 HAS 분할 알고리즘을 개발하고 검증하였다. 방법: 학습 데이터셋에는 2011년 5월부터 2022년 12월까지 6개 뇌졸중 센터에서 동시 시행된 NCCT 및 CT 혈관조영(CT angiography) 검사를 받은 허혈성 뇌졸중 환자를 포함하였다. 외부 검증은 1개 뇌졸중 센터의 데이터셋을 이용해 수행하였다. 임상 검증 데이터셋에는 증상 발현 후 24시간 이내에 입원한 환자 연속군을 2020년 12월부터 2023년 4월까지 6개 뇌졸중 센터에서 포함하였다. 모델은 2D U-Net 알고리즘을 사용하며, 두 명의 전문가의 수동 분할을 기반으로 학습하였다. 각 전문가가 개별적으로 주석을 부여한 데이터셋으로 학습한 모델들을 구성하고, 두 전문가의 주석을 무작위로 섞어(shuffled) 만든 주석을 이용한 앙상블(ensemble) 모델도 구축하였다. 모델의 성능은 수신자 조작 특성 곡선(ROC) 아래 면적(AUROC), 민감도, 특이도를 비교하여 평가하였다. 결과: 총 673명, 365명, 774명의 환자가 각각 학습, 외부 검증, 임상 검증 데이터셋에 포함되었으며, 평균(SD) 연령은 68.8(13.2)세, 67.6(13.4)세, 68.8(13.6)세였고 남성 빈도는 55.0%, 59.5%, 57.6%였다. 앙상블 모델은 외부 검증 데이터셋에서 단일 전문가 주석으로 학습한 모델들에 비해 더 높은 AUROC와 민감도를 보였다. 임상 검증 데이터셋에서 앙상블 모델은 AUROC 0.846(95% CI, 0.819–0.871), 민감도 76.8%(65.1–86.1%), 특이도 88.5%(85.9–90.8%)를 나타냈다. 예측된 혈전(clot) 부피는 추적 확산강조영상(diffusion-weighted imaging)에서의 경색(infarct) 부피와 유의한 상관관계를 보였으며(r=0.42; p<0.001), 결론: 본 알고리즘은 HAS를 신속하고 정확하게 식별하여, 시술(intervention)이 필요할 수 있는 잠재적 환자 선별을 가능하게 한다.