배경 및 목적: 허혈성 뇌졸중 아형의 정확한 분류는 뇌졸중의 효과적인 이차 예방에 중요하다. 본 연구에서는 확산강조영상(diffusion-weighted image, DWI) 및 심방세동(atrial fibrillation, AF) 자료를 이용하여 뇌졸중 아형을 분류하는 딥러닝 알고리즘을 학습하였다. 방법: 모델 개발은 3개 기관의 허혈성 뇌졸중 환자 2,988명을 대상으로 수행하였으며, 병변 분할에는 U-net을 사용하고 아형 분류에는 EfficientNetV2를 사용하였다. 숙련된 신경과 전문의(n=5)가 외부 검사 데이터셋에서 아형을 결정하는 한편, 임상시험 데이터셋에 대해서는 임상의 의견의 합의를 수립하였다. 자동으로 분할된 뇌경색 병변을 모델에 입력하였다(DWI-only 알고리즘). 이어서 AF를 범주형 변수로 포함한 또 다른 모델을 학습하였다(DWI+AF 알고리즘). 이들 모델을 다음과 같이 평가하였다: (1) 라벨링 전문가의 의견에 대해 내부적으로, (2) 신규 외부 DWI 데이터에 대해, (3) 임상시험 데이터셋에 대해 각각 시험하였다. 결과: 훈련 및 검증 데이터셋에서 평균(±표준편차) 연령은 68.0±12.5세였고(남성 61.1%), 내부 시험에서 전문가와 비교했을 때 DWI-only 및 DWI+AF 알고리즘은 각각 중등도(65.3%) 및 준강함(79.1%) 수준의 일치도를 달성하였다. 외부 시험에서도 두 알고리즘 모두 다시 양호한 일치도를 보였으며(각각 59.3%-60.7% 및 73.7%-74.0%), 임상시험 데이터셋에서는 전문가 합의와 비교했을 때 일치율과 Cohen의 카파가 DWI-only는 각각 58.1% 및 0.34, DWI+AF는 각각 72.9% 및 0.57이었다. 전문가들 간의 해당 값은 DWI+AF 알고리즘과 비교할 때 유사하였으며(76.0% 및 0.61), 결론: DWI 대규모 데이터셋( AF 정보 유무에 관계없이)으로 학습된 본 모델은 뇌졸중 전문가의 합의와 유사한 수준으로 허혈성 뇌졸중 아형을 분류할 수 있었다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.