목적: F-18 florbetaben(FBB), F-18 flutemetamol(FMM), F-18 florapronol(FPN)을 이용한 아밀로이드 양전자방출단층촬영(positron emission tomography, PET)은 치매 평가를 위해 임상에서 사용되고 있다. 이 방사성의약품들은 주로 뇌에서 베타-아밀로이드 플라크의 축적을 평가하는 데 사용되지만, 이들 간에는 구조적 차이가 존재한다. 본 연구는 영상 특성에 차이가 있는지 여부를 조사하고자 하였다. 방법: 본 연구에는 건강한 대상군(HS)과 경도인지장애 또는 알츠하이머병 환자를 포함하여 총 605명을 후향적으로 등록하였다. 참여자들은 세 가지 방사성의약품 중 하나를 사용하여 아밀로이드 PET 영상을 시행하였다. PET 영상은 표준화 섭취값 비(standardized uptake value ratio, SUVR)를 이용하여 시각적으로 및 반정량적으로 분석하였다. 또한 양성 및 음성 판독을 구분할 수 있는 각 방사성의약품의 대표 영역에 대한 절단값(cut-off) SUVR을 계산하고 비교하였다. 결과: HS군의 음성 영상에서는 FMM PET 영상에서 백질과 회질 간의 대조가 높게 나타난 반면, FPN PET 영상에서는 선조체(striatum)의 섭취가 상대적으로 더 높았다. SUVR은 측두엽을 제외한 모든 영역에서 방사성의약품 간 유의한 차이를 보였으나, 차이의 범위는 비교적 작았다. 전반적(global) 절단값 SUVR을 사용하여 양성 및 음성 영상을 구분하는 정확도는 FMM PET에서 가장 높았고, 값은 0.989였다. FBB PET 또한 높은 값(0.978)을 보였으며, FPN PET은 상대적으로 낮은 값(0.901)을 보였다. 결론: 세 가지 방사성의약품으로 시행한 음성 아밀로이드 PET 영상은 선조체에서의 차이를 제외하면 시각적 및 정량적 영상 특성이 유사하였다. 전반적 대뇌피질(global cortex)의 절단값을 이용한 이분 분류는 전반적으로 높은 정확도를 보였으나, 세 가지 PET 영상 간에 일부 차이가 관찰되었다.

의학자가 생성된 PET 이미지와 실제 PET 이미지를 구별하지 못하는 것으로 나타났으며, 튜링 테스트를 통해 이를 확인하였다. 세 명의 핵의학과 전문의가 생성된 PET 이미지를 판독하였고, 높은 정확도와 일치도를 보였다. 우리는 시간적 및 외부 검증을 통해 유사한 정량적 결과를 얻었다. 딥러닝 기법을 사용하고 짧은 촬영 시간으로 인해, 저품질 PET 이미지로부터 해석 가능한 PET 이미지를 생성할 수 있다. 임상적 검증은 추가로 필요하지만, 딥러닝 기법을 활용한 단축 촬영 프로토콜이 임상 적용에 사용될 수 있음을 확인하였다.

목적: F-18 florbetaben(FBB), F-18 flutemetamol(FMM), F-18 florapronol(FPN)을 이용한 아밀로이드 양전자방출단층촬영(positron emission tomography, PET)은 치매 평가를 위해 임상에서 사용되고 있다. 이 방사성의약품들은 주로 뇌에서 베타-아밀로이드 플라크의 축적을 평가하는 데 사용되지만, 이들 간에는 구조적 차이가 존재한다. 본 연구는 영상 특성에 차이가 있는지 여부를 조사하고자 하였다. 방법: 본 연구에는 건강한 대상군(HS)과 경도인지장애 또는 알츠하이머병 환자를 포함하여 총 605명을 후향적으로 등록하였다. 참여자들은 세 가지 방사성의약품 중 하나를 사용하여 아밀로이드 PET 영상을 시행하였다. PET 영상은 표준화 섭취값 비(standardized uptake value ratio, SUVR)를 이용하여 시각적으로 및 반정량적으로 분석하였다. 또한 양성 및 음성 판독을 구분할 수 있는 각 방사성의약품의 대표 영역에 대한 절단값(cut-off) SUVR을 계산하고 비교하였다. 결과: HS군의 음성 영상에서는 FMM PET 영상에서 백질과 회질 간의 대조가 높게 나타난 반면, FPN PET 영상에서는 선조체(striatum)의 섭취가 상대적으로 더 높았다. SUVR은 측두엽을 제외한 모든 영역에서 방사성의약품 간 유의한 차이를 보였으나, 차이의 범위는 비교적 작았다. 전반적(global) 절단값 SUVR을 사용하여 양성 및 음성 영상을 구분하는 정확도는 FMM PET에서 가장 높았고, 값은 0.989였다. FBB PET 또한 높은 값(0.978)을 보였으며, FPN PET은 상대적으로 낮은 값(0.901)을 보였다. 결론: 세 가지 방사성의약품으로 시행한 음성 아밀로이드 PET 영상은 선조체에서의 차이를 제외하면 시각적 및 정량적 영상 특성이 유사하였다. 전반적 대뇌피질(global cortex)의 절단값을 이용한 이분 분류는 전반적으로 높은 정확도를 보였으나, 세 가지 PET 영상 간에 일부 차이가 관찰되었다.

의학자가 생성된 PET 이미지와 실제 PET 이미지를 구별하지 못하는 것으로 나타났으며, 튜링 테스트를 통해 이를 확인하였다. 세 명의 핵의학과 전문의가 생성된 PET 이미지를 판독하였고, 높은 정확도와 일치도를 보였다. 우리는 시간적 및 외부 검증을 통해 유사한 정량적 결과를 얻었다. 딥러닝 기법을 사용하고 짧은 촬영 시간으로 인해, 저품질 PET 이미지로부터 해석 가능한 PET 이미지를 생성할 수 있다. 임상적 검증은 추가로 필요하지만, 딥러닝 기법을 활용한 단축 촬영 프로토콜이 임상 적용에 사용될 수 있음을 확인하였다.

목적: 파킨슨병(PD) 환자에서 I-123 MIBG 스캔과 자율신경 상태 간의 관계를 분석함으로써 I-123 MIBG 스캔에서 소실률(WR; washout rate)의 임상적 의의를 평가하였다. 재료 및 방법: 임상적으로 파킨슨병이 진단되었으며 HMR이 감소한 60명의 환자를 등록하였다. 자율신경 증상은 경사대검사(head-up tilt test)와 복합 자율신경 중증도 점수(Composite Autonomic Severity Score; CASS)를 이용하여 평가하였다. I-123 MIBG 스캔과 F-18 FP-CIT 양전자방출단층촬영(PET)을 시행하였다. 모든 환자를 WR에 따라 세 군으로 분류하였다. 세 군 간 환자 특성과 영상 파라미터의 차이를 평가하였고, 상관분석도 함께 수행하였다. 결과: 기립성 저혈압의 빈도는 세 군 간에 유의한 차이를 보였다. 군 3에서의 수축기 혈압 차이(dSysPr)와 이완기 혈압 차이(dDiaPr)는 군 1 및 2보다 유의하게 더 컸다. 상관분석 결과, 연령, Hoehn and Yahr(H&Y) 병기, dSysPr, dDiaPr는 WR과 약한 양의 상관관계를 보였다. 총 CASS 점수는 군 3이 군 1 및 2보다 유의하게 높았다. WR은 심장교감신경 점수 및 총 CASS 점수와 중등도의 양의 상관관계를 보였다. 결론: WR은 자율신경 기능장애와 관련이 있다. I-123 MIBG 심장 스캔은 파킨슨병의 감별진단뿐 아니라 자율신경 기능장애의 정도를 평가하는 데도 적절한 방법으로 여겨진다.

배경: 파킨슨병(PD)은 운동 및 비운동 양상이 이질적이어서 진단에 어려움이 있다. 전통적인 머신러닝(ML) 접근법은 구조화된 임상 변수를 대상으로 평가되어 왔다. 그러나 구조화된 임상 데이터를 자연어 표현으로 활용하는 대규모 언어모델(LLM)의 진단적 유용성은 충분히 탐구되지 않았다. 목적: 본 연구는 구조화된 임상 데이터로부터 도출한 자연어 프롬프트를 사용하여 다수의 LLM에 대한 진단 분류 성능을 평가하고, 그 성능을 전통적인 ML 기준선과 비교하고자 했다. 방법: 제한된 크기의 테스트 세트와 시간적으로 독립적인 검증 세트(시간 검증 세트)에서의 -점수에 대한 평가를 수행하였으며, 안정성을 평가하기 위해 반복적인 출력 생성을 실시하였다. 결과: 테스트 세트에서 -점수 0.987을 보였고, 소규모 시간 검증 세트에서는 일관되게 정확한 예측이 관찰되었으나, 제한된 표본 수와 탐색적 성격의 평가를 고려하여 신중하게 해석해야 한다. 결론: 본 연구는 현대 LLM이 자연어 형태의 구조화된 임상 변수를 어떻게 처리하는지에 대한 탐색적 벤치마크를 제공한다. 일부 모델은 테스트 데이터 및 시간 검증 데이터 모두에서 LR과 유사한 수준의 진단 성능을 달성했지만, 그 출력은 프롬프트 형식, 모델 선택, 그리고 범주 분포에 민감하게 반응했다. 반복 출력 생성에서 관찰된 간헐적인 변동성은 LLM의 확률적(스토캐스틱) 특성을 반영했으며, 경량 모델은 안정적인 일반화를 위해 지도 학습 기반의 미세조정(supervised fine-tuning)이 필요했다. 이러한 결과는 표 형태의 임상 정보를 처리하는 현행 LLM의 역량과 한계를 보여주며, 신중한 적용과 추가 연구의 필요성을 강조한다.

아밀로이드 뇌 PET에서 유한요소법(FEM) 기반 알고리즘인 FreeSurfer 및 복셀 기반 알고리즘인 PMOD로 분할(parcellation)한 후, SUVr 예시를 추출하여 비교할 수 있다. 본 연구는 F-18 florbetaben(FBB), F-18 flutemetamol(FMM), F-18 florapronol(FPN)의 PET 영상에서 분류 SUVr 역치(threshold)를 제시하고, 각 뇌 영역에서 계산 알고리즘에 따른 분류 성능을 비교·분석하였다. 생성된 MRI가 표준 템플릿 정보와 등록된 후 PET 영상을 공등록(co-registration)하였다. MATLAB 스크립트를 사용하여 뇌 영역에 라벨링된 내장 분할(parcellation) 개수를 기반으로 SUVr을 계산하였다. PMOD 및 서로 다른 알고리즘을 가진 FreeSurfer를 사용하여 PET 영상을 불러왔으며, MRI에서의 등록 이후 MRI 템플릿으로 정규화하였다. 자동화된 해부학적 라벨링(atlas)을 사용하여 개별 회백질 공간 영역의 용적과 SUVr을 계산하였다. 전전두엽 피질(FC), 측두엽 측부 피질(LTC), 중간측두엽 피질(MTC), 두정엽 피질(PC), 후두엽 피질(OC), 전측 및 후측 대상피질(GCA, GCP), 그리고 복합(composite)의 총 8개 영역에 대해 SUVr 값을 계산하였다. FreeSurfer 및 PMOD 알고리즘을 이용한 SUVr의 상관관계를 산출하고, 아밀로이드 양성/음성 피험자에 대해 AUC를 계산한 후, 분류 능력을 산출하였으며 Youden 지수를 이용하여 SUVr 역치를 계산하였다. 8개 뇌 피질 영역에서 FreeSurfer 및 PMOD SUVr 계산의 상관계수는 FBB(0.95), FMM(0.94), FPN(0.91)이었다. SUVr 역치는 FPN–FreeSurfer로 계산 시 SUVr(LTC,min) = 1.264 및 SUVr(THA,max) = 1.725였고, FPN–PMOD로 계산 시 SUVr(MTC,min) = 1.093 및 SUVr(MCT,max) = 1.564였다. AUC 비교에서는 세 방사성의약품에 대해 SUVr 분류 결과에서 통계적으로 유의한 차이가 없었으며(p > 0.05), 특히 PMOD 분석의 LTC 및 OC 영역, FreeSurfer 분석의 LTC 및 PC 영역에서 동일한 양상을 보였다. PMOD(복셀 기반 알고리즘)를 이용한 SUVr 계산은 FreeSurfer(FEM 기반 알고리즘)를 이용한 계산과 강한 상관관계를 보였으므로 이들 방법은 상호 보완적이다. 제안된 SUVr 역치를 사용하면 높은 정확도의 정량적 분류 분석이 가능하다. SUVr 분류 성능은 FMM, FBB, FPN의 순으로 양호하였으며, 방사성 추적자 종류 및 분석 알고리즘과 무관하게 LTC 영역에서 좋은 분류 성능을 보였다.

배경 파킨슨병(PD)은 운동 및 비운동 증상의 이질성으로 인해 진단에 어려움이 있다. 전통적인 머신러닝(ML) 접근법은 구조화된 임상 변수에 기반한 방법으로 평가되어 왔다. 그러나 구조화된 임상 데이터를 자연어 표현으로 활용하는 대규모 언어모델(LLM)이 진단에 제공하는 유용성은 충분히 탐구되지 않았다. 목적 본 연구는 구조화된 임상 데이터에서 유래한 자연어 프롬프트를 활용하여 여러 LLM의 진단 분류 성능을 평가하고, 이를 전통적인 ML 기준모형과 비교하고자 하였다. 방법 우리는 파킨슨병 진행 마커 이니셔티브(Parkinson’s Progression Markers Initiative, PPMI) 데이터셋의 구조화된 임상 변수를 자연어 프롬프트로 재구성한 뒤, 이를 여러 LLM의 입력으로 사용하였다. 다중공선성이 높은 변수는 제거하였고, Shapley additive explanations(SHAP) 기반 특성 순위화로 상위 10개 특징을 선택하였다. LLM 성능은 몇-샷 프롬프팅, 추가적으로 사후(後) 설명 텍스트를 생성하는 이중 출력(dual-output) 프롬프팅(탐색적 구성요소), 그리고 지도학습 기반 미세조정(supervised fine-tuning) 전반에 걸쳐 검토하였다. 로지스틱 회귀(LR)와 서포트 벡터 머신(SVM) 분류기는 ML 기준모형으로 사용하였다. 모델 성능은 테스트 세트와 제한된 크기의 시간적으로 독립적인 검증 세트(temporal validation set)에서 <i>F</i>₁-점수를 이용해 평가하였으며, 안정성(stability)을 확인하기 위해 반복적인 출력 생성(repeated output generation)을 수행하였다. 결과 122명의 참가자로 구성된 테스트 세트에서, SHAP로 선택된 10개 임상 변수를 각각 사용해 학습한 LR과 SVM은 모두 거시평균 <i>F</i>₁-점수 0.960(정확도 0.975)을 달성하였다. 동일한 변수에서 유래한 자연어 프롬프트를 받은 LLM들은 이에 상응하는 성능을 보였으며, 최우수의 몇-샷 구성은 거시평균 <i>F</i>₁-점수 0.987(정확도 0.992)을 달성하였다. 31명의 참가자로 구성된 시간적 검증 세트에서 LR은 거시평균 <i>F</i>₁-점수 0.903을 유지한 반면, SVM은 상당한 성능 저하를 보였다. 반면, 여러 LLM은 높은 진단 성능을 지속하여 거시평균 <i>F</i>₁-점수 최대 0.968에 도달하였고, PD에 대한 높은 재현율(recall)을 나타냈다. LLM 조건 전반에서 반복적인 출력 생성은 전반적으로 안정적인 예측을 산출하였으며, 실행 간(run)에는 드문 변동만 관찰되었다. 이중 출력 프롬프팅에서는 몇-샷 프롬프팅에 비해 진단 성능이 감소하는 양상을 보였으나, 전반적으로는 안정적으로 유지되었다. 경량(lightweight) 모델에 대한 지도학습 기반 미세조정은 안정성을 향상시켰고, GPT-4o-mini는 테스트 세트에서 거시평균 <i>F</i>₁-점수 0.987을 달성하였으며, 소규모 시간적 검증 세트에서는 전반적으로 일관되게 올바른 예측이 관찰되었다. 다만 이는 표본 크기가 제한되어 있고 평가가 탐색적 성격을 띠므로 신중하게 해석되어야 한다. 결론 본 연구는 구조화된 임상 변수를 자연어 형태로 제시할 때 현대 LLM이 이를 어떻게 처리하는지에 대한 탐색적 벤치마크를 제공한다. 일부 모델은 테스트 세트와 시간적 검증 세트 모두에서 LR과 견줄 만한 진단 성능을 달성했지만, 출력은 프롬프트 형식, 모델 선택, 그리고 클래스 분포에 민감하였다. 반복적인 출력 생성에서 나타난 간헐적 변동은 LLM의 확률적(stochastic) 특성을 반영하였고, 경량 모델은 안정적인 일반화를 위해 지도학습 기반 미세조정이 필요하였다. 이러한 결과는 표 형태(tabular) 임상 정보를 처리하는 현재 LLM의 역량과 한계를 보여주며, 신중한 적용과 추가 연구의 필요성을 강조한다.