Development of various-type feature-based artificial intelligence gatekeeper solution for the screening of coronary artery disease

Abstract

서론: 현 임상현장에서는 관상동맥 질환 선별을 위해 일차 검사로 심혈관 위험요소 문진, 흉부방사선 촬영, 심전도가 일반적으로 시행되며 이후 추가적으로 고가의 정밀검사를 시행하고 있다. 그러나 추가 검사들의 경우 일차 진료 현장에서는 즉시 시행하기 어렵고 비용 효과성이 떨어지는 문제점이 있다. 이에 본 연구는 인공지능 기반의 이종 특징 기반 융합 관상동맥 선별 솔루션을 개발하여 일차 진단 검사들의 정확도를 높이고자 한다. 방법: 본 연구는 CONSERVE (NCT01810198), CREDENCE (NCT02173275), 3V FFR-FRIENDS (NCT01621438), PARADIGM (NCT02803411)의 4가지 임상 연구 데이터를 분석하였다. 총 5,643명을 기계학습 기반 능형 회귀분석 기법을 사용하여 위험인자 기반의 관상동맥질환 예측 모델을 계발하였고 베이지안 분위회귀분석을 사용하여 연속적인 PARADIGM 데이터의 분석을 통해 심혈관 위험인자와 관상동맥 협착 및 진행과의 포괄적인 상관성 분석을 시도하였다. 또한 관상동맥 석회화 지수 정보를 가진 559명의 환자들을 대상으로 라디오믹스 스코어 기반의 중등도 이상의 석회화 지수 (≥100) 예측 모델 및 딥러닝 기반의 ECG에서 관상동맥질환 예측 모델을 계발하였다. 결과: (1) 능형 회귀모델에서 위험인자 기반 관상동맥질환 예측은 AUC 0.75 (95% CI 0.69-0.81)의 양호한 성능을 보여 주었고 베이지안 분위 46 회귀모델에서 세 혈관 DS의 90% 백분위는 41%–50% 이었고 DS 변화의 90% 백분위는 5.6%–7.3%이었다. 전형적인 협심증 증상은 LAD의 90% 백분위와 연관성을 보였고 당뇨는 LCx DS의 75% 혹은 90% 백분위와 연관성을 보였으며 이상지질혈증은 RCA DS의 90% 백분위와 연관성이 관찰되었다. 기타 증상은 LCx 및 RCA와 연관성이 관찰되었다. 고밀도지단백 콜레스테롤의 경우 환자별 분석에서 역동적인 연관성을 보였다. (2) 라 라디오믹스 스코어는 100 이상의 관상동맥 석회화 지수를 예측하는 가장 중요한 인자였다 (Odds ratio = 2.33; 95% Confidence interval [CI] = 1.62- 3.44; p < 0.001). 또한 라디오믹스 기반 기계학습 모델은 AUC 0.84 (95% CI = 0.79-0.87)의 우수한 성능을 석회화 지수 100 이상을 예측하였다. (3) 딥러닝 기반의 허혈성 변화 예측 심전도 모델은 트레이닝 코호트 (training cohort)와 검증 코호트 (validation cohort) 각각 AUC 0.60 (95% CI 0.54- 0.66) 및 AUC 0.60 (95% CI 0.50-0.69)의 중등도의 성능을 보여주었으나 임상인자를 추가했을 때에는 트레이닝 코호트와 검증 코호트 각각 AUC of 0.71 (95% CI 0.66-0.76) 및 0.67 (95% CI 0.59-0.69)로 성능 향상을 보였다. (4) 위험인자, 흉부방사성 영상, 심전도를 통합한 최종 모델의 성능은 외부검증 (external validation)에서 AUC 0.77 (민감도 73%, 특이도 69%)로 측정되었다. 결론: 본 연구를 통해 일차 검사인 위험인자, 흉부방사성 영상, 심전도를 이용하여 관상동맥질환 선별을 위한 이종 특징 기반 Al Gatekeeper 솔루션을 계발하였다. 이는 특히 일차 진료 현장에서 널리 활용되어 관상동맥질환의 검사 전 확률 (Pre-test probability)을 향상시킬 수 있을 것이다. Introduction: The “primary tests” consisted of cardiovascular (CV) risk factors, chest X-ray radiography (CXR), and electrocardiography (ECG) for screening of coronary artery disease (CAD) generally lead to further downstream tests, which are not readily accessible for primary physicians or cost-effective. Therefore, we aimed to develop the various-type feature-based artificial intelligence (AI) gatekeeper solutions for CAD prediction to improve the diagnostic accuracy of these “primary tests”. Methods: We analyzed four clinical trials of CONSERVE (NCT01810198), CREDENCE (NCT02173275), 3V FFR-FRIENDS (NCT01621438), and PARADIGM (NCT02803411). All four datasets (n=5,643) were used for machine-learning ridge-regression analysis to generate a risk factor-based CAD prediction model, and a serially followed up PARADIGM database (n=1,463) was used for Bayesian quantile regression (BQR) analysis to explore the comprehensive relationship between CV risk factors and coronary artery stenosis and its progression. Meanwhile, coronary artery calcium (CAC) score having patients’ dataset (n=559) was used for developing radiomic score-based machine learning model for prediction of ≥100 CAC score from CXR and the deep convolutional neural network (CNN) based ischemia detection in ECG. The integrated AI-gatekeeper solution model for CAD prediction was developed by extracting significant features from those three different CAD prediction models. Results: (1) The CV risk factors-based CAD prediction model by ridge-regression method showed a good performance of AUC 0.75 (95% CI 0.69-0.81). In BQR analysis, the 90th percentiles of the DS of the three vessels and their maximum DS change were 41%–50% and 5.6%–7.3%, respectively. Typical anginal symptoms were associated with the highest quantile (90%) of DS in the LAD; diabetes was associated with higher quantiles (75% and 90%) of DS in the LCx; dyslipidemia was associated with the highest quantile (90%) of DS in the RCA, and other symptoms showed some association with the LCx and RCA. High-density lipoprotein cholesterol showed a dynamic association with DS change in the per-patient analysis. (2) The radiomic score was the most prominent factor for CAC score ≥100 prediction (Odds ratio = 2.33; 95% Confidence interval [CI] = 1.62-3.44; p < 0.001) compared to clinical information. The radiomic score-based machine learning model showed AUC 0.84; 95% CI = 0.79-0.87 in predicting CAC score ≥100. (3) The CNN-based ischemia detection ECG model showed a modest result of AUC 0.60 (95% CI 0.54-0.66) in the training cohort and AUC 0.60 (95% CI 0.50-0.69) in the validation cohort. However, when the clinical variables were added, the model performance significantly improved both in the training and validation cohort up to an AUC of 0.71 (95% CI 0.66-0.76) and 0.67 (95% CI 0.59-0.69). (4) The final AUC of the integrated model for CAD prediction based on clinical risk factors, CXR, and ECG was AUC 0.77 (Sensitivity 73%, Specificity 69%) in the external validation. Conclusions: In this study, we developed the integrated various-type feature-based AI-gatekeeper solution for CAD prediction using “primary tests” composed of CV risk factors, CXR, and ECG. This novel method may be widely applicable to clinical practice and improve the pre-test probability of coronary artery disease, particularly in the primary care setting.