STONE-04. AI는 요로결석 치료 성공을 예측할 수 있을까?

체외충격파 쇄석술(ESWL)의 성공률이 '조건부 확률'에 따라 40%에서 95%까지 널뛴다고 알려져 있습니다. 그렇다면, 치료를 시작하기 전에 "나의 성공 확률"을 정확하게 계산해낼 수는 없을까요?

 

최근 학계에서 뜨겁게 논의되고 있는 '머신러닝(ML)과 딥러닝(DL)을 활용한 ESWL 예후 예측' 관련 핵심 논문들을 분석하고 물리학적 변수들이 AI 알고리즘 안에서 어떻게 처리되는지 살펴보겠습니다.

1. 기존의 한계: 단순 통계의 벽

과거 의학계는 ESWL 성공 여부를 예측하기 위해 단순한 선형 점수 시스템을 사용했습니다. 대표적인 것이 'Triple D Score'입니다.

• Density (밀도): < 1000 HU
• Distace (거리): Skin-to-Stone Distance < 10 cm
• Dimensions (크기): Stone Size < 10 mm (혹은 부피)

하지만 최근 연구들은 인간의 몸이 이렇게 단순한 선형 모델로 설명되지 않음을 보여줍니다. 변수들 간의 비선형적 상호작용이 존재하기 때문입니다.

2. 논문으로 보는 AI 예측 모델의 성능

최신 연구들은 전통적인 로지스틱 회귀분석(Logistic Regression)을 넘어, Random Forest, SVM, XGBoost, 그리고 CNN까지 다양한 모델을 적용하고 있습니다.

논문 1: "단순 이미지 값을 넘어선 텍스처 분석" (Radiomics Approach)

Predicting ESWL success for ureteral stones: a radiomics-based machine learning approach (Yang et al., World Journal of Urology, 2024)

 

이 연구는 단순히 결석의 평균 HU(밝기)값만 보는 것이 아니라, '라디오믹스(Radiomics)' 기법을 도입했습니다. 즉, CT 이미지에서 육안으로는 식별 불가능한 결석 내부의 미세한 텍스처(Texture), 패턴, 이질성(Heterogeneity) 데이터를 추출하여 학습시킨 것입니다.

• 방법:
  • 결석 이미지에서 1,595개의 Radiomic Feature 추출
  • LASSO(Least Absolute Shrinkage and Selection Operator) 알고리즘을 통해 과적합을 방지하고 핵심 변수 선별
  • Logistic Regression(LR), Random Forest(RF), SVM 등 5개 모델 비교
• 결과:
  • 단순 임상 정보만 썼을 때보다, Radiomics Score를 결합했을 때 AUC(곡선 아래 면적)가 0.888까지 상승했습니다.
  • Insight: 결석이 균질(Homogeneous)한지, 불균질(Heterogeneous)한지 그 '엔트로피(Entropy)'가 파쇄 성공률의 중요한 변수임이 밝혀졌습니다.

논문 2: "딥러닝의 압도적 성능" (Deep Learning & CNN)

A novel deep learning approach for predicting stone-free rates post-ESWL on uncontrasted CT (Efiloglu et al., PeerJ Computer Science, 2025)

 

이 논문은 사람이 Feature를 정의하지 않고, 딥러닝 모델이 직접 CT 이미지를 보고 판단하게 했습니다.

• 방법:
  • 전처리: LBP(Local Binary Pattern)와 HOG(Histogram of Oriented Gradients) 같은 텍스처 디스크립터 사용
  • 모델: CNN 기반의 하이브리드 모델
• 결과:
  • 제안된 모델의 예측 정확도(Accuracy)는 무려 94%에 달했습니다.
  • 이는 전통적인 Decision Tree(약 73%)나 Naive Bayes(약 59%) 모델을 압도하는 수치입니다.
  • Insight: AI는 인간 의사가 놓치는 결석의 미세한 '구조적 결함'을 찾아내어, 이것이 충격파에 의해 깨질지 아닐지를 판별해냅니다.

논문 3: "설명 가능한 AI" (XAI & SHAP Analysis)

Interpretable machine learning prediction of extracorporeal shock wave lithotripsy outcomes (Salah et al., 2024)

 

AI가 "이 환자는 실패할 겁니다"라고 했을 때, 의사와 환자는 "왜?"라고 묻게 됩니다. 이 연구는 XAI(eXplainable AI) 기법인 SHAP (SHapley Additive exPlanations) 값을 통해 모델의 판단 근거를 역추적했습니다.

• AI가 중요하게 본 변수들:
  1. Stone Density (HU): 역시 가장 중요한 물리적 변수였습니다.
  2. Stone Volume (Not just diameter): 단순 지름(길이)보다 부피(Volume)가 성공률과 더 강한 상관관계를 가졌습니다. (파쇄해야 할 총 질량)
  3. Ureteral Wall Thickness (요관 벽 두께): 흥미로운 발견입니다. 요관 벽이 부어있으면(비후), 결석이 깨져도 잘 내려가지 않아 성공률을 낮추는 요인으로 작용했습니다.

3. 데이터가 말해주는 "성공의 조건"

위 논문들을 종합해볼 때, AI가 높은 가중치를 부여하는 성공 요인은 다음과 같습니다.

1. 결석의 '이질성(Heterogeneity)'이 높을수록 성공:
   • 내부가 꽉 찬 단단한 돌(높은 균질성)보다는, 내부에 미세한 균열이나 밀도 차이가 있는 돌이 충격파에 의해 훨씬 잘 깨집니다.
2. 단순 길이보다는 '부피(Volume)':
   • 1cm짜리 긴 돌보다, 1cm짜리 동그란 돌(구형)이 부피가 더 크고 깨기 어렵습니다.
3. SSD (Skin-to-Stone Distance):
   • 물리학적 감쇠 법칙에 따라, 10~11cm를 넘어가면 성공률이 급감하는 임계점(Threshold)이 존재합니다.