최근 eBio Medicine에 발표된 연구에서는 전신 자기공명영상(MRI)을 이용한 자동화된 체성분 분석 딥러닝 프레임워크를 개발, 검증하고 전체 사망률 예측에 있어 예후 가치를 평가했다.

지방조직과 골격근 등 체성분 측정값은 임상 결과와 강한 연관성을 보이고 개별화된 위험 평가 개선에 있어 중요한 영상 생체표지자로 떠오르고 있지만 MRI 등을 통해 정량화하는 것은 시간과 자원의 제약이 따른다. 이번에 발표된 연구는 자동화된 접근법을 통해 이러한 장벽을 극복할 수 있다고 시사했다.

연구는 두 개의 광범위한 인구 기반 코호트 연구인 영국 바이오뱅크(UKBB), 독일 국가 코호트(NAKO)의 자료를 이용했다. 두 연구 모두 포괄적인 임상 데이터를 수집하고, 체성분 분석을 위해 축 방향 전신 T1-가중 3D Volumetric Interpolated Breath-hold Examination (VIBE) Dixon 시퀀스를 포함한 상세한 MRI 프로토콜을 적용했다.

연구에서는 전신 MRI를 사용하여 피하지방(SAT), 내장지방(VAT), 골격근(SM), 골격근 지방 비율(SMFF), 근육 내 지방(IMAT)과 같은 체적 신체 구성 측정을 자동으로 정량화하는 딥러닝 프레임워크를 개발하고자 하였다. 해당 프레임워크의 성능은 UKBB에서 평가되었고 전체 사망률에 대한 예측 가치를 중심으로 분석되었다. 또한 전신 체적 측정값과 L3 척추에서의 전통적인 단일 절단면 체성분 추정 간의 상관관계를 평가하였다.

UKBB 코호트에는 36,317명이 참가했고 체성분 분석 결과, 여성은 체적 피하지방(VSAT), 골격근 지방 비율(SMFF), 근육 내 지방(VIMAT)이 더 높은 반면, 남성은 내장지방(VVAT)과 골격근량(VSM)이 더 높았다. NAKO의 참여자 23,725명에서 비슷한 경향이 확인되었다. 또한 L3 척추에서의 단일 절단면 체성분 측정에서도 두 코호트 모두 유사한 경향을 보였다.

UKBB의 추적 기간 4.77년(중앙값) 동안 634명이 사망했는데, Kaplan-Meier 생존 곡선 분석에서 골격근량(VSM) 하위 10%, 골격근 지방 비율(SMFF) 및 근육 내 지방량(VIMAT)의 상위 10%에 속하는 참여자들에게서 유의미하게 높은 사망률을 보였으며, 조정된 Cox 회귀 분석에서는 낮은 골격근량(VSM)이 사망 위험 감소와 관련이 있었고, 높은 골격근 지방비율(VSMFF)과 근육내 지방량(VIMAT)은 사망 위험 증가와 관련이 있었다.

L3에서의 단일 절단면 체성분 측정 분석은 체적 측정값과 일치하였고, 골격근 면적(ASM)이 적고 골격근 지방 비율(ASMFF)이 높으며 및 근육 내 지방(AIMAT)이 많은 것은 사망률과 연관성을 보였으나 다른 위험요인을 완전 조정한 후에는 ASM과 AIMAT 간의 연관성이 약화되었다. 재분류 분석 결과, 체적 측정값이 단일 절단면 측정값보다 고위험 개인을 식별하는 데 더 효과적임이 확인되었는데 특히 골격근에 대한 유의미한 재분류 개선이 있었다.

이번 연구에서 저자들은 전신 MRI를 이용한 자동화된 체성분 분석에 다른 사망률 예측이 기존의 전통적인 임상 위험인자를 넘어섰다고 평가했다. 또한 자동화된 기술을 통해 체성분 측정의 접근이 더 쉬워짐에 따라 고위험 개인을 식별함으로써 개별적 예방 및 생활습관 개입을 개선하는데 도움이 될 수 있다고 결론지었다.