| 초록 |
연구개요 인간이 만든 모든 영상은 몇년전부터 급격하게 아날로그에서 디지털로 저장됨. 디지털 인체 영상의 픽셀은 0 또는 1, 또는 더 복잡하게 0~256 (또는 그 이상의 숫자) 로 표시 가능하며 픽셀값들을 밝기/색상/색조로 표시하는 것이 디지털 이미지의 근본임. 본 연구는 이러한 디지털 심장 영상 중 심장 MRI를 이용, 심근 비후 과정에서 심근에 일어나는 미시적 변화를, 심장 영상을 이용하여 예측할 수 있는 radiogenomics 분석법을 개발하고 이를 환자들의 임상 사건과 연결지어 그 임상적 의미를 발굴하고자 함. 이를 위하여 1~3차년도 그리고 3~4차년 도로 구분하여 다음과 같은 개요로 진행함. (1~3차년도) 심장 영상에서 인간의 눈으로 식별할 수 없는, 다양한 영상 특성들을 추출하여 심근의 변화를 미시적으로 특징 짓고 이를 비침습적으로 평가할 수 있는 새로운 radiomics 분석법의 개발 (3~4차년도) 1~3차년도에 개발한 radiomics 분석과 심근내 생화학적 변화를 반영하는 transcriptomics 결과간 연관성 분석을 통하여 심혈관질환의 radiogenomics 기법을 탐색하고 이를 환자들의 임상적 사건과 연계-해석 연구목표대비 연구결과 (1차년도) 심근의 radiomics feature 추출법 개발 ✓ 기확보된 150여명의 MRI 영상에서 심근 영역을 ‘골라내는’ segmentation 기법 개발 ✓ 심근 영역 밝기값을 이용한 texture feature 추출 ✓ 대동맥판 협착증 환자들의 새로운 MRI, 심근 조직 수집 개시 (2차년도) 1차년도에 추출한 radiomics feature의 비지도 기계학습법 개발 ✓ 1차년도에 추출한 32개 feature vector를 모두 사용, 인간이 보지 못하는 영상의 특성들의 군집을 비지도 기계학습법으로 분석 ✓ Radiomics 비지도 기계 학습법의 군집법의 임상적 의미를 알고자, 군집별로 임상적 지표들간 차이 분석 (3차년도) 2차년도에 개발한 radiomics feature의 비지도 기계학습법 external validation 및 4차년도 이후의 radiogenomics 분석법의 준비 ✓ 2차년도 개발 비지도 기계학습법의 validation ✓ 3차년도 후반~4차년도에 전반에 걸쳐 수행할 transcriptomics 분석을 준비 ✓ 기왕에 얻어진 대동맥판 협착증 환자들에서 심기능과 심실의 섬유화 지표간의 관련성 준비 (4차년도) 1~3차년도에 얻은 심근 조직을 이용하여 transcriptomics를 분석 후 gene ontology에 따라 분류 및 기존 radiomics 노하우의 접목 ✓ 수술 중 얻은 심근 조직에 대하여 RNA-seq. 후 gene ontology (GO) 분석 ✓ GO profile과 1~3년차에 개발한 radiomics feature들 또는 feature들간 조합의 관련성을 분석 ✓ 기왕에 수행된 국내 대동맥판 협착증 환자들의 다기관 연구로 국제 연구로 확장 및 새로운 기계 학습법의 적용 연구개발성과의 활용 계획 및 기대효과 (연구개발 결과의 중요성) ✓ 대동맥판 협착증에 따른 심근 반응의 다양성과 이질성을 밝혀 최근 의학의 연구 트렌드인 정밀의학의 단초를 제시 ✓ 본 연구진이 4년에 걸쳐서 수행한 data-mining, data-driven 연구의 새로운 임상적 의미 부여 ✓ 우리나라에서도 새로이 시도되는 연구로 매우 신선한 접근법이기에 관련 분야의 새로운 연구 형태들이 더 나올 것으로 기대 ✓ 향후 다기관 국제 연구 참여의 기초적인 data 제공 ✓ 새로운 기계 학습법 개발 이를 위한 새로운 core-lab.의 구축에 이용 ✓ 현재 후속 연구로 이어지는 혈액 기반 multiomics 연구에 본 샘플들을 활용 (출처 : 요약문 2p) |
