Animal Health
Machine learning-assisted screening for canine Cushing's syndrome
Machine learning-assisted screening for canine Cushing’s syndrome
- 저자: Yoo YJ; Jeong K; Seo H; Nam HS; Chae Y; Yun T; Kang BT; Lee E
- 출처: - (2026)
- DOI/링크: https://doi.org/10.1080/01652176.2025.2604643
- 연구 계열: Topics/Animal Health
- 투고일: 2025-07-10
TL;DR
일상적인 혈액·소변 검사값으로 개의 Cushing’s syndrome(CS) 추가 검사 필요성을 평가하는 gradient boosting 모델을 개발했다. 내부 시험 자료에서 정확도 88.5%, 민감도 83.3%, 특이도 93.5%, AUC 0.912를 기록했다. 확진용 호르몬 검사 대상 선별을 돕는 도구이다.
1. 연구 배경 및 동기
- 다루는 문제: 개의 CS는 만성적인 glucocorticoid 과다로 발생하며 임상 증상이 다양하고 비특이적이다. 기존 호르몬 검사는 진단 성능에 한계가 있으며 비용·검사 시간·반복 채혈 부담이 있다.
- 기존의 공백 / 왜 필요한가: 기존 CS 예측 연구는 개체 정보와 임상 증상을 활용했으나, 일상적인 검사실 수치만을 활용한 머신러닝 연구는 없었다. 확진 검사가 필요한 개를 객관적으로 선별하는 방법이 필요했다.
2. 관련 연구
- 기존 연구 흐름: 기존 연구는 개의 Addison’s disease와 고양이 만성 신장질환 예측에 머신러닝을 적용했다. 임상 정보를 활용한 기존 CS 로지스틱 회귀 모델은 정확도 77%, AUC 0.85를 보고했다.
- 이 논문의 위치: 혈구검사·혈청 생화학·소변검사 수치만으로 CS 가능성을 추정하는 gradient boosting 모델을 개발하고 내부 검증했다. 소변검사 항목을 제외한 모델도 평가하고 임상 입력용 그래픽 인터페이스를 구현했다.
3. 핵심 기여
- 객관적인 일상 검사값을 활용한 CS 추가 검사 대상 선별 모델 개발
- 별도 시험 자료에서 정확도 88.5%, AUC 0.912 확인
- USG·UPC 제외 모델의 성능 평가
- 이진 분류와 예측 신뢰도 점수를 제공하는 그래픽 인터페이스 구현
4. 제안 방법론
- 전체 접근 논리: 후향적 진료기록에서 호르몬 검사·영상·추적 관찰로 CS군과 대조군을 구분하고, 일상 검사값으로 gradient boosting 분류기를 학습했다. 무작위로 분리한 시험 자료에서 분류 성능을 평가했다.
- 단계:
- 2010–2024년 충북대학교 동물병원에서 CS 평가를 받은 개의 전자 진료기록을 검색하고 선정·제외 기준을 적용했다.
- 혈구검사·혈청 생화학·USG·UPC를 입력 변수로 구성하고 결측값 대체와 변수 스케일링을 수행했다.
- 305마리를 학습 244마리(80%)와 시험 61마리(20%)로 무작위 분할했다. Bayesian optimization과 5-fold 교차검증으로 조정하고, 최대 500개 트리 중 최종 93개 약한 학습자로 모델을 구성했다.
- 혼동행렬과 ROC 분석으로 성능 및 95% 신뢰구간을 산출하고 Youden’s index로 판정 임계값을 정했다. USG·UPC 동시 제외 및 UPC 단독 제외 모델도 평가했다.
5. 실험 설정
| 항목 | 내용 |
|---|---|
| 대상/재료 | 개 305마리: CS군 153마리, 비부신성 질환 대조군 152마리. 나이 중앙값은 각각 12세(IQR 10–14), 11세(IQR 9–13)이다. |
| 처리 조건 | 헐떡임·다뇨·다음·다식·양측 탈모·복부 팽창·불량한 털 상태·얇은 피부 중 2개 이상을 보인 개를 포함했다. 내원 전 trilostane·mitotane 또는 전신 corticosteroids 투여, ALP·CHOL·TG 중 2개 이상 결측은 제외했다. CS는 호르몬 검사 1개 이상 양성과 부신 확대 소견을 조합해 판정했다. ACTH 250 μg/마리 정맥 투여 1시간 후 cortisol >22 μg/dL 또는 dexamethasone 0.01 mg/kg 정맥 투여 8시간 후 cortisol >1.5 μg/dL를 양성으로 적용했다. |
| 대조군 | 처음에는 CS가 의심되었으나 호르몬 검사와 추적 관찰로 배제된 152마리이다. LDDST 8시간 cortisol <1.5 μg/dL 및/또는 UCCR <31을 적용했다. 대체 질환이 확인되거나 증상이 소실·비진행한 개를 포함했다. |
| 측정 방법 | CBC 13항목, 혈청 생화학 16항목, USG·UPC 등 31개 입력 변수. CBC는 ProCyte Dx, 생화학은 Hitachi 7020, USG는 PAL-USG, UPC는 Catalyst One으로 측정했다. 연속형 자료는 중앙값(IQR)과 Mann–Whitney U 검정, 범주형 자료는 Pearson’s chi-squared 또는 Fisher’s exact 검정으로 비교했다. 모델 평가는 정확도·민감도·특이도·AUC와 95% 신뢰구간을 사용했다. |
6. 실험 결과 분석
| 지표 | 변화(Δ) | 조건 · 유의성 |
|---|---|---|
| 정확도 | 88.5% (95% CI 80.5–96.5%) | 전체 모델, 시험군 61마리 |
| 민감도 | 83.3% (95% CI 70.0–96.7%) | 전체 모델, 시험군 |
| 특이도 | 93.5% (95% CI 84.9–100%) | 전체 모델, 시험군 |
| AUC | 0.912 (95% CI 0.835–0.988) | 전체 모델, 시험군 |
| USG·UPC 제외 모델 | 정확도 88.5%, AUC 0.905 | 시험군, 54/61 정분류 |
| UPC 제외 모델 | 정확도 86.9%, AUC 0.917 | 시험군, 53/61 정분류 |
| ALP 중앙값 | 1549 vs 491 IU/L | CS vs 대조군, p < 0.0001 |
| CHOL 중앙값 | 318 vs 240 mg/dL | CS vs 대조군, p < 0.0001 |
| USG 중앙값 | 1.019 vs 1.023 | CS vs 대조군, p = 0.0068 |
| UPC 중앙값 | 0.61 vs 0.27 | CS vs 대조군, p = 0.0003 |
7. 비판적 평가
강점
- 일상 진료에서 확보하는 객관적 수치만으로 모델을 구성했다.
- CS와 유사한 증상을 보이는 비부신성 질환 개를 대조군으로 사용했다.
- 교차검증을 통한 모델 조정과 분리된 시험 자료 평가를 수행했다.
한계 · 의문
- 단일 기관 후향적 자료와 내부 검증에 한정되며, 희귀하거나 비전형적인 CS를 충분히 반영하지 못할 수 있다.
- 기관별 호르몬 검사 임계값·분석 장비에 의존하므로 다른 환경에서는 재보정이 필요할 수 있다.
- 초음파 검사가 검사자 간 표준화되지 않았고 뇌하수체 부위 CT·MRI 자료가 일상적으로 확보되지 않았다.
8. 향후 연구 방향
- 다기관의 더 다양한 개 집단에서 외부 검증
- 초기 또는 비특이적인 임상 증상을 보이는 개에서 성능 평가
- 양성·판정 불확실·음성의 단계별 기준을 적용한 전향적 검증
9. 결론
일상 검사값 기반 gradient boosting 모델은 CS 의심견의 추가 호르몬 검사 대상 선별에 활용할 수 있는 성능을 보였다. 모델은 임상 판단과 확진 검사를 보조하는 도구이며, 예측이 음성이어도 임상적 의심이 높으면 호르몬 검사가 필요한 것이다. 다양한 진료 환경에서의 검증이 필요하다.
Keywords
Cushing's syndrome, machine learning, gradient boosting, canine, diagnostic screening, clinical pathology, artificial intelligence
원문 그림




원문 그림 · 라이선스: cc-by