One scale to rule them all: interpretable multi-scale Deep Learning for predicting cell survival after proton and carbon ion irradiation

기술 요약: 모든 것을 지배하는 하나의 척도: 세포 생존 예측을 위한 해석 가능한 다중 스케일 딥러닝

문제 정의
방사선장의 물리적 특성과 생물학적 손상 사이의 관계는 방사선 치료 및 방사선 방호의 핵심이다. 그러나 에너지 침적의 공간적 스케일(나노미터, 마이크로미터, 거시적 규모)과 생물학적 효과 사이의 연결 고리는 여전히 완전히 이해되지 않은 상태로 남아 있다. 전통적인 방사선 생물학 모델은 종종 단일 공간 도메인—예를 들어 거시적 평균을 위한 선 에너지 전달(LET), 세포 규모를 위한 미세 선량계(microdosimetry), 또는 DNA 크기의 부피를 위한 나노 선량계(nanodosimetry)—에 의존하며, 이는 다양한 스케일에 걸친 방사선의 확률론적 복잡성을 간과한다. 결정적인 미해결 질문은 생물학적 효과를 예측하는 데 가장 관련성이 높은 특정 도메인 크기가 존재하는지, 아니면 이 스케일들이 상호 보완적인 관계인지 여부이다. 또한, 딥러닝(DL)은 높은 예측 정확도를 제공하지만, 그 "블랙박스"적 특성은 해석 가능성과 기전적 통찰이 요구되는 임상 환경에서의 활용을 제한한다.

방법론
이러한 과제를 해결하기 위해, 저자들은 양성자와 탄소 이온의 세포 생존 실험 데이터를 포함하는 입자 조사 데이터 앙상블(PIDE) 데이터셋으로 학습된 해석 가능한 딥러닝 모델을 개발하였다.

• 데이터 증강: 본 연구는 기존의 거시적 파라미터를 넘어 추가적인 물리적 기술자(descriptors)를 시뮬레이션함으로써 PIDE 데이터셋을 증강하였다. 저자들은 MC-STARtrack 및 Open-TOPAS 몬테카를로 툴킷을 사용하여 다음을 생성하였다:
  • 나노 선량계 수치: 구체적으로, DNA 크기의 부피 내 이온화 클러스터 크기의 상보적 누적 분포 함수 $F^*(n)$이며, 이는 복잡한 DNA 손상과 상관관계가 있다.
  • 미세 선량계 수치: 1-$\mu$m 물 구체를 나타내는 세포핵을 표적으로 하여 시뮬레이션된 선 에너지(lineal energy)의 빈도 평균($\bar{y}_F$) 및 선량 평균($\bar{y}_D$).
  • 거시적 수치: 표준 LET 및 선량 값.
• 모델 아키텍처: 이 접근법의 핵심은 순차적 어텐션(attention) 메커니즘을 채택한 TabNet 기반 아키텍처이다. 표준 신경망과 달리, 이 모델은 일련의 결정 단계(decision steps)를 통해 작동한다. 각 단계에서 어텐티브 트랜스포머(attentive transformer)는 희소 max 함수(Sparsemax function)를 사용하여 동적으로 관련 입력 특징을 선택하는 희소 특징 선택 마스크(sparse feature selection mask)를 생성한다.
  • 해석 가능성: 모델은 단계별로 동일한 특징이 반복 선택되는 것을 방지하여 다양한 특징 선택을 촉진하는 특징 사전(feature prior)을 활용한다. 또한 어텐션 마스크의 엔트로피를 기반으로 한 희소성 정규화 항이 학습 목적 함수에 추가된다. 이러한 설계는 모델이 SHAP와 같은 사후 설명 도구 없이도 각 단계에서 어떤 공간적 스케일이 결정에 기여하는지를 강조할 수 있도록 하여 "내재적 해석 가능성(native interpretability)"을 보장한다.
• 학습 및 평가: 모델은 선형-이차(LQ) 형식에서 유도된 세포 생존 파라미터를 예측하도록 학습되었다. 성능은 독립적인 데이터 폴드에 대해 평균 절대 백분율 오차(MAPE) 및 평균 제곱근 오차(RMSE)를 사용하여 평가되었다. 모델의 예측값은 기존의 임상 모델인 미세 선량계 운동 모델(MKM) 및 국소 효과 모델(LEM) 버전 III와 비교되었다.
• 종단점(Endpoints): 연구는 세 가지 생물학적으로 중요한 종단점에 초점을 맞추었다:
  1. 상대적 생물학적 효과(RBE) 계산에 사용되는 10% 생존 선량($D_{10}$).
  2. 2 Gy(표준 분할 선량)에서의 생존율.
  3. 생존 곡선의 초기 기울기(저선량 한계), 이는 고유한 방사선 민감도를 반영한다.

주요 결과

• 예측 정확도: 다중 스케일 DL 모델은 RBE 예측에 대해 9.5%의 MAPE를 달성하였으며, MKM 및 LEM보다 우수한 성능을 입증하였다. 구체적으로, 모델은 V79 및 HSG 세포주에 대해 약 0.1의 평균 RMSE를 달성하였으며, 이는 MKM(각각 0.8 및 0.2)과 LEM(각각 1.3 및 0.5)을 크게 상회하는 수치이다.
• 특징 중요도 및 스케일 기여도:
  • 지배적인 단일 스케일은 없음: 분석 결과, 단일 공간 스케일이 모든 조건에서 지배적이지 않다는 것이 밝혀졌다. 대신, 모델은 보완적인 정보를 동적으로 결의한다.
  • 스케일 계층 구조: 더 작은 공간 도메인에서 정의된 양(나노 선량계)은 일반적으로 거시적 기술자보다 더 큰 영향력을 행사한다. 특히, 나노 선량계 기술자인 $F^*(1)$은 모든 종단점에 대해 지속적으로 가장 높은 어텐션을 나타냈다.
  • 종단점 의존성:
    • $D_{10}$ 및 2 Gy의 경우, 어텐션은 $\bar{y}_D$ 및 LET가 $F^*(1)$ 다음에 중요한 요소로 등장하면서 보다 균등하게 분포되었다.
    • 저선량 한계의 경우, 나노 선량계 지표가 명확한 우위를 보였으며, $\bar{y}_F$만이 유사한 중요도에 근접했다.
  • 입자 및 에너지 의존성:
    • 탄소 이온: 나노 선량계의 중요도는 양성자보다 탄소 이온에서 약 3배 더 높았다. 모델은 명시적인 수학적 포화 항 없이도, 미세 선량계와 나노 선량계 특징 간의 상호작용을 통해 "오버킬 효과(overkill effect, 매우 높은 LET에서 생물학적 효과가 감소하는 현상)"를 포착하였다.
    • 양성자: $\bar{y}_F$에 의해 주도되어, 고에너지에서 미세 선량계의 중요성이 유의미하게 증가하였다.
• 방사선 민감도: 모델의 어텐션 패턴은 세포주의 방사선 민감도($\alpha_X/\beta_X$ 비율로 정의됨)에 따라 달라졌다. 고도의 방사선 민감성을 가진 세포주($\alpha_X/\beta_X > 4$ Gy)는 스케일에 따라 더 안정적인 어텐션을 보인 반면, 덜 민감한 세포주는 에너지 증가에 따라 미세 선량계 및 LET에 대한 어텐션이 증가하였다.

의의 및 주장
본 논문은 주요 기여가 단순히 더 정확한 예측 모델을 도입하는 것이 아니라, 다중 스케일 방사선 생물학 모델링에서의 해석 가능성를 조사하는 것이라고 주장한다. 투명한 딥러닝 아키텍처를 활용함으로써, 본 연구는 다음과 같은 점을 입증하였다:

1. 다중 스케일 통합은 필수적이다: 방사선 유도 생물학적 효과를 정확하게 예측하려면 단일 물리적 기술자가 아닌, 나노 선량계, 미세 선량계 및 거시적 스케일의 정보를 통합해야 한다.
2. 데이터 기반의 기전적 통찰: 모델은 사전 정의된 수학적 모델(LEM 또는 MKM과 같은)의 구조적 편향 없이, 데이터로부터 서로 다른 공간적 스케일의 상대적 기여도가 유기적으로 드러나도록 한다.
3. 임상적 관련성: 이 프레임워크는 에너지 침적이 생물학적 결과에 어떻게 영향을 미치는지 이해하기 위한 새로운 렌즈를 제공하며, 이는 입자 치료 계획의 최적화를 가이드할 수 있는 통찰력을 제공한다.
4. 투명성: 내장된 어텐션 메커니즘은 모델의 의사 결정 과정에 대한 투명한 통찰을 제공함으로써, 의료 분야의 AI 도입의 주요 장벽인 해석 가능성 문제를 해결한다.

저자들은 현재의 연구가 데이터 가용성 및 사용된 특정 종단점에 의해 제한될 수 있으나, 이 접근 방식이 상세한 물리적 및 생물학적 설명을 치료 계획 최적화에 통합할 수 있는 변혁적인 기회를 제공하여 입자 치료의 정밀도와 개인화를 진전시킨다고 결론지었다.