Predictive Radiomics for Evaluation of Cancer Immune SignaturE in Glioblastoma: the PRECISE-GBM study

기술 요약: 뇌종양에서 암 면역 서명 평가를 위한 예측 방사선학 (PRECISE-GBM)

문제 제기
IDH-야생형 (IDH-wt) 교모세포종에서 면역 종양 미세환경 (TME) 은 상당한 이질성과 면역억제 상태로 특징지어지며, 이는 면역요법의 효능에 도전을 제기합니다. 현재 면역 바이오마커를 식별하기 위한 전략은 침습적 조직 생검, 조직병리학 및 면역조직화학에 의존합니다. 이러한 방법들은 상세한 분자적 통찰력을 제공하지만, 공간적 이질성, 심부 병변이나 수술이 불가능한 병변의 채취 불가능성, 그리고 수술 전 환자 층별화를 위한 비침습적 도구의 부재로 인해 제한을 받습니다. 저자들은 수술 전 MRI 이미지가 전사체 데이터에서 유래한 면역 세포 서명을 포함한 종양의 면역 상태를 예측할 수 있는 방사선학적 바이오마커를 포함하고 있으며, 이를 통해 임상 시험 enrichment 을 위한 비침습적 경로를 제공할 것이라고 가정합니다.

방법론
PRECISE-GBM 연구는 IDH-wt 교모세포종에 대한 매칭된 수술 전 MRI 와 전사체 데이터의 가장 큰 공개 액세스 데이터셋을 활용하는 후향적, 다기관 바이오마커 개발 및 분석적 검증 연구입니다.

• 데이터 관리 및 조화: 연구는 TCGA-GBM, CPTAC, IvyGAP, REMBRANDT, CGGA 등 다섯 개의 공개 저장소에서 176 명의 환자 데이터를 통합했습니다. CGGA 데이터셋에서 누락된 FLAIR 시퀀스를 해결하기 위해 pix2pix 기반의 생성적 적대 신경망 (GAN) 을 사용하여 합성 FLAIR 이미지를 생성했습니다. 이러한 합성 이미지는 홀드아웃 테스트의 무결성을 보장하기 위해 훈련 데이터로만 제한되었습니다. 전사체 데이터 (RNA-seq 및 마이크로어레이) 는 배치 효과를 제거하기 위해 ComBat 을 사용하여 조화되었습니다.
• 면역 라벨 구성: 디지털 세포계수법 (CIBERSORTx) 을 두 가지 참조 서행 행렬 (pan-cancer 행렬 및 교모세포종 특이적 행렬) 을 사용하여 벌크 전사체 데이터에 적용했습니다. 이 과정을 통해 17 가지 면역 세포 카테고리 (T 세포 아형, 대식세포 아형 M0/M1/M2, 미세아교세포, NK 세포, 수지상 세포 포함) 에 대한 점수를 추정했습니다. 이러한 연속 점수는 가우시안 혼합 모델 (GMM) 을 사용하여 "높음" (1) 또는 "낮음" (0) 클래스로 이진화되었습니다.
• 방사선 특징 추출: 딥러닝 기반 자동 분할 (DeepBraTumIA) 을 통해 괴사성 중심부, 조영증강 종양, 부종이라는 세 가지 종양 영역을 구분했습니다. T1, T1CE, T2, FLAIR 시퀀스에서 방사선 특징 (형태, 1 차, GLCM, GLSZM, GLDM, NGTDM, GLRLM 에서의 고차 질감 특징) 을 추출했습니다.
• 모델 아키텍처 및 검증:
  • 전처리: 주성분 분석 (PCA) 과 Hotelling's T2 타원을 통해 이상치를 제거했습니다. 방사선 특징은 neuroCombat 을 사용하여 조화하고 Z-score 를 통해 정규화했습니다.
  • 특징 선택: 각 면역 라벨에 대한 차별적 특징을 선택하기 위해 중첩 5-fold 교차검증이 포함된 최소 절대 수축 및 선택 연산자 (LASSO) 를 사용했습니다.
  • 분류: 두 가지 모델 유형을 훈련했습니다: 서포트 벡터 머신 (SVM) 과 앙상블 모델 (SVM 을 랜덤 포레스트 및 히스토그램 기반 그래디언트 부스팅과 2:1:1 비율로 가중치 부여).
  • 검증 전략: 세 가지 독립적인 교차 코호트 실험을 수행했습니다. 각 실험에서 모델은 데이터셋의 조합으로 훈련되었고, 엄격하게 홀드아웃된 외부 데이터셋 (IvyGAP, TCGA, 또는 CPTAC) 에서 검증되어 일반화 가능성을 평가했습니다. 성능은 정밀도, 균형 정확도, 그리고 매튜스 상관 계수 (MCC) 를 사용하여 평가되었습니다. 모델 성능을 통계적으로 비교하기 위해 부트스트랩 리샘플링 (10,000 회 반복) 을 사용했습니다.

주요 결과

• 특징 선택: 선택 후 17 개 면역 카테고리 전반에 걸쳐 2,069 개의 서로 다른 방사선 특징이 확인되었습니다. 특징은 종양 영역 (괴사성 중심부, 조영증강, 부종) 과 MRI 시퀀스 전반에 상대적으로 고르게 분포되었습니다.
• 모델 성능:
  • 대식세포 M0 서명: pan-cancer 서명 행렬을 사용한 앙상블 모델 (ENS_pan) 이 대식세포 M0 아형 예측에 대해 가장 안정적인 성능을 보여주었습니다. 세 가지 독립적인 홀드아웃 데이터셋 전반에 걸쳐 평균 균형 정확도는 0.67 이었고, 평균 정밀도는 0.89 였습니다. 매튜스 상관 계수 (MCC) 는 중간 정도 양수 (평균 0.22) 였습니다.
  • T 세포 서명: SVM 모델은 특정 홀드아웃 세트에서 T 세포 관련 카테고리 (예: CD4, CD8, 전체 T 세포) 에 대해 유망한 결과를 보였으며, 일부 경우 높은 균형 정확도 (최대 1.00) 를 달성했습니다. 그러나 이러한 결과는 M0 모델에 비해 세 가지 실험 전반에 걸쳐 덜 안정적이었습니다.
  • 다른 카테고리: 많은 다른 면역 카테고리 (예: Tregs, M1/M2 대식세포) 는 이진화된 홀드아웃 테스트 세트에서 극단적인 클래스 불균형으로 인해 "평가 불가"또는 불안정한 지표를 초래했습니다. 한 클래스가 단일 사례로만 표현되거나 완전히 부재한 경우였습니다.
• 설명 가능성: M0 모델에 대한 SHAP (Shapley Additive exPlanations) 분석은 예측이 단일 지배적 특징이 아닌 공간적 이질성과 구조적 조직을 반영하는 고차 질감 특징 (GLCM, GLSZM, GLDM) 에 의해 주도되었음을 나타냈습니다.
• 예후 상관관계: "높음"M0 서명을 가진 것으로 예측된 환자는 "낮음"서명을 가진 환자보다 전체 생존 기간이 유의하게 길었습니다 (log-rank p = 0.04).

주요 기여

1. 데이터셋 관리: 연구는 IDH-wt 교모세포종에 대한 가장 큰 공개 액세스 방사선유전체 데이터셋을 생성하고 조화하여, 다섯 개의 주요 저장소에서 매칭된 MRI 와 전사체 데이터를 통합했습니다.
2. 방법론적 프레임워크: 저자들은 누락된 시퀀스를 위한 합성 이미지 생성, 영상 및 유전체 데이터 모두에 대한 배치 보정, 그리고 세 개의 독립적인 외부 홀드아웃 세트를 사용한 견고한 교차 코호트 검증 전략을 포함하는 방사선유전체 분석을 위한 엄격한 파이프라인을 개발했습니다.
3. 바이오마커 식별: 개발된 파이프라인을 사용하여 수술 전 MRI 에서 신뢰성 있게 예측할 수 있는 유일한 면역 관련 특징으로 대식세포 M0 면역 서명을 식별했습니다.
4. 분석적 검증: 이전 연구들이 종종 내부 교차검증에 의존하는 것과 달리, 본 연구는 세 가지 별개의 외부 코호트 전반에 걸친 분석적 검증을 제공하여 M0 예측 모델의 안정성을 입증했습니다.

의의 및 주장
저자들은 PRECISE-GBM 연구가 교모세포종 면역생물학, 특히 대식세포 M0 아형에 대해 조사하기 위한 비침습적 MRI 기반 파이프라인을 성공적으로 개발하고 분석적으로 검증했다고 주장합니다. 이 연구의 의의는 생검 전에 면역요법 시험을 위한 환자를 층별화할 수 있는 잠재력에 있으며, 높은 이질성을 가진 질환에서 시험 enrichment 에 대한 필요성을 해결한다는 점에 있습니다. 저자들은 이러한 바이오마커를 조직 기반 분석에 대한 보완적 도구, 특히 수술이 불가능한 환자나 심부 병변의 경우에 위치시킵니다.

이 논문은 이러한 발견을 미래 임상 적용을 위한 "개념 증명"및 "타당한 경로"로 겸손하게 제시합니다. 임상 배포 전에 신보조 면역요법 시험 내에서 "섀도 모드"로 전향적 임상 검증을 필요로 한다고 명시적으로 언급합니다. 연구는 M0 서명이 안정성을 보였으나, 다른 면역 세포 유형으로의 광범위한 적용은 데이터 분포와 클래스 불균형에 의해 제한되었으며, 향후 개선을 위해서는 더 크고 균형 잡힌 데이터셋이 필요하다고 강조합니다. 파이프라인 아키텍처와 평가 방법은 향후 방사선유전체 연구를 위한 템플릿으로 제시됩니다.