Predicting Response to Neoadjuvant Chemotherapy in Ovarian Cancer from CT Baseline Using Multi-Loss Deep Learning

기술 요약: 다중 손실 딥러닝을 이용한 CT 기저 데이터를 통한 난소암의 신보조 화학요법 반응 예측

문제 제기
난소암은 여전히 가장 치명적인 부인암으로, 약 60% 의 환자가 말기에 진단받습니다. 표준 치료는 간격 감량 수술에 앞서 신보조 화학요법 (NACT) 을 포함하는 경우가 많습니다. 그러나 중요한 임상적 미충족 수요가 존재합니다: NACT 를 할당받은 환자의 약 40% 는 치료로부터 객관적 이득을 얻지 못합니다. 치료 시작 전에 이러한 비반응자를 식별하는 것은 비효율적인 치료를 방지하고 최적의 수술적 관리 지연을 피하기 위해 필수적입니다. 현재 예측 도구들은 종종 임상적 기저 데이터나 방사선학적 특징에 의존하는데, 이는 견고성이 부족하거나 수동 분할이 필요할 수 있어, 환자를 효과적으로 계층화하기 위해 치료 전 영상을 분석할 수 있는 비침습적이고 자동화된 해결책이 필요합니다.

방법론
저자들은 치료 전 조영 증강 3D CT 스캔을 사용하여 NACT 반응을 예측하는 비침습적 딥러닝 프레임워크를 제안합니다. 파이프라인은 다음과 같은 단계를 거쳐 체적 데이터 ($V_{CT}$) 를 처리합니다:

1. 병변 분할: 오픈 소스 딥러닝 분할 모델 ($M_S$) 이 원시 CT 볼륨에서 자동으로 3D 병변 마스크를 생성하여 종양 영역을 분리합니다.
2. 슬라이스 인코딩: 3D 마스크 볼륨은 축방향 슬라이스 시퀀스로 재구성됩니다. 각 슬라이스는 3 채널 표현으로 변환되어 사전 훈련된 비전 트랜스포머 (ViT) 인코더 ($E_{ViT}$), 구체적으로 DINOv3 Base Patch16 에 의해 독립적으로 처리됩니다. 인코더는 토큰 임베딩을 추출하며, 여기서 분류 토큰 ($t_{cls}$) 은 각 슬라이스에 대한 전역 기술자로 작용합니다.
3. 체적 집계: 모든 슬라이스에서의 분류 토큰들은 연결되고 슬라이스 순서를 보존하기 위해 학습 가능한 위치 임베딩으로 증강됩니다. 어텐션 기반 풀링 모듈은 슬라이스 간 관계를 모델링하여 이러한 슬라이스 수준의 표현들을 집계한 후, 평균 풀링을 통해 단일 체적 임베딩 ($z_V$) 을 생성합니다.
4. 멀티헤드 예측: 공유 임베딩 $z_V$는 두 개의 헤드로 분기됩니다:
   • 분류 헤드: 이진 로짓 (반응자 vs 비반응자) 을 출력하는 다층 퍼셉트론 (MLP).
   • 프로젝션 헤드: 대비 학습을 위해 임베딩을 저차원 공간 ($z_p$) 으로 매핑하는 MLP.
5. 훈련 전략: 이 모델은 소규모 데이터셋에서의 과적합을 방지하기 위해 마지막 트랜스포머 블록으로 제한된 LoRA (Low-Rank Adaptation) 어댑터를 사용하여 ViT 인코더를 미세 조정하는 전이 학습 접근법을 채택합니다. 훈련 목적 함수는 두 가지 손실을 결합합니다:
   • 교차 엔트로피 손실 ($L_{CE}$): 표준 분류 손실.
   • 지도 대비 손실 ($L_{SupCon}$): 마진 $m$만큼 동일한 클래스의 임베딩을 가깝게 끌어당기고 다른 클래스를 밀어내는 마진 인지 손실.
   • 하드 네거티브 마이닝: 훈련 중에는 임베딩 공간에서의 근접성에 따라 음의 쌍이 동적으로 선택되어 모호한 사례에 최적화 초점을 맞춥니다. 대비 손실의 가중치 ($\alpha$) 는 기하학적 제약을 부과하기 전에 초기 표현 학습을 안정화시키기 위해 훈련 기간 동안 0 에서 0.3 까지 선형적으로 증가합니다.

주요 기여

• 아키텍처: 수동 특징 공학 없이 3D 병변 마스크를 처리하기 위해 사전 훈련된 ViT 와 어텐션 기반 체적 집계 모듈의 통합.
• 훈련 목적: 모호한 반응자와 비반응자의 분리를 개선하기 위해 교차 엔트로피와 지도 대비 학습 및 하드 네거티브 마이닝을 결합한 다중 손실 프레임워크.
• 효율성: 제한된 데이터 (280 명 환자) 로 특정 의료 도메인에 대규모 사전 훈련 모델을 적응시킬 수 있는 파라미터 효율적 미세 조정을 위한 LoRA 활용.
• 절대 분석: 대비 손실과 미세 조정 전략 모두 성능에 결정적임을 보여주는 체계적 비교로, 교차 엔트로피만 사용하거나 고정된 백본을 사용하는 모델보다 우수한 성능을 입증.

결과
이 모델은 유럽 종양 연구소 (European Institute of Oncology) 의 후향적 단일 기관 코호트 (280 명 적합 환자: 147 명 반응자, 133 명 비반응자) 에서 평가되었으며, 개발 세트 (226 명) 와 독립적 테스트 세트 (54 명) 로 나뉘었습니다.

• 성능: 테스트 세트에서 제안된 다중 손실 미세 조정 (ML-FT) 모델은 ROC-AUC 0.73(95% CI: 0.58–0.86) 및 F1 점수 0.70(95% CI: 0.56–0.82) 을 달성했습니다.
• 비교 분석: ML-FT 모델은 다음과 같은 모델들을 유의미하게 능가했습니다:
  • Yin 등 재구현의 베이스라인 (AUC 0.47).
  • 대비 손실이 없는 변형 (CE-FT, AUC 0.66).
  • 고정된 백본을 가진 변형 (ML-FR, AUC 0.59).
• 해석 가능성: 어텐션 가중치 분석은 모델이 병변 코어를 포함하는 중앙 슬라이스를 우선시함을 드러냈으며, 이는 중앙 종양 단면이 가장 차별적인 형태학적 정보를 제공한다는 임상적 직관과 일치합니다.
• 보정: 모델은 양의 클래스에 대해 체계적인 과소 신뢰를 보였으며, 이는 보수적인 확률 추정을 시사합니다.
• 오류 분석: 불확실하지만 정확한 예측은 종종 고유의 RECIST 1.1 임계값 근처에서 발견되었으며, 이는 일부 모호성이 모델 실패가 아닌 참조 표준 자체에서 비롯됨을 나타냅니다.

의의 및 주장
본 논문은 제안된 아키텍처가 치료 전 병변 형태학만으로 임상적으로 관련성 있는 예측 패턴을 성공적으로 학습했다고 주장합니다. 결과는 체적 ViT 인코딩과 지도 대비 학습의 결합이 영상 기반 계층화 도구를 위한 견고한 기반을 제공함을 시사합니다. 반응자와 비반응자를 효과적으로 구분함으로써, 이 도구는 개인화된 치료 계획 수립을 지원하고 비효율적인 화학요법 노출을 줄이며 적시 수술적 관리를 촉진할 잠재력을 가지고 있습니다. 저자들은 이 모델이 대비 정규화를 통해 모호한 사례를 처리할 수 있는 능력이 이 도메인에서 표준 분류 접근법의 주요 한계를 해결한다고 강조합니다.