An Interpretable Deep Learning Framework for Discovery and Clinical Validation of Deep Radiomic Signatures in Tumor Classification

기술 요약: 종양 분류를 위한 심층 라디오믹 시그니처의 발견 및 임상 검증을 위한 해석 가능한 딥러닝 프레임워크

문제 제기

딥러닝은 의료 영상 분석에서 상당한 잠재력을 입증해 왔으나, 제한된 해석 가능성은 임상 도입의 주요 장벽으로 남아 있습니다. 기존의 딥러닝 접근 방식은 높은 예측 성능을 달성하는 경우가 많지만, 분류 결정의 근거가 되는 특정 영상 시그니처에 대한 생물학적 통찰력을 거의 제공하지 못하는 "블랙박스"로 기능합니다. 반대로, 전통적인 라디오믹스는 수동 또는 자동 방식으로 분할된 전체 종양에서 추출된 핸드크래프트(handcrafted) 특징에 의존합니다. 이러한 전통적 시그니처는 해석 가능하지만, 종양 전체가 진단에 균일하게 기여한다고 가정하기 때문에, 국소적으로 중요할 수 있는 생물학적 영역(예: 침윤성 경계부, 괴사 중심부 또는 이질적인 전이 구역)을 간과할 가능성이 있습니다. 또한, 전통적인 워크플로우는 노동 집약적이며 전문가 주도의 전처리 과정에 크게 의존합니다. 이로 인해 전통적 시그니처(해석 가능하지만 국소적 생물학적 복잡성을 놓칠 수 있음)와 딥러닝 시그니처(예측력은 높지만 설명력이 부족함) 사이에는 근본적인 간극이 존재합니다.

방법론

저자들은 딥러닝 기반 분할, 설명 가능한 분류, 그리고 라디오믹 분석을 통합하여 해석 가능한 영상 시그니처를 발견하는 통합 프레임워크를 제안합니다. 워크플로우는 네 가지 주요 단계로 구성됩니다:

1. 강건한 분할 (Robust Segmentation): 프레임워크는 먼저 딥러닝 모델(특히 nnU-Net 및 UNETR)을 사용하여 종양 영역을 정확하게 묘사합니다. 강건성을 높이기 위해 두 모델의 예측 합집합(union)을 계산하여 종양 마스크를 정의합니다.
2. Grad-CAM을 통한 시그니처 발견: Gradient-weighted Class Activation Mapping (Grad-CAM) 가이드 파이프라인을 통해 진단적으로 중요한 영역을 식별합니다. 튜머에 주의를 집중시키기 위해, 분할 마스크의 중심점으로부터의 거리에 따라 Class Activation Map (CAM)에 지수적 거리 감쇠(exponential distance decay)를 적용합니다.
3. 적응형 임계값 설정 (Adaptive Thresholding): 환자 특이적 시그니처를 추출하기 위해 상호 정보량(mutual information) 기반의 적응형 임계값 전략을 사용합니다. 시스템은 분할 마스크 영역 내에서 후보 임계값(0–255)을 철저히 평가합니다. 최적의 임계값은 이진화된 CAM과 정답(ground-truth) 마스크 사이의 상호 정보량을 최대화하는 값으로 선택됩니다. 이 과정을 통해 종양 마스크와 정보적 중첩이 가장 높은 활성화 영역인 "시그니처(Signature)" 영역이 생성됩니다.
4. 검증 및 해석:
   • 딥러닝 검증: 추출된 시그니처는 세 가지 입력 설정(이미지만 사용, 이미지 + 분할 마스크, 이미지 + 마스크 + 시그니처)에 대해 하위 딥러닝 분류 모델(EfficientNet, ResNet50, DenseNet121, Vision Transformer)을 사용하여 검증됩니다.
   • 라디오믹 분석: 시그니처로 정의된 영역에서 라디오믹 특징을 추출하고(전체 마스크와 비교), 이를 전통적인 머신러닝 모델(Random Forest, XGBoost, LinearSVM, Logistic Regression)을 사용하여 분석합니다.
   • 해석 가능성: SHAP (SHapley Additive exPlanations) 값을 사용하여 가장 변별력 있는 바이오마커를 식별하고 이를 병리학적 특성과 연결합니다.

주요 기여

• 새로운 프레임워크: 본 논문은 분할 마스크와 Grad-CAM을 결합하여 생물학적으로 의미 있는 시그니처 영역을 정의하는 살리언트 맵(salient maps)을 생성하는 시그니처 구축 프레임워크를 소개합니다.
• 적응형 추출: 고정되거나 임의적인 컷오프를 넘어, 환자 특이적 시그니처를 추출하기 위한 상호 정보량 기반의 적응형 임계값 전략을 제 제안합니다.
• 이중 검증 접근 방식: 딥러닝 분류(변별적 효과 입증)와 전통적 머신러닝을 통한 라디오믹 특징 분석(생물학적 해석 가능성 제공)을 통해 시그니처를 검증합니다.
• 포괄적 평가: 다양한 영상 양식과 종양 유형을 아우르는 네 가지 데이터셋(BUSI(유방 초음파), BraTS(뇌종양 MRI), KiTS(신장 CT), 그리고 개인 데이터인 UF Health 신장 CT 코호트)에 대해 광범위한 실험을 수행했습니다.

결과

• 딥러닝 성능: 모든 데이터셋과 백본 아키텍처에서, 제안된 시그nu처를 포함하는 것이 이미지만 사용하거나 이미지와 분할 마스크를 함께 사용하는 것보다 일관되게 분류 성능을 향상시켰습니다.
  • BraTS 데이터셋에서, 마스크에 시그니처를 추가했을 때 AUC가 증가했습니다 (예: DenseNet이 0.951에서 0.960으로 향상).
  • BUSI 데이터셋에서, 시그니처는 유의미한 이득을 제공하여 DenseNet AUC가 0.856에서 0.883으로 증가하였고, ViT F1 점수도 실질적으로 개선되었습니다.
  • UF Health 신장 CT 데이터셋에서는 개선 폭이 더 완만했으나 대체로 긍정적이었으며, 이는 신장 종양의 경우 전역적 형태(global morphology)가 중요하지만 시그니처가 보완적인 정보를 제공함을 시사합니다.
• 머신러닝 성능: 라디오믹 분석에서 "Mask $\cap$ Signature"(마스크와 시그니처의 교집합) 전략이 특히 뇌 및 유방 종양에서 가장 높은 AUC를 달-성하는 경우가 많았습니다. 이는 시그니처가 비핵심 영역을 제외하면서 변별력 있는 영역을 보존함으로써 종양 마스크를 효과적으로 정교화함을 시사합니다. 신장 종양의 경우, 마스크와 시그니처의 합집합(union)이 때때로 가장 좋은 성능을 보였는데, 이는 전체 종양의 형태가 여전히 매우 유익하다는 것을 나타냅민다.
• 해석 가능성: SHAP 분석 결과 뚜렷한 특징 중요도 패턴이 나타났습니다. 뇌종양의 경우, 시그니처 가이드 영역은 침윤성 경계부와 이질적인 혈관 성분을 강조했습니다. 유방암의 경우, 표면적 및 질감의 이질성과 관련된 특징들이 핵심이었습니다. 신장 종양의 경우, 큰 저강도 영역과 신장(elongation)을 포착하는 특징들이 두드데 었습니다. 이러한 결과는 추출된 시그니처를 특정 병리학적 특성(예: 신경교종의 침윤성 성장 vs. 수막종의 균질한 조영 증강)과 연결시켰습니다.

의의 및 주장

저자들은 이 프레임워크가 비침습적 종양 특성화 및 영상 바이오마커 발견을 위한 해석 가능하고 재현 가능한 솔루션을 제공한다고 주장합니다. 딥러닝의 주의(attention) 메커니즘을 재현 가능한 정량적 영상 바이오마커로 변환함으로써, 이 접근 방식은 딥러닝의 예측력과 임상적 신뢰에 필요한 생물학적 투명성 사이의 간극을 메웁니다. 본 연구는 시그니처 기반 접근 방식이 기존의 전체 종양 라디오믹스보다 더 나은 변별 성능을 달성할 수 있음을 입증하며, 동시에 더 높은 생물학적 해석 가능성을 제공함을 보여줍니다.

저자들은 기초가 되는 분할 모델의 정확도에 대한 의존성, 적응형 임계값 전략의 잠재적 가변성, 그리고 일반화 가능성을 더욱 높이기 위한 대규모 데이터셋의 필요성 등 한계점을 인정합니다. 또한, Grad-CAM은 실제 인과적 병리보다는 모델의 주의(attention)를 반영하므로 임상적 해석 시 주의가 필요하다고 언급했습니다.