🔬 physics

One-for-All Adaptive Radiotherapy Planning Agent: A Foundation Framework for Daily CBCT-guided Radiotherapy

이 논문은 다양한 암 유형에 걸쳐 매일의 CBCT 스캔으로부터 인간의 개입(human-in-the-loop) 감독 메커니즘을 유지하면서 2분 이내에 임상적으로 수용 가능한 치료 특화형 온라인 적응 방사선 치료 계획을 자율적으로 생성하는 통합 파운데이션 모델 프레임워크인 "One-for-All Adaptive Radiotherapy Planning Agent"를 소개한다.

원저자: Shaoyan Pan, Kirk Jon Luca, Yuan Gao, Shansong Wang, Mingzhe Hu, Ryan Sanford, Mojtaba Safari, Justin Roper, Zhen Tian, Tonghe Wang, Xiaofeng Yang

게시일 2026-07-17

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Shaoyan Pan, Kirk Jon Luca, Yuan Gao, Shansong Wang, Mingzhe Hu, Ryan Sanford, Mojtaba Safari, Justin Roper, Zhen Tian, Tonghe Wang, Xiaofeng Yang

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 움직이는 표적을 새총으로 맞추려 한다고 상상해 보십시오. 암 치료의 세계에서 그 표적은 종양이고, 새총은 방사선입니다. 목표는 주변의 건강한 장기를 조심스럽게 피하면서(마치 피부를 찌르지 않고 가시를 제거하려는 외과의처럼), 종양을 파괴할 수 있을 만큼 충분한 에너지를 쏘아붓는 것입니다. 수십 년 동안 의사들은 치료를 시작하기 전 환자의 몸을 찍은 단 하나의 "스냅샷"을 이용해 이러한 공격을 계획해 왔습니다. 하지만 문제는 몸은 조각상이 아니라는 점입니다. 치료가 진행되는 몇 주 동안 종양은 줄어들고, 장기는 위치를 옮기며, 사람은 체중이 줄어듭니다. 실제로 방사선이 전달될 때쯤이면 그 "스냅샷"은 틀렸을 수 있으며, 이는 방사선이 표적을 놓치거나 있어서는 안 될 곳을 타격하게 된다는 것을 의미합니다.

이를 해결하기 위해 의사들은 매번 발사하기 직전에 새로운 사진을 찍어 조준을 조정하는 '적응형 방사선 치료(adaptive radiotherapy)' 기법을 사용합니다. 하지만 이를 수동으로 하는 것은 악몽과 같습니다. 의사, 물리학자, 기술자로 구성된 전문가 팀이 매일 몇 시간씩 몸의 지도를 다시 그리고 방사선의 경로를 재계산해야 하기 때문입니다. 이 과정이 너무 느리고 소모적이어서 대부분의 병원은 매일 이를 수행할 수 없으며, 결국 환자들은 약간은 어긋난 계획대로 치료를 받게 됩니다. 이 논문은 의사가서의 'AI 에이전트(AI Agent)', 즉 매우 빠르고 똑똑한 부조종사 역할을 하는 새로운 종류의 디지털 조수를 소개합니다. 이 에이전트는 매일 찍은 사진을 보고 무엇이 변했는지 이해하며, 2분 이내에 전체 전투 계획을 즉시 다시 그려내어 누구나 매일 조정을 가능하게 만듭니다.

올인원 에이전트: 당신의 방사선 치료 부조종사

올인원 적응형 방사선 치료 계획 에이전트(줄여서 A-RPA)를 만나보십시오. 이것을 암 방사선 치료를 위해 특별히 설계된 매우 숙련된 디지털 맥가이버 칼이라고 생각하십시오. 과거에는 의사가 환자의 해부학적 구조가 변해서 방사선 계획을 조정하고 싶다면, 일련의 별개이고 느린 과정을 거쳐야 했습니다. 먼저 흐릿한 일일 X선 영상을 선명한 CT 스캔처럼 만들어야 했고, 그다음에는 종양과 장기를 수동으로 추적해야 했으며, 그다음에는 방사선이 어디로 갈지 계산해야 했고, 마지막으로 새로운 계획이 안전한지 확인해야 했습니다. 이는 마치 집을 지을 때 한 사람에게 벽돌을 쌓게 하고, 다른 사람에게 페인트칠을 하게 하고, 세 번째 사람에게 지붕을 설치하게 한 뒤, 각자가 앞 단계의 사람이 끝날 때까지 기다리게 하는 것과 같았습니다.

이 새로운 에이전트는 이 모든 것을 한 번에 수행함으로써 판도를 바꿉니다. 이 에이전트는 이미 수천 개의 사례로부터 해부학 및 방사선의 규칙을 학습한 '파운데이션 모델(foundation model)', 즉 초지능적인 두뇌를 기반으로 구축되었습니다. 환자가 치료실로 들어오면 기계는 환자의 몸을 찍은 빠른 3D X선(CBCT라고 불림)을 촬영합니다. 그러면 에이전트는 의사에게 "기존 계획이 여전히 괜찮습니까?"라고 묻습니다.

만약 의사가 "네, 종양이 많이 움직이지 않았습니다"라고 답하면, 에이전트는 기존 계획을 새로운 X선 영상과 빠르게 대조하여 "모두 확인되었습니다, 진행합시다"라고 말합니다. 하지만 의사가 "아니요, 종양이 이동했습니다"라고 답하면, 에이전트는 단순히 추측하는 것이 아니라 즉시 행동에 나섭니다. 에이전트는 흐릿한 X선 영상으로부터 고품질의 '합성(synthetic)' CT 스캔을 즉석에서 만들어내고, 종양과 민감한 장의 윤곽을 다시 그리며, 방사선량이 정확히 어디에 떨어질지 예측합니다. 이 모든 과정을 2분 미만에 완료합니다.

마법의 원리 (마법 지팡이 없이도 가능한)

이 논문은 이것이 단순히 눈먼 상태로 모든 것을 수행하는 하나의 큰 프로그램이 아님을 설명합니다. 이것은 마치 오케스트라를 지휘하는 지휘자와 같습니다. '에이전트' 부분은 지휘자로서 의사의 요구를 듣고 어떤 도구를 사용할지 결정합니다.

합성 도구(The Synthesis Tool): 일일 X선 영상이 세부 사항을 보기에는 너무 흐릿할 경우, 에이전트는 생성형 AI(디지털 화가와 같은)를 사용하여 흐릿한 X선 영상을 바탕으로 선명하고 상세한 CT 스캔을 그려냅니다.
등록 도구(The Registration Tool): 이것은 스마트한 지도 오버레이와 같습니다. 치료 시작 전의 기존 계획을 가져와서 오늘날 환자의 몸 형태에 맞게 늘리거나 구부립니다.
분할 도구(The Segmentation Tool): 이것은 자동 그리기 기능입니다. 사람이 한 시간 동안 종양을 추적하는 대신, AI는 몇 초 만에 새로운 경계선을 그립니다.
선량 도구(The Dose Tool): 이것은 방사선 빔이 새로운 신체 형태를 통해 어떻게 흩어질지를 예측합니다.

이것이 특별한 이유는 이 모든 도구가 함께 학습되었기 때문입니다. 보통 어떤 도구를 예쁜 그림을 만드는 데 학습시키면 측정에는 서툴 수 있습니다. 하지만 이 에이전트는 이 모든 단계를 함께 수행하도록 학습되었기 때문에, 에이전트가 만드는 '예쁜 그림'은 실제로 다음 단계인 선량 측정에 완벽하게 적합합니다. 이는 채소를 완벽하게 다지는 것뿐만 아니라 얼마나 익혀야 하는지도 정확히 알아서 최종 요리를 맛있게 만드는 요리사와 같습니다.

결과: 빠르고, 정확하며, 안전함

연구진은 머리, 목, 폐, 복부, 전립선 암 환자를 포함한 매우 다양한 환자들을 대상으로 이 에이전트를 테스트했습니다. 그들은 가장 일반적인 유형인 표준 광자 방사선과 더 정밀하고 첨단 기술인 양성자 치료를 모두 사용했습니다.

결과는 인상적이었습니다. 에이전트가 새로운 계획을 만들었을 때, 예측된 방사선량은 인간 전문가가 만든 '골드 스탠다드(표준)' 계획과 매우 유사했습니다.

종양의 경우, 방사선량의 차이는 일반적으로 참조 계획과 2.0 Gy(방사선량 단위) 이내였습니다. 많은 경우, 심지어 0.5에서 1.8 Gy 이내로 더 가까웠습니다.
계획의 품질이 매우 뛰어나서, 인간 전문가들이 검토했을 때 광자 계획의 93%~99%, 양성자 계획의 **94%~96%**가 임상적으로 수용 가능한 수준이었습니다.
더욱 놀라운 점은, 광자 사례의 약 **34%~~50%**와 양성자 사례의 **28%~~54%**에서 에이전트의 계획이 오히려 기존 계획보다 더 나았으며, 건강한 장기를 보호하거나 종양을 더 잘 커버하는 개선된 결과를 보여주었다는 것입니다.

논문은 이 에이전트가 의사를 대체하는 마법 지팡이가 아님을 분명히 밝히고 있습니다. 에이전트는 여전히 계획을 검토하고 최종 승인을 내릴 인간을 필요로 합니다. 이것은 "인간 참여형(human-in-the-loop)" 시스템으로, 즉 AI가 힘든 작업과 수학적 계산을 수행하지만, 최종 결정은 의사가 내린다는 것을 의미합니다.

한계점 (그리고 아직 할 수 없는 것들)

이 논문은 자신들의 한계에 대해 매우 솔직합니다. 에이전트는 일일 X선 영상이 선명할 때 가장 잘 작동합니다. 만약 X선 영상에 아티팩트(금속 임플란트로 인한 줄무늬 등)가 많거나 기계가 신체 전체를 스캔하지 못하는 경우, 에이전트는 어려움을 겪을 수 있습니다. 또한, AI가 선량을 매우 잘 예측하긴 하지만, 병원의 메인 계획 시스템이 수행하는 복잡한 물리 계산을 완전히 대체하는 것이 아니라, 의사에게 90% 정도의 과정을 즉시 제공하는 빠르고 똑똑한 '미리보기' 역할을 한다는 점을 시사합니다.

나아가, 이 논문은 모든 개별 작업마다 서로 다른 AI가 필요하다는 생각에 반론을 제기합니다. 연구진은 단 하나의 작업(예: 이미지를 선명하게 하거나 선을 그리는 것 중 하나만 수행하는 것)만을 수행하려고 시도했던 다른 방법들과 이 에이전트를 비교 테스트했습니다. '올인원(One-for-All)' 접근 방식이 승리한 이유는 이 방식이 모든 단계가 어떻게 연결되는지를 학습했기 때문입니다. 단순히 예쁜 이미지를 만드는 도구는 보기에는 좋을지 몰라도, 의사가 선량을 정확하게 계산하는 데 도움을 주는 데는 실패할 수 있습니다. 모든 것을 함께 학습함으로써, 에이전트는 각 단계가 다음 단계를 뒷받/침하도록 보장합니다.

거시적 관점

이 논문은 우리가 진정한 의미의 '매일 적응하는' 방사선 치료의 미래로 나아가고 있음을 시사합니다. 몇 시간이 걸리고 가끔씩만 수행되는 느리고 수동적인 과정 대신, 이 에이전트는 커피 한 잔을 내리는 시간 안에 치료 계획을 조정할 수 있는 방법을 제시합니다. 이것은 단순히 속도를 높이는 것이 아니라, 치료를 더욱 정밀하게 만들어 매 순간 방사선이 종양을 정확히 타격하면서도 건강한 조직은 보호할 수 있게 합니다. 이는 복잡하고 노동 집약적인 퍼즐을 의사와 기계 사이의 효율적이고 지능적인 대화로 바꾸어 놓습니다.

기술 요약: One-for-All 적응형 방사선 치료 계획 에이전트

문제 정의

적응형 방사선 치료(Adaptive Radiotherapy, ART)는 종양 퇴행, 장기 변형 또는 체중 감소와 같은 일일 해부학적 변화에 따라 치료 계획을 조정하여 정밀한 방사선량을 전달하는 것을 목표로 합니다. 그러나 현재의 임상 관행은 단일 사전 치료 CT 스캔에 의존하므로, 계획된 선량과 실제 전달된 선량 사이에 불일치가 발생할 가능성이 있습니다. 일일 ART가 이를 완화할 수 있지만, 자원 집약적이고 노동 집약적인 워크플로로 인해 임상적으로 실행하기에는 어려움이 따릅니다. 전형적인 일일 적응 과정에는 새로운 영상, 변형 등록(deformable registration), 표적 및 위험 장기(OAR)의 재분할(re-segmentation), 그리고 선량 재최적화(dose re-optimization)를 포함하는 복잡하고 반복적인 의사결정이 필요합니다. 이 과정은 대개 방사선 종양학과 의사, 의학 물리사 및 선량 설계사로부터 수 시간의 전문가 입력을 요구하며, 이는 일상적인 구현의 장벽이 됩니다. 기존의 AI 솔루션들은 개별 작업(예: 분할 또는 선량 예측)을 처리하지만, 엄격한 치료 전달 시간 내에 이러한 구성 요소들을 일관된 환자 맞춤형 적응 워크플로로 조율할 수 있는 고차원적인 임상 지능은 부족합니다.

방법론

저자들은 매일의 콘빔 CT(CBCT)로부터 2분 이내에 완전한 치료 특이적 온라인 적응 계획을 수행하도록 설계된 엔드 투 엔드 에이전트 기반 AI 시스템인 **One-for-All 적응형 방사선 치료 계획 에이전트(A-RPA)**를 제안합니다. 이 시스템은 두 가지 주요 구성 요소로 이루어집니다:

통합 파운데이션 모델 (One-for-All):
- 아키텍처: 해부학적 표현을 위한 사전 학습된 파운데이션 모델(DINOv2)과 생성 작업(generative tasks)을 위한 잠재 확산 프레임워크(Stable Diffusion 3.5)를 기반으로 구축되었습니다.
- 핵심 작업: 이 모델은 하나의 프레임워크 내에서 네 가지 핵심 계획 기능을 통합합니다:
  - 비지도 CBCT-to-CT 합성: 텍스트 조건부 잠재 확산을 사용하여 일일 CBCT로부터 합성 CT(sCT)를 생성함으로써 해부학적 사실성과 선량 관련 특징을 보장합니다.
  - 다중 모달 등록(Multimodal Registration): 3D 어댑터를 갖춘 DINOv2 기반 인코더를 사용하여 사전 계획 데이터(CT, MRI, PET-CT)를 일일 해부학 구조에 변형 등록(deformable alignment)합니다.
  - 분할(Segmentation): 등록된 이미지 또는 합성 이미지 상에서 종양 표적과 OAR을 묘사하며, 이전의 윤곽선을 현재의 해부학 구조에 적응시킵니다.
  - 선량 예측(Dose Prediction): 합성된 해부학 구조, 업데이트된 윤곽선, 그리고 이전의 선량/메타데이터를 조건으로 하여 3D 선량 분포를 예측합니다.
- 학습 전략: 모델은 2단계 학습 과정을 거칩니다. 첫째, 각 구성 요소는 특정 작업을 위해 대규모 공개 데이터셋에서 개별적으로 미세 조정됩니다. 둘째, 전체 프레임워크는 내부 임상 코호트(814회의 치료 과정)를 사용하여 계단식 감독(cascaded supervision) 전략을 통해 공동 사후 학습(jointly post-trained)됩니다. 이를 통해 상위 표현(예: sCT)이 단순히 시각적 충실도뿐만 아니라 분할 및 선량 예측과 같은 하위 작업에서의 유용성을 위해서도 최적화되도록 보장합니다.
에이전트 오케스트레이션 레이어 (Agentic Orchestration Layer):
- 컨트롤러: 대규모 언어 모델(T5-XXL)이 시스템의 "두뇌" 역할을 하며, 임상의의 질의를 해석하고 워크플로를 관리합니다.
- 의사결정 로직: 경직된 파이프라인 대신, 에이전트는 임상 시나리오와 관찰된 해부학적 상태에 따라 적절한 경로를 동적으로 선택합니다. 에이전트는 다음 중 하나를 선택할 수 있습니다:
  - 단순 계획 재평가(윤곽선/선량 전파).
  - 시각적 개선을 위한 다중 모달 등록.
  - 등록된 이미지 상에서의 재분할.
  - sCT 합성, 재분할 및 선량 예측을 포함한 전체 재계획(full replanning).
- Human-in-the-Loop: 에이전트는 임상의의 검토를 위해 중간 및 최종 출력물을 제시하며, 최종 승인 전 결정적인 지점에서 개입할 수 있도록 허용합니다.

주요 기여

통합 프레임워크: 합성, 등록, 분할 및 선량 예측을 단일 파운데이션 모델로 통합한 최초의 시스템으로, 중간 표현이 하위 임상 작업에 맞춰 최적화되는 엔드 투 엔드 최적화를 가능하게 합니다.
에이전트 워크플로: 고정된 작업 순서를 실행하는 대신, 일일 해부학적 변화에 따라 필요한 적응 경로(단순 재사용부터 전체 재계획까지)를 자율적으로 결정하는 새로운 "human-in-the-loop" 에이전트를 제공합니다.
공동 최적화: 합성 및 하위 작업들을 공동으로 학습시키는 것이 개별적으로 최적화하거나 경쟁하는 비지도 합성 방법을 사용하는 것보다 훨씬 더 나은 임상적 유용성(분할 정확도 및 선량 예측)을 제공함을 입증했습니다.

결과

본 프레임워크는 광자선(photon) 및 양성자(proton) 치료를 모두 포함하며 두경부, 폐, 복부 및 전립선 암을 아우르는 다양한 데이터셋을 통해 평가되었습니다.

선량 정확도: A-RPA는 임상적으로 수용 가능한 정확도를 가진 적응 계획을 생성했습니다. 표적 선량 오차(D98)는 일반적으로 참조 계획 대비 2.0 Gy 이내였습니다. 광자선 치료에서 PTV D95 및 D98 오차는 각각 0.5–1.8 Gy 및 0.7–2.0 Gy 범위였습니다. 양성자 치료에서도 유사한 안정성을 보였습니다.
임상적 수용성: 전문가 검토 결과, 광자선 사례의 93–99%, 양성자 사례의 94–96%가 임상적으로 수용 가능한 수준(Rank 2–5)으로 분류되었습니다. 상당 부분(광자선 34–50%, 양성자 28–54%)이 원래 계획보다 선량 개선 효과(Rank 4–5)를 보였습니다.
공동 최적화의 우수성:
- 합성: 경쟁 관계인 비지도 방식(SynDiff, ACSB)들이 시각적으로 그럴듯한 sCT를 생성한 반면, A-RPA의 sCT는 현저히 낮은 종양 선량 오차(경쟁 모델 약 8–12 Gy 대비 A-RPA 약 1.2 Gy)와 더 나은 OAR 선량 회복을 보여주었습니다.
- 분할: 합성 CT 상에서 A-RPA는 견고한 분할 성능(Dice ~0.71–0.82)을 유지했으나, 경쟁 방법들은 성능이 크게 저하되었습니다. 이는 재분할 사용 시 A-RPA가 경쟁 모델(<1.0 Gy)에 비해 약 3.63 Gy의 뚜렷한 선량 개선을 이끌어내는 결과로 이어졌습니다.
다중 모달 등록: 변형 등록을 통해 MRI 및 PET-CT를 통합함으로써, CBCT의 대조도가 제한적인 연조직 구조에서 특히 윤곽 정렬(체부 Dice ~0.98, 종양 Dice ~0.95로 증가) 및 하위 분할 성능을 향상시켰습니다.

의의 및 주장

본 논문은 A-RPA가 고립된 작업별 AI 도구에서 통합된 파운데이션 모델 접근 방식으로의 패러다임 전환을 나타낸다고 주장합니다. 주요 의의는 워크플로 시간을 2분 미만으로 단축하면서도 임상적 품질을 유지함으로써, 매일의 온라인 적응 방사선 치료를 실질적으로 가능하게 만들었다는 점에 있습니다.

저자들은 에이전트 프레임워크가 매우 중요하다고 강조하는데, 이는 적응형 방사선 치료가 선형적인 과정이 아니며, 언제 그리고 어떻게 적응할지를 결정하기 위한 임상적 추론이 필요하기 때문입니다. 분기형 워크플로를 조율함으로써, A-R파는 단순한 자동화 파이프라인을 넘어 임상 의사결정 지원 시스템으로서 기능합니다. 또한, 본 연구는 전체 적응 계획 캐스케이드(합성 $\to$ 등록 $\to$ 분할 $\to$ 선량)에 걸친 공동 최적화가 개별 구성 요소를 독립적으로 최적화하는 것보다 우수한 임상 결과를 낳는다는 가설을 검증했습니다. 시스템은 "human-in-the-loop" 설계를 통해 임상적 감독을 유지하며, 생성된 계획이 치료 전달 전 임상의에 의해 검토되고 승인되도록 보장합니다.

저자들은 CBCT 영상 품질에 대한 의존성(심한 아티팩트나 제한된 시야에서 성능 저하)과 더 넓은 다기관 검증의 필요성을 포함한 한계점을 인정했습니다. 또한, 선량 예측이 역최적화(inverse optimization)의 근사치라는 점을 언급하면서도, 이것이 신속한 적응을 위한 임상적으로 일관된 시작점을 제공한다고 설명했습니다.