Structured Proxy Features for Multimodal NSCLC Survival Prediction from Pretreatment CT

당신이 사람의 몸속에 있는 매우 복잡하고 살아있는 도시, 즉 종양의 미래를 예측하려고 노력하고 있다고 상상해 보십시오. 수십 년 동안 의사들과 과학자들은 종양의 크기나 그곳에 사는 사람들의 연령과 같은 몇 가지 핵심 통계(예: 도시의 크기나 인구 구성)를 보고 이 도시가 얼마나 빨리 성장할지, 혹은 환자가 얼마나 오래 생존할지를 추측하려 노력해 왔습니다. 또한 그들은 고급 카메라(CT 스캔)를 사용하여 도시의 사진을 찍기도 합니다. 하지만 여기에는 함정이 있습니다. 종양은 단순히 정적인 덩어리가 아니라, 서로 다른 부분이 서로 다른 속도로 성장하고, 어떤 구역은 사멸하며, 가장자리는 종종 울퉁불퉁하고 무질서한, 혼돈스럽고 변화무쌍한 풍경입니다. 전통적인 방식들은 종양을 마치 단순한 데이터 상자처럼 취급하여, 특징들을 마치 식료품 목록에 있는 독립된 항목들처럼 세기만 합니다. 그들은 이 무질서한 부분들이 서로 어떻게 상호작용하는지에 대한 큰 그림을 놓치고 있습니다.

이 지점에서 새로운 종류의 탐정 작업이 등장합니다. 과학자들은 이제 종양의 질감과 형태를 설명하기 위해 사진을 수천 개의 작은 숫자로 바꾸는 '라디오믹스(radiomics)'와, 컴퓨터가 스스로 패턴을 학습하게 하는 '딥러닝(deep learning)'을 사용하려고 시도하고 있습니다. 하지만 이러한 스마트한 도구들조차 종양의 혼돈과 형태가 어떻게 함께 작용하여 환자의 운명을 결정하는지, 그 숨겨진 이야기를 읽어내는 데 어려움을 겪기도 합니다. 질문은 이것입니다. 우리가 컴퓨터에게 단순히 종양을 '보는' 법을 넘어, 단 한 장의 스냅샷만으로 종양이 어떻게 행동할지 '시뮬레이션'하는 법을 가르칠 수 있을까요? 만약 우리가 종양의 사진을 바탕으로 그 성장을 예측하는 작은 가상 모델을 구축할 수 있다면, 이것이 고위험군 환자를 예측하는 데 도움이 될 수 있을까요?

---

논문의 핵심 아이디어: 가상 "만약에(What-If)" 기계 구축하기

이 논문에서 앨라배마 대학교 버밍엄 캠퍼스의 연구진은 조금 다른 시도를 해보기로 했습니다. 단순히 컴퓨터가 CT 스캔을 쳐다보며 추측하게 두는 대신, 그들은 예측 모델 안에 직접 "가상 시뮬레이터"를 구축했습니다. 이것을 이렇게 생각해보십시오. 표준적인 AI가 도시의 지도를 암기하는 학생이라면, 이 새로운 접근 방식은 학생에게 장난감 세트를 주고 스스로 도시를 만들어보게 한 뒤, 그 도시가 시간이 흐름에 따라 어떻게 성장하고 변하는지 관찰하도록 하는 것과 같습니다.

연구진은 가장 흔한 유형의 폐암인 비소세포폐암(NSCLC)에 집중했습니다. 그들은 치료 시작 전 CT 스캔을 촬영한 390명의 환자 데이터베이스(이른바 "Lung1" 코호트)를 사용했습니다. 그들의 목표는 이러한 "시뮬레이션된" 통찰력을 추가하는 것이 기존의 가장 우수한 방법들보다 생존을 더 잘 예측할 수 있는지 확인하는 것이었습니다.

그들은 시뮬레이터를 어떻게 만들었나

연구팀은 "라디오믹스 매개변수화 세포 자동자(radiomic-parameterized cellular automaton)"라는 영리한 트릭을 만들었습니다. 말이 어렵게 들리겠지만, 쉬운 버전은 이렇습니다:

1. 규칙: 그들은 종양을 나타내는 가상의 격자(3D 체커보드와 같은)를 설정했습니다. 그리고 격자에 세포가 어떻게 행동하는지에 대한 간단한 규칙을 부여했습니다: 일부는 성장하고, 일부는 죽으며, 일부는 공격적인 "나쁜" 세포로 변합니다.
2. 입력값: 규칙을 짐작하는 대신, 그들은 환자의 실제 CT 스캔을 살펴보았습니다. 그들은 두 가지 특정 요소를 측정했습니다:
   • 엔트로피(Entropy): 종양의 질감이 얼마나 무질서하거나 혼란스러운가. (무질서함이 높을수록 혼돈이 큼)
   • 구형도(Sphericity): 종양이 얼마나 둥근가. (완벽한 구형은 매끄럽지만, 울퉁불퉁하고 불규칙한 종양은 구형도가 낮음)
3. 시뮬레이션: 그들은 이 두 가지 측정값을 가상 종양의 "속도 제한"을 설정하는 데 사용했습니다. 만약 종양이 매우 무질서하다면, 시뮬레이션은 가상 세포가 더 빠르게 성장하도록 만들었습니다. 만약 종양이 매우 울퉁불퉁하고 불규칙하다면, 혈액 공급이 부족할 수 있기 때문에 시뮬레이션은 종양의 중심부가 사멸(괴사)할 가능성을 높였습니다.
4. 출력값: 가상 시뮬레이션을 실행한 후, 컴퓨터는 여섯 개의 새로운 숫자를 생성했습니다. 이것들은 단순한 측정값이 아니라, 종양이 어떻게 행동할 수 있는지를 요약한 정보였습니다. 여기에는 "추정 성장률" 및 "괴사 비율" 등이 포함되었습니다.

슈퍼 브레인: TMAE

3D CT 스캔을 이해하기 위해 연구진은 단순히 표준 카메라를 사용하지 않았습니다. 그들은 **트랜스포머 기반 마스크드 오토인코더(Transformer-based Masked Autoencoder, TMAE)**라는 특수한 형태의 AI를 사용했습니다. 컴퓨터에게 종양 사진을 보여주되, 75%를 검은색 사각형으로 가려버린다고 상상해 보십시오. 그러면 컴퓨터는 보이는 부분을 바탕으로 가려진 부분 아래에 무엇이 있는지 추측해야 합니다. 이를 수백만 번 반복함으로써, 컴퓨터는 사람이 모든 부분을 일일이 라벨링하지 않아도 종양의 깊은 3D 구조를 이해하는 법을 배웁니다. 이 "TMAE"는 이미지를 읽어내는 주요 두뇌 역할을 했습니다.

종합하기: 4가지 양식의 융합 (Four-Modality Fusion)

연구진은 이후 네 가지 다른 유형의 정보를 하나의 거대한 예측 모델로 결합했습니다:

1. 시뮬레이션: 그들의 가상 종양 게임에서 나온 여섯 개의 새로운 숫자.
2. 딥 브레인: TMAE가 찾아낸 복잡한 패턴들.
3. 클래식 통계: 종양에서 추출한 수백 가지의 전통적인 측정값(라디오믹스).
4. 환자 정보: 연령, 성별, 암 단계와 같은 기본적인 사실들.

그들은 이 모든 것을 생존 모델에 입력하여 누가 더 오래 살고 누가 그렇지 않을지를 예측했습니다.

무엇을 발견했는가

결과는 유망했지만, 저자들은 이것을 마법 같은 치료제로 부르지는 않습니다.

• 점수: Lung1 데이터셋에서 그들의 새로운 4부문 모델은 C-index 0.641을 달성했습니다. 생존 예측의 세계에서 0.5는 동전 던지기와 같고, 1.0은 완벽함을 의미합니다. 동일한 데이터셋에서 이전의 최고 방법은 0.631을 기록했습니다. 즉, 그들은 점수를 약간 끌어올렸습니다.
• "만약에" 요소: 가장 흥ка로운 부분은 여섯 개의 시뮬레이션 숫자(대리 특징들)가 새로운 것을 더해주었다는 점입니다. 이 숫자들은 단 여섯 개뿐이었지만, 수백 개의 전통적인 측정값만을 사용했을 때보다 모델의 성능을 높이는 데 도움을 주었습니다. 이는 종양의 무질서함과 형태 사이의 상호작용을 포착하는 것(시뮬레이션을 통해)이 컴퓨터에게 이전에 놓쳤던 단서를 제공한다는 것을 시사합니다.
• 최선의 경우: 시뮬레이션 뒤의 수학적 계산을 조금 더 조정했을 때("탐색적 계수 최적화"), 점수가 0.662까지 올라가는 것을 확인했습니다. 그러나 저자들은 이것이 "탐색적" 결과임을 강조하며, 이는 최종적인 승리가 아니라 잠재력에 대한 힌트라고 말합니다.

이것이 의미하는 바 (그리고 의미하지 않는 것)

이 논문은 "가상 시뮬레이션"을 추가하는 것이 컴퓨터가 종양을 더 잘 이해하도록 돕는다는 것을 시사합니다. 이것은 교통 보고서에 일기 예보를 추가하는 것과 같습니다. 단순히 차가 어디에 있는지만 아는 것이 아니라, 폭풍이 교통 흐름을 어떻게 바꿀지도 알게 되는 것입니다.

하지만 저자들은 한계점에 대해서도 매우 솔직합니다:

• 시뮬레이션이지 현실이 아니다: 가상 종양 성장은 환자의 종양이 실제로 어떻게 자랐는지에 대한 실제 측정값이 아닙니다. 그것은 사진을 바탕으로 한 수학적 추측입니다. 시뮬레이션이 생물학적으로 "맞는지" 입증할 후속 스캔 데이터는 없었습니다.
• 단 한 번의 테스트: 이 연구는 단 390명의 환자 그룹만을 대상으로 테스트되었습니다. 아직 다른 그룹의 사람들에게 적용해 보지 않았으므로, 이것이 어디에서나 작동하는지는 알 수 없습니다.
• 임상 현장에 바로 쓰일 수준은 아니다: 이것은 현재로서는 연구 도구입니다. 오늘날 의사들이 치료 결정을 내리는 데 사용할 수 있는 단계가 아닙니다. 더 많은 테스트, 더 많은 데이터, 그리고 다양한 스캐너와 병원에서도 작동한다는 증거가 필요합니다.

요약하자면, 이 논문은 종양의 사진을 가지고 "만약에" 게임을 하도록 컴퓨터를 가르치는 것이 미래를 예측하는 데 약간의 우위를 줄 수 있음을 보여줍니다. 이는 더 나은 예측의 비밀이 단순히 항목들을 따로 세는 것이 아니라, 종양의 형태와 혼돈이 어떻게 함께 춤을 추는지 이해하는 데 있을 수 있다는 것을 시사하는 작지만 의미 있는 진전입니다.