Testing diffusion-derived orientation priors for streamline modelling of the MRI-visible glioblastoma core: the BRIAN framework

보이지 않는 지도와 방랑하는 세포들

당신의 뇌가 부드럽고 말랑말랑한 조직으로 이루어진 북적이는 도시라고 상상해 보세요. 이 도시 안에는 "백질 경로(white matter tracts)"라고 불리는 수백만 개의 아주 작은 도로들이 있습니다. 이것은 자동차를 위한 도로가 아니라, 당신이 생각하고, 움직이고, 느끼게 해주는 전기 신호의 고속도로입니다. 과학자들은 물의 흐름을 보여주는 기상 지도와 같은 역할을 하는 "확산 MRI(diffusion MRI)"라는 특별한 종류의 사진을 찍을 수 있습니다. 물 분자들은 이 도로를 따라 쉽게 미끄러져 가지만, 다른 방향으로는 무작위로 튀어 오르기 때문에, 이 지도는 무엇 하나 절개하지 않고도 뇌의 숨겨진 교통 차선을 드러내 줍니다.

이제 매우 까다로운 침입자를 상상해 보세요. 바로 글리오블라스토마(glioblastoma)라고 불리는 뇌종양입니다. 이것은 한곳에 머물러 있는 단단한 덩어리가 아니라, 마치 보이지 않는 개미 떼와 같습니다. 이 종양 세포들은 매우 영리합니다. 그들은 단순히 무작위로 배회하는 것이 아닙니다. 그들은 앞서 말한 백질 고속도로를 따라 행진하는 것을 선호하는데, 왜냐하면 그 길이 더 쉽기 때문입니다. 이것은 의사들에게 큰 문제입니다. 표준 MRI로 볼 때, 의사들은 종양의 "본부", 즉 눈에 보이는 커다란 부분만을 볼 수 있습니다. 하지만 보이지 않는 개미들은 이미 그 고속도로를 따라 행진을 시작하여, 카메라가 볼 수 있는 범위를 훨씬 넘어 멀리까지 퍼져 나갔습니다. 만약 의사들이 눈에 보이는 부분만을 치료한다면, 숨어있던 개미들이 나중에 다시 돌아와 문제를 일으킬 수 있습니다. 과학계의 큰 질문은 이것입니다: "우리는 이 보이지 않는 개mi들이 정확히 어떤 고속도로를 탈지 예측할 수 있는 컴퓨터 모델을 만들 수 있을까? 그래서 의사들이 본부뿐만 아니라 도시 전체를 치료할 수 있도록 말이다."

BRIAN 프로젝트: 종양 예측을 위한 컴퓨터 게임

이 논문은 그 질문에 답하기 위해 BRIAN(Brain Research through Imaging Analysis for Neurooncology)이라는 새로운 컴퓨터 프로그램을 소개합니다. BRIAN을 정교한 비디오 게임 엔진이라고 생각해 보세요. 목표는 디지털 "가상 세포" 떼가 뇌의 고속도로 지도를 따라 시작점에서부터 퍼져 나가는 것을 시뮬레이션하여 종양이 어떻게 성장하는지 구현하는 것입니다.

게임의 작동 방식은 다음과 같습니다:

1. 지도: 연구자들은 공공 데이터베이스(Human Connectome Project)에서 건강한 뇌 지도를 가져옵니다. 이 지도는 백질 고속도로의 방향을 보여줍니다.
2. 씨앗: 그들은 실제 환자의 종양 사진을 가져와 건강한 뇌 지도 위에 디지털 방식으로 붙여 넣습니다.
3. 실행: 컴퓨터가 종양이 퍼지는 과정을 시뮬레이션하도록 합니다. 가상 세포들은 단순히 직선이나 무작위 원형으로 움직이지 않습니다. 실제 종양 세포가 고속도로를 따르는 것을 선호하듯이, 이들은 건강한 뇌 지도에 표시된 방향을 따르도록 "편향(biased)"되어 있습니다.
4. 확인: 컴퓨터는 "예측된 종양 형태"를 만들어내고, 이를 환자의 실제 MRI에서 보이는 실제 종양 형태와 비교합니다.

연구자들은 이를 30개의 서로 다른 종양에 대해 테스트했습니다. 각 종양에 대해, 결과가 일관적인지 확인하기 위해 65개의 서로 다른 건강한 뇌 지도 위에서 65번씩 시뮬레이션을 실행했습니다. 그들은 "다이스 계수(Dice coefficient)"라는 점수를 사용하여 예측된 모양이 실제 모양과 얼마나 잘 일치하는지 측정했습니다. 1.0은 완벽한 일치를, 0.0은 일치하지 않음을 의미합니다.

결과:
BRIAN 시뮬레이터는 꽤 훌륭한 성과를 냈습니다! 모든 테스트에 걸쳐 평균 일치 점수는 0.745였습니다. 이는 컴퓨터가 눈에 보이는 종양 핵의 형태를 높은 정확도로 재현할 수 있었음을 의미합니다. 가장 잘 맞았던 단일 종양의 점수는 0.844였고, 가장 낮았던 점수는 0.419였습니다. 저자들은 이 수치들이 적절한 지도가 주어졌을 때 모델이 알려진 병변을 성공적으로 "재현"할 수 있음을 보여주지만, 이것은 실시간 환자에게서 새로운 종양을 예측하는 '수정구슬'이 아니라 '재현'의 시뮬레이션임을 주의 깊게 명시하고 있습니다.

결정적 발견: 방향이 중요하지만, 복잡성은 중요하지 않을 수도 있다

이 논문에서 가장 흥激한 부분은 컴퓨터가 지도를 읽는 방식에 대한 "아하!(Aha!)" 모먼트입니다. 연구자들은 두 가지를 알고 싶었습니다:

1. 컴퓨터에게 방향이 포함된 지도(고속도로가 어느 방향으로 가는지 알려주는 것)를 주는 것이, 단순히 무작위로 헤매게 하는 것보다 종양 모양을 더 잘 추측하게 만드는가?
2. 여러 개의 교차하는 고속도로를 보여주는 매우 상세하고 복잡한 지도를 사용하는 것이, 한 지점당 하나의 주요 방향만 보여주는 더 단순한 지도를 사용하는 것보다 도움이 되는가?

발견 1: 방향이 왕이다.
"방향 인지(direction-aware)" 모델과 "방향 불인지(direction-blind)" 모델(컴퓨터가 그냥 무작위 방향을 선택하는 모델)을 비교했을 때, 방향 인지 버전이 매번 승리했습니다. 이 모델은 전체적인 모양에서 약 0.096, 표면 가장자리에서 0.150만큼 일치 점수를 개선했습니다. 이는 종양이 고속도로를 따른다는 것을 아는 것이 매우 중요하다는 것을 증명합니다. 도로를 무시하면 예측은 훨씬 나빠집니다.

발견 2: 단순한 지도 vs 복잡한 지도.
여기 반전이 있습니다. 연구자들은 교차하는 고속도로(두 도로가 교차하는 지점)를 볼 수 있는 매우 복잡한 지도(SHORE dODF)를 사용하는 것이, 한 지점에 하나의 도로만 보는 단순한 지도(tensor dODF)를 사용하는 것보다 더 나을 것이라고 생각했습니다.
결과는 어땠을까요? 차이가 없었습니다. 복잡한 지도와 단순한 지도의 성능은 거의 동일했습니다. 저자들은 이 시뮬레이션에서 복잡한 교차 지점을 해결하는 것이 가시적인 종양과의 일치도를 높이지 못했다고 명확히 밝혔습니다. 종양의 주요 형태를 예측하는 데 있어서는 단순한 지도가 화려한 지도만큼이나 효과적인 것으로 보입니다.

이것이 의미하는 바 (그리고 의미하지 않는 것)

이 논문은 확산 MRI를 사용하여 종양 성장 시뮬레이션을 유도하는 것이 강력한 도구라는 결론을 내립니다. 이는 만약 우리가 종양이 어디로 퍼질지 예측하고 싶다면, 뇌의 방향성 지도를 반드시 사용해야 함을 시사합니다. 그러나 또한 우리는 좋은 답을 얻기 위해 반드시 가장 비싸고 복잡하며 시간이 많이 걸리는 지도를 사용할 필요는 없을 수도 있다는 점도 시사합니다. 특정 작업에 있어서는 더 단순한 모델도 충분히 잘 작동하기 때문입니다.

이 논문이 말하지 않는 부분도 기억하는 것이 중요합니다. 저자들은 이것이 건강한 뇌에 종양을 붙여놓고 테스트한 시뮬레이션이라는 점을 매우 신중하게 밝히고 있습니다. 그들은 살아있는 사람의 미래 성장을 예측할 수 있는지 확인하기 위해 실제 환자를 대상으로 테스트하지 않았습니다. 또한 여러 개의 분리된 "섬" 형태를 가진 종양은 제외하고, 단일하고 고체인 덩어리에만 집중했습니다.

따라서 BRIAN은 매우 유망한 진전, 즉 뇌 지도를 사용하여 종양 성장을 모델링할 수 있음을 보여주는 "개념 증명(proof of concept)"이지만, 아직 의사의 판단을 대체할 수 있는 완성된 의료 도구는 아닙니다. 이것은 우리가 올바른 길을 가고 있음을 보여주는 아주 똑똑한 시뮬레이션이며, 뇌의 숨겨진 고속도로가 이 보이지 않는 침입자들이 어떻게 움직이는지 이해하는 핵심 열쇠라는 것을 알려줍니다.