Predicting 5-Year Breast Cancer Risk from Longitudinal Digital Breast Tomosynthesis: A Single-center Retrospective Study

이 연구는 단일 기관에서 수행된 후향적 분석을 통해, 종단적 디지털 유방 단층촬영 (DBT) 데이터를 활용한 딥러닝 모델이 기존 유방촬영술 기반 모델 및 임상적 위험 평가 모델보다 5 년 유방암 위험 예측 성능이 우수함을 입증했습니다.

핵심

이 연구 논문은 **"유방암을 미리 예측하는 새로운 AI 비서"**에 대한 이야기입니다. 기존에 쓰이던 방법들보다 훨씬 더 똑똑하고 정확한 새로운 시스템을 개발했다는 내용인데, 복잡한 의학 용어 대신 일상적인 비유로 쉽게 설명해 드릴게요.

🏥 배경: 왜 새로운 시스템이 필요할까요?

지금까지 유방암 검진은 주로 **2 차원 사진 (FFDM)**을 찍어서 했습니다. 이는 마치 평면 지도를 보고 지형을 파악하는 것과 비슷합니다. 하지만 유방은 입체적인 구조를 가지고 있어, 평면 지도만으로는 숨겨진 위험 요소를 놓치기 쉽습니다.

또한, 기존에 쓰이던 위험 예측 모델들은 "나이, 가족력, 유방 밀도" 같은 기본 정보만 보고 "당신은 위험할 확률이 10% 입니다"라고 대략적으로 추측했습니다. 이는 마치 날씨 예보를 할 때 "오늘 비 올 확률 50%"라고만 하고, 구체적인 구름의 움직임이나 기압 변화는 보지 않는 것과 같습니다.

🚀 새로운 발견: "입체 사진"과 "시간의 흐름"을 함께 읽다

이 연구팀은 두 가지 혁신적인 아이디어를 결합했습니다.

1. 입체 사진 (DBT): 평면 사진 대신 **3D 입체 사진 (디지털 유방 단층촬영)**을 사용합니다. 이는 평면 지도 대신 드론으로 찍은 3D 지형도를 보는 것과 같습니다. 유방 조직의 겹침을 제거하고 숨겨진 구조를 더 선명하게 보여줍니다.
2. 시간의 흐름 (Longitudinal): 단순히 '오늘 찍은 사진' 한 장만 보는 게 아니라, 지난 몇 년간 찍은 사진들을 모두 모아 변화를 추적합니다. 이는 하루의 날씨만 보고 내일 날씨를 예보하는 게 아니라, 지난 1 년간의 기온 변화 추이를 보고 미래를 예측하는 것과 같습니다.

이 두 가지 정보를 바탕으로 개발된 **AI 모델 (DRP)**은 유방암이 발생할 확률을 훨씬 더 정교하게 계산해 냅니다.

🏆 결과: 기존 방법보다 얼마나 더 잘할까요?

연구팀은 이 새로운 AI 모델을 기존에 쓰이던 두 가지 방법과 경쟁시켰습니다.

• 경쟁자 1 (기존 2D 사진 AI): 평면 사진만 본 AI.
• 경쟁자 2 (임상 모델): 나이와 가족력만 본 의사의 계산법.

결과: 새로운 3D 입체 사진 + 시간 흐름을 분석한 AI 가 압도적으로 승리했습니다.

• 기존 2D 사진 AI 보다 정확도가 더 높았습니다. (비유하자면, 평면 지도만 보고 길을 찾는 사람보다 3D 내비게이션을 쓰는 사람이 길을 더 잘 찾습니다.)
• 나이와 가족력만 본 임상 모델보다 훨씬 더 정확하게 위험군을 찾아냈습니다.

💡 가장 흥미로운 부분: "유방 밀도"라는 편견을 깨다

기존에는 "유방이 빽빽하면 (밀도가 높으면) 암 위험이 무조건 높다"라고 생각했습니다. 하지만 이 AI 는 유방 밀도라는 편견을 깨뜨렸습니다.

• 밀도가 아주 높은 여성 중에서도: AI 가 "이분은 사실 위험이 낮아요"라고 판단한 여성들이 있었습니다. 실제로 이 그룹의 암 발생률은 매우 낮았습니다. (과도한 추가 검사를 줄여줄 수 있음)
• 유방이 지방이 많아 밀도가 낮은 여성 중에서도: AI 가 "이분은 의외로 위험이 높아요"라고 경고한 여성들이 있었습니다. 실제로 이 그룹에서 암이 발견되었습니다. (기존에는 놓쳤을 위험을 잡아냄)

이는 마치 옷장 정리를 할 때, "무조건 옷이 많으면 정리하기 힘들다"라고 생각하던 관념을 깨고, "옷의 종류와 사용 빈도"를 분석해서 진짜 정리해야 할 옷을 찾아내는 것과 같습니다.

🌟 결론: 개인 맞춤형 검진의 시작

이 연구의 핵심 메시지는 **"단순한 숫자나 한 장의 사진이 아니라, 입체적인 구조와 시간의 흐름을 함께 읽는 AI 가 우리의 건강을 더 잘 지켜줄 수 있다"**는 것입니다.

앞으로 이 기술이 실제 진료에 적용되면:

• 위험이 낮은 사람은 불필요한 추가 검사나 불안감에서 벗어날 수 있습니다.
• 위험이 높은 사람은 더 꼼꼼한 검진이나 예방 조치를 통해 생명을 구할 수 있습니다.

즉, 모두에게 똑같은 검진을 하는 시대에서, 각자의 상황에 딱 맞는 맞춤형 검진을 하는 시대로 나아가는 중요한 발걸음이 된 것입니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 현재의 한계: 기존의 유방암 위험 예측 모델 (Tyrer-Cuzick 등) 은 주로 인구통계학적, 임상적 요인에 의존하며, 유방 밀도 (Breast Density) 만을 영상 기반 특징으로 포함합니다. 이는 개인별 정밀한 위험 평가에 한계가 있습니다.
• 영상 기술의 변화: 미국을 중심으로 유방암 검진 표준이 2 차원 전신 디지털 유방촬영술 (FFDM) 에서 3 차원 디지털 유방 단층촬영 (DBT) 으로 빠르게 전환되고 있습니다. DBT 는 조직 중첩 효과를 줄이고 3 차원 구조적 정보를 제공하지만, 장기적인 유방암 위험 예측을 위한 AI 모델 개발은 아직 미흡한 상태입니다.
• 연구 목적: 기존 FFDM 기반 모델 (Mirai) 이나 임상적 모델보다 우수한 성능을 보이는, **종단적 (Longitudinal) DBT 영상과 임상 데이터를 통합한 딥러닝 기반 5 년 유방암 위험 예측 모델 (DRP)**을 개발하고 검증하는 것입니다.

2. 방법론 (Methodology)

데이터 수집 및 전처리

• 코호트: 2016 년 1 월부터 2020 년 8 월까지 Institute A 에서 촬영된 313,531 건의 DBT 영상 (161,165 명 여성) 을 분석했습니다.
• 데이터 분할: 환자 단위로 무작위 분할하여 학습 (267,485 건), 검증 (11,456 건), 독립 테스트 (34,580 건) 세트를 구성했습니다.
• 레이블링: 6 개월5 년 이내의 유방암 진단 여부를 기반으로 25 년 예측 위험을 정의했습니다.
• 전처리: Hologic Selenia Dimensions 시스템에서 촬영된 원본 3D DBT 볼륨 데이터를 사용하며, 배경 제거 및 고정 크기 (2166 × 1339 픽셀) 로 크롭하는 표준화된 파이프라인을 적용했습니다.

모델 아키텍처 (DRP Model)

• 구조: 계층적 Transformer 기반 딥러닝 프레임워크를 사용했습니다.
• 특징 추출:
  1. Slice-level: 사전 학습된 GMIC (글로벌 분류기), YOLOX 및 MogaNet (객체 탐지) 을 사용하여 각 슬라이스별 전역 컨텍스트 및 국소 병변 특징을 추출합니다.
  2. Exam-level: Transformer Encoder 를 사용하여 슬라이스별 특징을 통합하여 검사 (Exam) 단위의 표현을 생성합니다.
  3. Longitudinal Modeling: 인덱스 검사 (Index exam) 와 이전 10 건까지의 DBT 영상, 그리고 환자의 나이와 유방 밀도 (임상 변수) 를 결합합니다. 경량 2 층 Transformer 를 통해 **시간적 의존성 (Temporal dependencies)**을 모델링합니다.
• 출력: 생존 예측 헤드 (Survival prediction head) 를 통해 2~5 년 후의 유방암 발생 조건부 확률을 예측합니다.

비교 대상 모델

• Mirai: 단일 시점 FFDM 기반의 기존 딥러닝 위험 예측 모델.
• Tyrer-Cuzick (v8): 임상적 위험 요인 (가족력, 생식력 등) 을 기반으로 한 전통적 통계 모델.
• DRP (Single): 종단적 정보를 사용하지 않고 인덱스 검사만 사용하는 단순화된 DRP 모델.

평가 지표

• AUC (Area Under the Curve), 시간 의존성 일관성 지수 (C-index), 통합 Brier 점수 (IBS), 보정 곡선 (Calibration curve).

3. 주요 결과 (Key Results)

성능 비교 (독립 테스트 세트, n=34,580)

• DRP (종단적) vs DRP (단일 시점): 종단적 정보를 활용한 DRP 모델이 단일 시점 모델보다 유의하게 높은 성능을 보였습니다 (5 년 AUC: 0.720 vs 0.706, p < 0.001).
• DRP vs Mirai (FFDM 기반): DBT 기반 종단적 모델이 FFDM 기반 Mirai 모델보다 우월한 차별화 능력을 입증했습니다 (5 년 AUC: 0.720 vs 0.687, p < 0.001).
• DRP vs Tyrer-Cuzick (매칭 사례 - 대조군, n=432): 임상 모델 대비 DRP 모델의 성능이 크게 향상되었습니다 (5 년 AUC: 0.676 vs 0.567, p < 0.001).

위험 계층화 및 재분류 능력

• 고밀도 유방 (BI-RADS D): 모델은 고밀도 유방 여성의 **37.6% (705/1,877)**를 '평균 위험'으로 재분류했습니다. 이 그룹의 실제 5 년 암 발생률은 0.7% 로 매우 낮았습니다.
• 지방성 유방 (BI-RADS A): 모델은 지방성 유방 여성의 **15.5% (404/2,605)**를 '고위험'으로 식별했습니다. 이 그룹의 실제 5 년 암 발생률은 2.5% 로 높았습니다.
• 의의: 유방 밀도만으로는 설명되지 않는 이질적인 위험 요인을 AI 가 성공적으로 포착하여, 불필요한 추가 검사를 줄이고 고위험군을 선별할 수 있음을 보여줍니다.

하위 그룹 분석

• 연령, 유방 밀도, 인종, 가족력 등 모든 하위 그룹에서 일관된 성능을 보였으나, 아시아계 여성군에서는 상대적으로 성능이 낮아 추가 검증이 필요함을 시사했습니다.

4. 주요 기여 (Key Contributions)

1. 최초의 종단적 DBT 기반 위험 예측 모델: 단일 시점이 아닌, 과거 10 건의 DBT 영상을 포함한 시간적 흐름을 딥러닝으로 모델링하여 장기 위험 예측 정확도를 높였습니다.
2. 3D 영상 정보의 활용: 2D FFDM 기반 모델 (Mirai) 보다 3D DBT 의 볼륨 정보와 조직 구조적 특징이 위험 예측에 더 유용함을 입증했습니다.
3. 임상적 재분류의 실증: 유방 밀도 카테고리 내에서 AI 가 위험을 세분화하여, 고밀도 유방 여성의 불필요한 추가 검사를 줄이고 지방성 유방의 고위험군을 발견하는 구체적인 임상적 가치를 제시했습니다.

5. 의의 및 결론 (Significance)

• 개인 맞춤형 검진 전략: 이 연구는 DBT 기반 AI 가 임상적 모델 및 기존 2D 영상 AI 를 능가하는 정밀한 위험 평가를 가능하게 함을 보여줍니다.
• 동적 위험 평가: 종단적 데이터를 활용함으로써 유방 조직의 변화를 포착하여 더 정확한 미래 위험을 예측할 수 있습니다.
• 임상 적용 가능성: 향후 보편화된 DBT 검진 데이터를 기반으로 자동화된 위험 점수를 산출하여, 검진 간격 조정, 보조 영상 (MRI 등) 의 필요성 판단, 예방적 치료 전략 수립 등에 활용될 수 있습니다.
• 한계 및 향후 과제: 단일 기관 데이터 기반이므로 외부 검증이 필요하며, 유전 정보나 기타 임상 변수를 통합한 모델 고도화 및 전향적 임상 시험이 요구됩니다.

요약: 본 연구는 종단적 DBT 영상을 활용한 딥러닝 모델 (DRP) 이 기존 FFDM 기반 AI 및 임상 모델보다 5 년 유방암 위험 예측 정확도가 높음을 입증했습니다. 특히 유방 밀도라는 단일 지표의 한계를 넘어, 조직의 3 차원적 구조와 시간적 변화를 분석하여 개인별 정밀한 위험 계층화를 가능하게 함으로써 차세대 유방암 검진 전략의 핵심 기술로 자리매김할 잠재력을 가집니다.