A Transformer-Based 2.5D Deep Learning Model for Preoperative Prediction of Lymph Node Metastasis in Papillary Thyroid Carcinoma

이 연구는 다기관 코호트에서 전자기적 CT 이미지를 기반으로 트랜스포머 아키텍처를 활용한 2.5D 딥러닝 모델 (ThyLNT) 을 개발하여 유두상 갑상선암의 림프절 전이를 정확히 예측하고, 이를 유전체 및 대사체 분석을 통해 종양 미세환경의 혈관생성과 상피 - 간엽 이행 등 생물학적 기전과 연결하여 불필요한 림프절 절제술을 획기적으로 줄일 수 있음을 입증했습니다.

핵심

🏥 문제 상황: "보이지 않는 적을 찾아야 하는 난감한 상황"

갑상선암 (유두암) 은 한국에서 가장 흔한 암 중 하나입니다. 이 암은 목의 림프절로 퍼져나갈 수 있는데, 이를 '림프절 전이'라고 합니다.

• 현실의 어려움: 의사는 수술 전에 초음파나 CT 를 찍어 림프절에 암이 퍼졌는지 확인합니다. 하지만 암이 아주 작거나, 주변 조직과 비슷하게 생겼을 때는 눈으로 구별하기 매우 어렵습니다.
• 결과: "아마도 전이가 안 됐을 거야"라고 생각했는데, 막상 수술해 보니 암이 퍼져있어서 수술 범위를 더 넓혀야 하는 경우가 많습니다. 반대로, "전이가 됐을지도 몰라"라고 너무 걱정해서 실제로는 필요 없는 릿프절을 잘라내는 불필요한 수술을 하는 경우도 생깁니다. (이걸 '과잉 치료'라고 합니다.)

🤖 해결책: "2.5D Transformer 모델 (ThyLNT)"

연구팀은 이 문제를 해결하기 위해 CT 영상으로 암의 전이를 미리 예측하는 AI를 만들었습니다. 이 AI 의 이름은 ThyLNT입니다.

1. "2.5D"란 무엇일까요? (책장 비유)

기존의 AI 는 CT 영상을 볼 때, 마치 책 한 장을 떼어내서 그 한 장만 보고 판단하는 방식 (2D) 을 썼습니다. 하지만 암은 책 한 장이 아니라 **책 전체 (3D)**에 걸쳐 있는 존재입니다.

• 3D 방식: 책 전체를 통째로 분석하려니 컴퓨터가 너무 무겁고 비쌉니다.
• ThyLNT 의 2.5D 방식: 책의 핵심 장 (중앙) 과 그 앞뒤 장 (주변) 을 함께 보며 맥락을 파악합니다. 마치 책을 읽을 때 "이 장의 내용만 보면 모르겠지만, 앞뒤 장을 함께 보면 이야기가 완전히 달라진다"는 것을 아는 것과 같습니다.

2. "Transformer"란 무엇일까요? (지혜로운 팀장 비유)

이 AI 는 단순히 7 장의 CT 이미지를 나열해서 평균을 내는 게 아닙니다. Transformer라는 기술을 썼는데, 이는 마치 훌륭한 팀장과 같습니다.

• 기존 방식 (MIL 등): 일곱 명의 직원이 각자 보고서를 내면, 팀장이 "좋아, 다 합쳐서 평균 점수 내자"라고 합니다. (각 직원의 보고서는 서로 독립적이라고 가정)
• ThyLNT 의 방식: 팀장 (Transformer) 이 일곱 직원의 보고서를 상호 연결해서 봅니다. "A 직원의 보고서에서 발견된 작은 신호는 B 직원의 보고서에서 더 명확하게 나타난다"는 식으로 정보를 서로 연결하고 보완합니다. 이렇게 하면 암이 퍼진 흔적을 훨씬 더 정확하게 찾아낼 수 있습니다.

📊 성과: "의사보다 정확한 AI"

이 AI 를 6 개 병원, 1,500 명 이상의 환자 데이터로 시험해 봤습니다.

• 정확도: 기존 초음파나 CT 만 보는 것보다, 이 AI 가 예측한 결과가 훨씬 정확했습니다.
• 효과: 특히 "림프절 전이가 안 된 것 같아 (cN0)"라고 판단된 환자들 중에서, 불필요하게 릿프절을 잘라내야 했던 환자를 52% 에서 5% 로 대폭 줄일 수 있다는 시뮬레이션 결과가 나왔습니다.
  • 비유: "이 집에는 도둑이 없으니 문만 잠그면 돼"라고 확신할 수 있게 되어, 굳이 집 전체를 해체해서 수색할 필요가 없어진 것입니다.

🔬 비밀스러운 연결: "왜 AI 가 그걸 알았을까?" (생물학적 검증)

사람들은 "AI 가 왜 그렇게 판단했는지 모르겠는데, 그냥 믿자"라고 하기보다 "이유가 있을까?"라고 궁금해합니다. 연구팀은 AI 가 본 CT 영상의 특징이 실제 세포와 유전자 수준에서 어떤 의미인지 분석했습니다.

• VEGFA 라는 유전자: AI 가 "전염 위험이 높다"고 판단한 환자들에서, VEGFA라는 유전자가 활발하게 작동하고 있었습니다. 이 유전자는 암세포가 혈관을 타고 퍼지도록 돕는 '다리' 역할을 합니다.
• 지방 대사: 암세포가 전이될 때는 에너지를 얻기 위해 지방 대사를 엄청나게 재편성합니다. AI 는 CT 영상에서 암세포가 이렇게 '지방을 많이 먹어서 변한' 미세한 질감 변화를 포착한 것입니다.

결론적으로: AI 는 단순히 그림을 보고 "저게 암 같아"라고 말하는 게 아니라, 암세포가 혈관을 타고 퍼지고, 지방을 먹으며 변하는 생물학적 과정을 영상에서 읽어내고 있었던 것입니다.

💡 요약: 이 연구가 우리에게 주는 메시지

1. 불필요한 수술을 줄입니다: "전염이 안 됐을 것 같다"고 확신할 수 있게 되어, 불필요하게 릿프절을 잘라내는 고통과 합병증 위험을 줄여줍니다.
2. AI 는 의사의 '조력자'입니다: AI 가 모든 것을 대체하는 게 아니라, 의사가 더 정확한 판단을 내릴 수 있도록 도와주는 '초고성능 보조 도구'입니다.
3. 미래의 치료: 이제부터는 CT 영상 하나만으로도 암의 숨겨진 성질 (유전자, 대사 상태) 을 예측할 수 있는 시대가 왔습니다.

이 연구는 **"컴퓨터가 눈으로 보는 것보다 더 깊은 곳 (세포의 숨겨진 신호) 을 볼 수 있다"**는 것을 증명하며, 갑상선암 수술의 정밀함을 한 단계 업그레이드할 수 있는 가능성을 보여줍니다.

기술 요약

논문 요약: 파울리 갑상선암 (PTC) 의 림프절 전이 예측을 위한 Transformer 기반 2.5D 딥러닝 모델 (ThyLNT)

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 파울리 갑상선암 (PTC) 은 갑상선 악성 종양 중 가장 흔하며, 진단 시 30~80% 의 환자가 경부 림프절 전이 (LNM) 를 보입니다. 특히 임상적으로 림프절 전이가 없는 것으로 보이는 (cN0) 환자에서 전이를 정확히 예측하는 것은 수술 범위 결정 (림프절 절제술 여부) 에 있어 핵심적인 과제입니다.
• 문제점:
  • 현재 1 차 진단 도구인 초음파 (US) 와 CT 는 의사의 경험에 의존하며, 미세 전이나 비정형적인 형태, 해부학적 구조에 의한 가림 등으로 인해 전이를 놓치는 (false negative) 경우가 많습니다.
  • 기존 딥러닝 기반 영상 분석은 주로 2D 슬라이스 기반 (가장 큰 단면만 선택) 이거나, 3D 볼륨 데이터를 직접 처리하여 계산 비용이 높고 과적합 (overfitting) 위험이 큰 문제가 있었습니다.
  • 2.5D 방식 (인접 슬라이스 활용) 은 유망하지만, 여러 슬라이스 간의 공간적 연속성과 의존성을 효과적으로 통합하는 방법론 (단순 평균, MIL 등) 의 한계가 있었습니다.

2. 방법론 (Methodology)

• 데이터셋: 6 개 병원 (동제병원 등) 에서 2015 년 1 월부터 2025 년 12 월까지 수집된 총 1,560 명의 PTC 환자 데이터를 후향적으로 분석했습니다.
  • 내부: 동제병원 (TJH) 데이터를 학습 (70%) 과 내부 검증 (30%) 세트로 분할.
  • 외부: 5 개 기관 (TMUGH, XIMC, HBCH, NCMU, SYSUTH) 을 독립적인 외부 검증 코호트로 사용.
• 이미지 전처리 및 2.5D 데이터 구성:
  • CT 영상에서 종양 부위 (ROI) 를 세그먼트화했습니다.
  • 각 병변의 최대 단면을 중심으로 위/아래 인접 슬라이스 (±1, ±2, ±4 슬라이스) 를 포함하여 총 7 개의 2D 슬라이스를 추출하는 2.5D 전략을 채택했습니다.
• 모델 아키텍처 (ThyLNT):
  • Backbone: DenseNet201 을 사용하여 각 슬라이스로부터 고차원 특징 (feature) 을 추출했습니다.
  • Feature Fusion: 추출된 슬라이스별 특징을 통합하기 위해 Transformer 아키텍처를 적용했습니다. 자기 주의 (Self-attention) 메커니즘을 통해 슬라이스 간의 장기 의존성 (long-range dependency) 과 상호 보완적 관계를 모델링하여 환자 수준의 예측을 수행했습니다.
  • 비교 모델: 앙상블 학습, 다중 인스턴스 학습 (MIL), 전통적인 방사선학적 특징 (Radiomics) 기반 모델과 비교 평가했습니다.
• 다중 오믹스 (Multi-omics) 분석:
  • 모델 예측의 생물학적 타당성을 검증하기 위해 Bulk RNA-seq, 단일 세포 RNA-seq (scRNA-seq), 공간 전사체학 (Spatial Transcriptomics), 공간 대사체학 (Spatial Metabolomics) 분석을 수행했습니다.

3. 주요 기여 (Key Contributions)

1. 2.5D Transformer Fusion 전략의 도입: 슬라이스 간의 공간적 연속성을 고려하여 Transformer 기반 특징 융합을 적용함으로써, 기존 2D 모델이나 단순 통합 방식보다 우수한 성능을 입증했습니다.
2. 다기관 외부 검증: 6 개 기관의 데이터를 활용하여 모델의 일반화 능력 (Generalizability) 을 강력하게 입증했습니다.
3. 화학적/생물학적 해석 가능성 (Interpretability):
   • 모델이 학습한 영상 특징이 실제 분자 생물학적 기전 (VEGFA 유전자, 혈관 생성, 상피 - 간엽 전이 등) 과 어떻게 연관되는지 다중 오믹스 분석을 통해 규명했습니다.
   • "Black-box"인 딥러닝 모델의 예측이 생물학적으로 유의미한 신호를 포착하고 있음을 입증했습니다.
4. 임상적 의사결정 지원: cN0 환자군에서 불필요한 예방적 림프절 절제술 (LND) 을 줄일 수 있는 시뮬레이션을 통해 임상적 유용성을 제시했습니다.

4. 결과 (Results)

• 성능 평가:
  • 내부 검증: ThyLNT 는 학습 코호트에서 AUC 0.882, 내부 검증 코호트에서 AUC 0.787을 기록했습니다.
  • 외부 검증: 5 개 외부 코호트에서 AUC 가 0.772~0.827 범위로 일관된 성능을 보였습니다.
  • 비교: ThyLNT 는 방사선학적 특징 (Radiomics), 앙상블, MIL 모델, 그리고 기존 US/CT 영상 판독보다 통계적으로 유의미하게 높은 성능을 보였습니다 (모든 P < 0.001).
• 임상적 영향 (cN0 환자):
  • cN0 환자에서 ThyLNT 를 기반으로 한 의사결정 시, 불필요한 림프절 절제술 (LND) 비율이 52.16% 에서 4.88% 로 대폭 감소할 것으로 시뮬레이션되었습니다. 이는 과도한 수술과 합병증 위험을 줄일 수 있음을 의미합니다.
• 생물학적 기전 규명:
  • VEGFA: 모델 예측 점수와 가장 강하게 상관관계가 있는 유전자는 VEGFA로 확인되었습니다.
  • 단일 세포 및 공간 분석: VEGFA 는 림프절 전이 세포에서 발현이 증가하며, 갑상선 세포 (Thyrocytes) 와 내피 세포 (Endothelial cells) 간의 신호 전달에 관여하는 것으로 나타났습니다.
  • 대사체학: 전이 조직에서 지질 대사 (Lipid metabolism) 재프로그래밍이 관찰되었으며, 이는 전이 미세환경 형성과 연관되었습니다.

5. 의의 및 결론 (Significance)

• 임상적 가치: 본 연구는 PTC 환자의 림프절 전이를 수술 전에 정확히 예측하여, 불필요한 수술을 피하고 환자에게 맞춤형 치료 전략을 제공할 수 있는 강력한 도구 (ThyLNT) 를 제시했습니다.
• 기술적 혁신: 2.5D 영상 처리와 Transformer 아키텍처의 결합은 의료 영상 분석에서 공간적 맥락을 효과적으로 활용하는 새로운 패러다임을 제시했습니다.
• 생물학적 통찰: AI 모델의 예측이 단순한 통계적 패턴이 아니라, 실제 종양 미세환경의 분자적, 대사적 변화 (VEGFA 경로, 지질 대사 등) 를 반영하고 있음을 규명하여 AI 와 의학의 융합 연구에 중요한 기초를 마련했습니다.

이 모델은 향후 PTC 수술 계획 수립 시 의사결정 지원 시스템으로 활용될 수 있으며, 특히 cN0 환자에서의 과도한 치료 (overtreatment) 를 줄이는 데 기여할 것으로 기대됩니다.