Multimodal artificial intelligence for personalized hepatocellular carcinoma treatment strategy selection

간암 환자에게 있어 암 치료는 단순히 두 갈래 길 중 하나를 선택하는 문제가 아닙니다. 간암 환자의 경우, 종양의 크기와 위치를 환자의 간 기능, 전반적인 건강 상태, 심지어 개인적인 상황과 함께 저울질하며 어떻게 진행할지를 결정해야 합니다. 의사들은 혈액 검사 수치부터 의무 기록에 적힌 서술형 노트에 이르기까지 방대한 양의 정보를 종합하여, 수술, 표적 약물, 또는 국소 열 치료 중 무엇이 회복을 위한 최선의 기회를 제공할지 결정해야 합니다. 이 과정은 복잡하며, 의사가 이 모든 이질적인 사실들을 한꺼번에 머릿속에 담아두고 적절한 행동 방침을 찾아내는 경험에 크게 의존합니다.

연구자들은 오랫동안 이러한 의사결정을 도울 수 있는 컴퓨터 프로그램을 구축하려고 노력해 왔습니다. 그러나 기존의 대부분의 도구들은 연령, 실험실 결과, 또는 종양 측정값과 같은 구조화된 데이터만을 살펴볼 뿐, 의사의 노트나 영상 보고서에 담긴 풍부하고 묘사적인 텍스트는 무시합니다. 중국 우시에 위치한 한 팀의 새로운 연구는 환자의 파일에 담긴 숫자와 단어를 모두 읽고 이해하는 컴퓨터 모델을 개발함으로써 이 격차를 해결합니다. 연구진은 이 서로 다른 유형의 정보를 결합하여 환자가 받을 가능성이 가장 높은 5가지 일반적인 치료법을 예측하는 시스템을 개발했으며, 이는 선택 과정을 더 객ules적이고 포괄적으로 만드는 것을 목표로 합니다.

연구팀은 가장 흔한 원발성 간암의 일종인 간세포암에 집중했습니다. 그들은 모델을 구축하기 위해 2017년부터 2023년 사이에 우시 인민 병원에서 치료받은 1,043명의 환자 데이터를 수집했으며, 이 모델이 새로운 환경에서도 유효한지 확인하기 위해 2025년의 별도 환자 그룹 55명을 대상으로 테스트했습니다. 컴퓨터 시스템은 네 가지 주요 정보 범주를 살펴보도록 설계되었습니다: 연령 및 성별과 같은 기본 인구 통계, 간 효소 수치와 같은 실험실 결과, 과거 질병을 포함한 환자의 병력, 그리고 스캔 결과가 무엇을 보여주는지 설명하는 영상 보고서의 상세한 텍스트입니다. 결정적으로, 모델은 단순히 키워드를 스캔하는 데 그치지 않고, 의료 서사의 비구조화된 텍st를 컴퓨터가 수치와 함께 분석할 수 있는 형식으로 변환하는 정교한 방법을 사용했습니다.

시스템을 학습시키기 위해 연구진은 첫 번째 환자 그룹의 데이터와 각 환자가 실제로 받은 치료법을 함께 입력했습니다. 목표는 컴퓨터가 특정 치료법을 선택하게 만든 패턴을 학습하는 것이었습니다. 모델은 다섯 가지 옵션 중 하나를 결정해야 했습니다: 개복 수술을 통한 종양 제거, 최소 침습적 복강경 접근법을 통한 종양 제거, 고주파 절제술을 이용한 종양 소작, 경동맥 화학 색전술(TACE)을 통한 혈류 차단, 또는 화학 요법 시행입니다. 연구진은 자신들의 새로운 시스템을 여러 잘 알려진 머신 러닝 방법들과 비교하여 어떤 것이 가장 성능이 좋은지 확인했습니다.

결과는 연구진이 ET-Emb라고 부르는 새로운 모델이 다른 방법들보다 더 정확하다는 것을 보여주었습니다. 초기 환자 그룹에서 이 시스템은 0.84의 AUC로 치료 경로를 정확히 예측했으며, 55명의 새로운 환자 그룹을 대상으로 테스트했을 때도 0.77의 강력한 성능을 유지했습니다. 이러한 일관성은 이 모델이 효과를 잃지 않으면서도 실제 의료 데이터의 복잡성을 처리할 수 있음을 시사합니다. 또한 연구는 텍스트 기반 정보가 단순히 부수적인 추가 사항이 아니라 모델의 성공에 중요한 역할을 했다는 점을 밝혀냈습니다. 연구진이 어떤 요인이 의사결정을 주도했는지 분석했을 때, 의료 기록의 서술적 묘사와 고용 상태와 같은 사회경제적 세부 사항이 중요한 예측 인자라는 것을 발견했습니다.

이 발견은 임상 수치만이 치료 선택에 중요하다는 관념에 도전합니다. 모델의 분석에 따르면, 환자의 직업 상태나 환자의 상태에 대한 의사의 노트 속 특정 표현들이 최종 치료 선택에 미묘하게 영향을 미쳤으며, 이는 인간 의사가 환자라는 전체를 고려하는 정교한 방식과 닮아 있습니다. 예를 들어, 시스템은 특정 혈액형과 고혈압 또는 당뇨와 같은 질환의 존재가 특정 치료 권고와 연결되어 있음을 식선별했는데, 이는 알려진 의료적 위험 요소들과 일치합니다. 텍스트 데이터의 포함은 순수하게 수치적인 모델이 놓치기 쉬운 이러한 미묘한 차이를 포착할 수 있게 해주었습니다.

연구진은 자신들의 연구에 한계가 있음을 인정합니다. 모델은 단일 병원의 데이터로 학습되었으며, 엄격한 가이드라인보다는 지역적 관행이나 환자의 선호도에 따른 변동이 포함될 수 있는 의사들의 실제 결정을 학습했습니다. 또한, 이 연구는 환자가 치료 후 얼마나 오래 생존했는지는 추적하지 않았으므로, 모델은 치료법의 선택을 예측하는 것이지 반드시 장기 생존 결과를 예측하는 것은 아닙니다. 그럼에도 불구하고, 이 연구는 표준 임상 데이터와 함께 의료 서사를 결입하는 것이 치료 결정을 이해하는 데 더 강력한 도구를 만든다는 것을 입증합니다. 서로 다른 형태의 정보를 성공적으로 통합함으로써, 이 모델은 간암 치료에 수반되는 어려운 선택들을 헤쳐 나가는 데 필요한 복잡하고 인간적인 추론 과정을 시뮬레이션하는 방법을 제시합니다.