Multimodal B-Mode and Contrast-Enhanced Ultrasound Radiomics With Two-Stage Supervised Contrastive Representation Learning for Differentiating Benign and Malignant Breast Lesions

기술 요약: 2단계 지도형 대조 표현 학습을 이용한 다중 모달 B-모드 및 조영 증강 초음파 라디오믹스

문제 정의
양성 및 악성 유방 병변을 정확하게 구별하는 것은 여전히 중요한 임상적 과제이다. B-모드 초음파(BUS)는 일상적인 1차 검사이지만, 형태적 특징(모양, 경계, 에코 발생도)에 대한 시각적 평가에 의존하기 때문에 진단 정확도가 제한적이며, 이는 불필요한 생검이나 악성 병변의 간과로 이어질 수 있다. 조영 증강 초음파(CEUS)는 병변의 미세혈관 관류 및 증강 패턴에 관한 보완적인 정보를 제공하지만, BUS 데이터와 효과적으로 통합되지 못하는 경우가 많다. 기존의 라디오믹스 접근 방식은 여러 모달리티의 특징을 하나의 고차원 풀(pool)로 결합하는 경우가 많은데, 이는 모달리티별 분포를 흐리게 만들고 BUS와 CEUS 신호 사이의 일치 또는 차이를 명시적으로 학습하는 데 실패할 수 있다. 본 연구는 단순한 특징 풀로 축소하지 않고도 상호 보완적인 BUS 및 CEous 라디오믹스 특징을 효과적으로 융합하여 양성-악성 판별력을 향상시키고자 하는 필요성을 다룬다.

연구 방법
본 단일 센터 후향적 연구는 병리학적으로 확진된 유방 병변(양성 310례, 악성 176례)을 대상으로 하며, 대상자들은 모두 BUS와 CEUS를 모두 시행하였다. 워크플로우는 숙련된 영상의학 전문의에 의한 관심 영역(ROI)의 수동 3D 분할을 거친 후, PyRadiomics를 사용하여 라디오믹스 특징을 추출하였다. 재현성이 높은(내적 상관 계수 ICC > 0.75) 특징만을 유지하였다.

본 연구의 핵심은 다음과 같은 6가지 모델을 개발하고 비교하는 것이었다:

1. 기존 라디오믹스 모델: BUS 전용, CEUS 전용, 그리고 결합된 BUS+CEUS 특징을 학습한 서포트 벡터 머신(SVM) 분류기.
2. 신경망 융합: 결합된 특징을 학습하여 비선형 관계를 파악하는 다층 퍼셉트론(BUS+CEUS-MLP).
3. Radiomics-TSMCR (주요 모델): 2단계 지도형 다중 모달 대조 표현 학습(TSMCR)을 라디오믹스 기반으로 적응시킨 모델이다. 이 아키텍처는 다음을 특징으로 한다:
   • 1단계: BUS와 CEUS 특징을 별도의 잠재 표현(latent representation)으로 변환하는 모달리티별 인코더를 통해, 직접적인 특징 결합 없이도 각기 다른 분포(형태학 vs 관류)를 보존한다. 배치 단위의 지도형 교차 모달 대조 목적 함수를 사용하여 병리 레이블을 바탕으로 동일 클래스의 표현은 정렬하고 서로 다른 클래스는 분리한다.
   • 2단계: 공유 인코더가 더 높은 수준의 교차 모달 특징을 학습한다. 두 단계의 표현은 다층 벡터로 결합되며, 딥 서포트 벡터 머신(DSVM)에서 영감을 얻은 마진 기반 분류기를 사용하여 분류된다.
4. ResNet18-TSMCR: 핸드크래프트(handcrafted) 라디오믹스와의 성능을 탐색적 벤치마크로서 비교하기 위해, 동일한 TSMCR 프레임워크 내에서 쌍을 이룬 BUS 및 CEUS 이미지 패치(128x128)를 두 개의 ResNet18 브랜치를 통해 처리하는 이미지 수준의 비교 모델이다.

모델 성능은 AUC(ROC 곡선 아래 면적), DeLong 테스트, 교정 곡선(calibration curves), Hosmer-Lemeshow 테스트, 결정 곡선 분석(DCA), 그리고 해석 가능성을 위한 SHAP(SHapley Additive exPlanations)를 통해 평가되었다. 주요 모델에는 사후 교정으로서 Platt scaling과 isotonic regression이 적용되었다.

주요 결과

• 성능: Radiomics-TSMCR 모델은 0.896(95% CI, 0.838–0.945)의 가장 높은 내부 검증 AUC를 달est했다. 이는 BUS-SVM(0.833), CEUS-SVM(0.815), BUS+CEUS-SVM(0.825), BUS+CEUS-MLP(0.863)보다 통계적으로 유의하게 높았다 (모두 P < 0.05).
• 이미지 수준 학습과의 비교: Radiomics-TSMCR은 이미지 수준의 ResNet18-TSMCR 모델(AUC 0.892)과 대등한 성능을 보였으며, 통계적 차이는 없었다 (P = 0.9102).
• 교정(Calibration): 모델은 강력한 변별력을 보여주었으나, 원시 출력값은 Hosmer-Lemeshow 테스트에서 유의미한 적합도 부족을 나타냈다. Isotonic regression은 Platt scaling에 비해 교정 지표(기대 교정 오차, Brier score, Log loss)를 개선하였으나, Hosmer-Lemeshow 테스트는 여전히 유의미하게 나타났다. 이는 본 모델이 완전한 확률 추정기보다는 위험 순위 지정 도구로서 기능함에 적합함을 시사한다.
• 해석 가능성: SHAP 분석 결과, 두 모달리티의 기여도가 균형 있게 나타났다(BUS 특징 54.95%, CEUS 특징 45.05%). 주요 특징으로는 웨이브렛 질감(wavelet texture), 모양, 회색조 의존성(gray-level dependence) 정보가 포함되어 형태학적 데이터와 증강 이질성 데이터의 통합을 확인시켜 주었다.

의의 및 주장
본 논문은 다중 모달 Radiomics-TSMCR 모델이 내부 검증 환경에서 양성 및 악성 유방 병변을 구별하는 데 우수한 성능을 보인다고 주장한다. 이 연구의 주요 의의는 2단계 지도형 대조 학습 프레임워크를 라디오믹스 데이터에 성공적으로 적용했다는 점에 있다. 저자들은 이 접근 방식이 병리에 의해 유도된 공유 표현을 학습하면서도 모달리티별 분포를 보존함으로써, 기존의 단순 결합 방식(SVM, MLP)보다 효과적으로 BUS와 CEUS 정보를 융합한다고 상정한다.

핸드크래프트 라디오믹스 모델(Radiomics-TSMCR)과 이미지 수준 딥러닝 모델(ResNet18-TSMCR) 간의 대등한 성능은 TSMCR 전략이 특징 기반 표현과 이미지 기반 표현 모두에 적용 가능하다는 것을 시사한다. 또한, 균형 잡힌 SHAP 기여도는 BUS와 CEUS가 상호 보완적인 진단 정보를 제공한다는 전제를 뒷받침한다. 저자들은 본 모델이 강력한 변별력을 갖추고 있음에도 불구하고, 외부 검증의 부재와 불완전한 교정이라는 한계가 있으므로, 절대적 확률 추정기로서의 임상 배치를 위해서는 향-전향적 다기관 검증이 필요하며, 현재로서는 위험 순위 지정 도구로 간주되어야 한다고 결론짓는다.