CT-Based Habitat Radiomics and Deep Learning for Predicting Early Response and Survival in Unresectable Hepatocellular Carcinoma Treated with Hepatic Arterial Infusion Chemotherapy plus Lenvatinib and Programmed Death Receptor-1 Inhibitors
본 연구는 HAIC-FOLFOX를 lenvatinib 및 PD-1 억제제와 병용 투여받는 절제 불가능한 간세포암 환자를 대상으로, 조기 치료 반응 및 무진행 생존율을 정확하게 예측하기 위해 CT 기반 해바타 라디오믹스(habitat radiomics), 2.5D 딥러닝 특징량, 그리고 임상 지표를 통합한 비침습적 다차원 융합 모델을 개발하고 검증하였다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
간암, 특히 간세포암으로 알려진 유형은 모든 환자에게서 동일하게 나타나지 않기 때문에 매우 강력한 적수입니다. 심지어 두 사람이 같은 크기의 종양을 가지고 정확히 동일한 강력한 치료를 받더라도, 한 명은 암이 극적으로 줄어드는 반면 다른 한 명은 아무런 변화도 보이지 않을 수 있습니다. 이러한 예측 불가능성은 단일 종양이 균일한 조직 덩어리가 아니라, 서로 다른 세포 유형과 환경이 함께 밀집된 복잡한 경관이라는 사실에서 기인합니다. 의사들에게 있어 과제는 치료를 시작하기 전에 이 경관의 내부를 들여다보고, 어떤 환자가 특정 약물 조합에 반응할지, 그리고 어떤 환자가 그렇지 않을지를 예측할 방법을 찾는 것이었습니다. 목표는 추측에서 벗어나 정밀하고 개인화된 계획을 세움으로써, 일부 환자에게는 효과 없는 치료를 피하게 하고 다른 환자들에게는 즉시 필요한 도움을 받을 수 있도록 하는 것입니다.
이를 해결하기 위해 중국의 연구진은 새로운 종류의 디지털 지도를 만들기 위해 착수했습니다. 그들은 수술을 받을 수 없는 진행성 간암 환자라는 특정 그룹에 집중했습니다. 이 환자들은 간 동맥에 직접 전달되는 화학 요법 주입, 렌바티닙(lenvatinib)이라는 표적 알약, 그리고 면역 체계가 암과 싸우도록 돕는 면역 항암제라는 삼중 병용 요법으로 치료받았습니다. 이 조합은 유망한 성과를 보여주었지만, 연구진은 모든 사람이 혜택을 받는 것은 아니라는 점을 알고 있었습니다. 그들은 첫 번째 투여가 이루어지기 전에, 환자의 종양이 치료 후 눈에 띄게 줄어들지, 그리고 질병 진행 없이 얼마나 오랫동안 유지될지를 예측할 수 있는 도구를 구축하고자 했습니다.
연구팀은 두 곳의 서로 다른 병원에서 240명의 환자로부터 의료 영상을 수집했습니다. 이 영상들은 혈관과 종양을 뚜렷하게 드러내기 위해 조영제를 사용한 표준 CT 스캔이었습니다. 연구진은 종양을 하나의 단단한 물체로 보는 대신, '해비타트 이미징(habitat imaging)'이라 불리는 기술을 사용했습니다. 종양을 하나의 큰 건물이라기보다 거대한 다양성을 가진 도시라고 상상해 보십시오. 도시가 활기찬 구역, 조용한 구역, 혹은 낙후된 구역처럼 뚜렷한 동네를 가지고 있듯이, 종양 또한 고유한 특성을 가진 서로 다른 구역들을 가지고 있습니다. 연구진은 컴퓨터 알고리즘을 사용하여 CT 스캔의 미세한 픽셀들을 그 외형을 바탕으로 서로 다른 '동네'로 분류했습니다. 그들은 종양을 세 개의 특정 구역으로 나누었을 때 내부의 다양성을 가장 명확하게 보여준다는 것을 발견했습니다.
이러한 구역들이 식별된 후, 연구팀은 질감, 모양, 밝기 패턴과 같은 수천 가지의 미세한 세부 정보를 추출했습니다. 이를 '라디오믹스(radiomics)'라고 합니다. 그들은 종양 전체와 각각의 세 구역에 대해 이 작업을 수행했습니다. 동시에, 그들은 딥 러닝(deep learning)이라 불리는 인공지능 기술을 사용하여 영상을 스캔했습니다. 이 기술은 미리 정의된 패턴을 찾는 대신, 마치 아이가 많은 사례를 보며 얼굴을 인식하는 법을 배우듯, 영상을 직접 학습하여 복잡한 형태와 구조를 인식하는 방식으로 작동합니다. 연구진은 어떤 딥 러닝 아키텍처가 치료에 반응하는 종양의 미묘한 징후를 포착하는 데 가장 적합한지 확인하기 위해 여러 가지 모델을 테스트했습니다.
그 후 연구진은 이 모든 정보, 즉 서로 다른 종양 구역의 세부 정보, 인공지능이 학습한 패턴, 그리고 간 기능 검사와 같은 기본적인 임상 데이터를 결합하여 하나의 강력한 예측 모델을 만들었습니다. 연구팀은 세 그룹의 환자를 대상으로 이 모델을 테스트했습니다. 한 그룹은 모델을 구축하는 데 사용되었고, 두 번째 그룹은 내부 검증을 위해, 세 번째 그룹은 실제 현장에서 작동하는지 확인하기 위해 다른 병원의 환자들로 구성되었습니다. 결과는 놀라웠습니다. 결합된 모델은 치료 시작 단 몇 주 만에 환자의 종양이 눈에 띄게 줄어들지를 높은 정확도로 예측할 수 있었습니다. 두 번째 병원의 독립적인 환자 그룹에서, 이 모델은 반응군을 약 87%의 확률로 정확히 식별해 냈으며, 이는 단일 방법만을 사용했을 때보다 훨씬 뛰어난 성능이었습니다.
단순히 누가 반응할지를 예측하는 것을 넘어, 이 모델은 미래를 내다보는 창을 제공했습니다. 연구진은 모델이 반응할 가능성이 높다고 식별한 환자들이 그렇지 않다고 예측된 환자들에 비해 질병이 악화되지 않고 더 오래 생존한다는 것을 발견했습니다. 실제로 모델은 환자들을 고위험군과 저위험군으로 명확하게 구분해 냈습니다. 저위험군으로 예측된 환자들의 암 진행 없는 중앙 생존 기간은 14개월이었던 반면, 고위험군 환자들은 6.3개월에 불과했습니다. 이는 모델이 단순한 측정으로는 볼 수 없는 종양의 생물학적 근본을 포착하고 있음을 시사합니다.
이 연구는 왜 이 접근 방식이 그토록 잘 작동하는지를 밝혀냈습니다. 종양을 서로 다른 해비타트(habitat)로 나눔으로써, 모델은 약물에 대한 저항성이나 민감성을 유발하는 특정 구역을 볼 수 있었습니다. 인공지능은 인간의 눈이나 표준적인 측정법으로는 놓칠 수 있는 복잡한 시각적 패턴을 포착함으로써 또 다른 층위의 통찰을 더했습니다. 이 두 가지 강력한 방법이 단순한 임상 데이터와 융합되었을 때, 각각의 부분보다 훨씬 더 신뢰할 수 있는 도구가 만들어졌습니다. 연구진은 이 모델이 매우 유망하지만, 과거의 데이터를 기반으로 구축되었으므로 모든 환자에게 그 가치를 확증하기 위해서는 향후 더 큰 규모의 연구가 필요하다고 언급했습니다. 그러나 이 발견은 복잡한 간 종양의 내부를 들여다보고, 어떻게 하면 더 나은, 더 정보에 입각한 결정을 내릴 수 있는지에 대한 실질적인 진전을 보여줍니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.