Developing Multimodal Artificial Intelligence-Based Tool for Enhancing Clinical Decision- Making in Personalised Prostate Cancer Treatment

기술 요약: 개인 맞춤형 전립선암 치료를 위한 다중 모달 AI 기반 도구

문제 정의
전립선암(PCa)은 특히 아시아에서 발생률이 증가하고 있는 주요 악성 종양입니다. 현재의 임상 의사결정은 주로 병기(staging)와 전립선 특이 항원(PSA) 수치에 크게 의존하며, 이는 종종 최적화되지 않은 결과와 치료 선택의 높은 가변성을 초래합니다. 가이드라인(예: NCCN)이 존재함에도 불구하고, 임상 이력, 유전체학, 영상 의학, 종단적 실험실 추세를 포괄하는 복잡하고 이질적인 데이터를 하나의 응집된 개인 맞별 치료 전략으로 통합하는 것은 여전히 과제로 남아 있습니다. 기존의 AI 도구들은 실제 임상 적용성이 부족하거나, 정밀 종양학을 지원하기 위해 다중 모달 데이터를 효과적으로 통합하지 못하는 경우가 많습니다

방법론
본 회고적 코호트 연구(2018–2024)는 브루나이 암 센터(TBCC)의 전립선암 환자 212명을 대상으로 진행되었으며, 478개의 종단적 관측치를 생성하였습니다. 본 연구는 TRIPOD-AI 체크리스트를 준수하였으며, 다음과 같은 종합적인 다중 모달 AI 프레임워크를 채택하였습니다:

1. 데이터 통합 및 전처리:

   • 데이터 소스: 인구통계학적 특성, 임상 이력, 유전체 프로파일(NGS), 치료 기록, 160개의 전신 PSMA PET/CT 스캔(PNG 형식)을 포함한 82개의 변수를 통합하였습니다.
   • 전처리: 정적 및 종단적 변수의 결측치는 Extremely Randomized Trees 기반의 반복적 방법을 사용하여 보간하였습니다. 범주형 변수는 인코딩되었으며, 연속형 변수는 정규화되었습니다.
   • 종단적 구조화: 환자 데이터를 시간 순서에 따른 시퀀스로 구성하여 시간적 역동성을 포착하였습니다.

2. 비지도 학습:

   • 사전 정의된 결과 없이 잠재적 구조와 자연스러운 환자 그룹화를 탐색하기 위해 적용되었습니다. DTWI-HAC와 같은 시간 독립적 및 시간 의존적 클러스터링 기법을 포함하였습니다. 결과는 코호트의 내재적 유사성을 반영하여 제한적인 분리를 보였으나, 동질적인 구조를 나타냈으며, 이는 작은 샘플 크기로 인한 클러스터링의 어려움을 강조하였습니다.

3. 지도 학습 (정형 데이터):

   • 표현 학습(Representation Learning): 실험실 및 치료 궤적의 시간적 패턴을 모델링하기 위해 GRU(Gated Recurrent Units) 기반의 순환 오토인코더(recurrent autoencoder)를 학습시켰습니다.
   • 클래스 불균형 해소: 시간적 구조를 왜곡하지 않으면서 클래스 불균형을 해결하기 위해 학습 임베딩에만 SMOTE(Synthetic Minority Oversampling Technique)를 적용하였습니다.
   • 모델 아키텍처: 고전적 모델(Logistic Regression, KNN, SVM, Random Forest, XGBoost, LightGBM, CatBoost)과 딥러닝 아키텍처(BiLSTM, Temporal Convolutional Networks, Transformers)를 평가하였습니다.
   • 하이브리드 접근 방식: LSTM 인코더(시간적 요약용)와 Random Forest 분류기(비선형 결정 경계용)를 결합한 새로운 하이브리드 모델을 구축하였습니다.

4. 영상 분석:

   • PSMA PET/CT 스캔 영상을 처리하기 위해 단순 합성곱 신경망(Simple CNN)을 개발하였습니다.

5. 다중 모달 후기 단계 융합(Multimodal Late-Stage Fusion):

   • 가장 성능이 우수한 정형 데이터 모델(LSTM + Random Forest)과 CNN 영상 모델을 의사결정 수준 융합(decision-level fusion)을 통해 통합하였습니다.
   • 가중 평균(Weighted averaging), 다수결 투표(Majority voting), 스태킹(Stacking, 메타 학습기) 전략을 비교하였습니다.

6. 해석 가능성:

   • SHAP(SHapley Additive exPlanations) 값을 사용하여 전역적 특징 중요도를 시각화하고, 최적 모델에 대한 환자 수준의 설명을 제공하였습니다.

주요 결과

• 비지도 학습: 모델이 뚜렷하고 임상적으로 유용한 클러스터를 형성하는 데 실패하였으며, 하나의 큰 클러스터가 지배적이었습니다. 이는 작은 샘플 크기와 높은 특징 상관관계 때문인 것으로 보입니다.
• 지도 학습 정형 모델:
  • 하이브리드 LSTM–Random Forest 아키텍처가 다른 모델보다 우수한 성능을 보였으며, 전체 AUC 0.749, 정확도 0.418, 민감도 32%, 특이도 **83%**를 달-성하였습니다.
  • 성능은 치료 범주에 따라 차이가 있었습니다. 모델은 능동적 감시(Active Surveillance, AUC=0.92) 및 ARPI 기반 병용 요법(AUC=0.92)에 대해서는 강력한 변별력을 보였으나, ADT 단독 요법(AUC=0.51)에 대해서는 낮은 성능을 보였는데, 이는 해당 결정 공간에서의 임상적 모호성을 반영합니다.
  • 전통적인 모델(예: Logistic Regression, SVM)은 무작위 분류 수준에 가까운 성능을 보였습니다.
• 다중 모달 융합:
  • 후기 단계 융합이 변별 능력을 유의미하게 향상시켰습니다.
  • 스태킹(메타 학습기) 융합 모델이 가장 높은 전체 AUC인 0.971과 균형 잡힌 민감도(0.429)를 달성하였습니다.
  • 가중 평균 또한 매우 높은 특이도(0.929)와 함께 개선된 AUC(0.964)를 보여 보수적인 대안을 제시하였습니다.
• 해석 가능성: SHAP 분석 결과 PSA 관련 지표(평균 PSA, 치료 후 변화), 헤모글로빈, 인산염 및 염증 마커가 주요 동인임을 확인하였습니다. 종양 병기 및 위험군은 확립된 가이드라인과 일치하는 핵심 정적 예측 인자로 확인되었습니다.

의의 및 주장
본 논문은 다중 모달 AI 기반 임상 의사결정 지원 시스템(AI-CDSS) 개발이 브루나이의 개인 맞춤형 전립선암 치료를 강화하기 위한 유망한 전략임을 주장합니다. 주요 기여는 다음과 같습니다:

• 시간적 모델링: 횡단적 모델이 놓칠 수 있는 진화하는 바이오마커(예: PSA 궤적)를 포착하기 위해 종단적 성격(LSTM 오토인코더를 통한)을 모델링하는 것이 필수적임을 입증하였습니다.
• 다중 모달 시너지: 순차적 임상 데이터와 영상 특징(PSMA PET/CT)의 후기 단계 융합이 단일 모달 접근 방식보다 변별력을 유의미하게 높인다는 것을 보여주었습니다.
• 설명 가능성: 모델 출력을 특정 환자 특성 및 바이오마커와 연결함으로써 임상적 해석력을 지원하는 SHAP을 통한 투명한 의사결정 프레임워크를 제공하였습니다.
• 지원 도구로서의 역할: 저자들은 이 모델들을 임상의의 판단을 대체하는 것이 아닌 의사결정 지원 도구로 겸허히 위치시켰습니다. 저자들은 모델이 유망하지만, 작은 샘플 크기, 낮은 민감도, 후기 단계 융합 모델의 잠재적 과적합 문제를 해결하기 위해 더 큰 규모의 다기관 전향적 연구를 통한 추가 검증이 필요함을 강조하였습니다.

본 연구는 현재의 한계점에도 불구하고, 종단적 표현 학습과 다중 모달 융합의 통합이 견고한 외부 검증과 임상 구현이 뒷받침된다면 개인 맞춤형 종양학 케어를 최적화할 수 있는 실행 가능한 경로임을 결론짓습니다.