Machine learning-based survival analysis and risk stratification for patients with cholangiocarcinoma

인체를 분주하고 첨단 기술이 집약된 하나의 도시라고 상상해 보십시오. 때때로 '암'이라는 이름의 위험한 건설 현장 인부들이 나타나 무질서하고 불법적인 구조물들을 짓기 시작합니다. 담관암(cholangiocarcinoma)의 경우, 이 인부들은 간에서 나오는 담즙(소화액)을 운반하는 미세한 배관인 담관을 집중적으로 공격합니다. 이는 매우 까다로운 적입니다. 너무 늦기 전까지는 조용히 숨어 있는 경우가 많고, 도시의 방어 체계가 이를 막아내기 매우 어렵기 때문입니다. 수십 년 동안 의사들은 표준 규칙책을 사용하여 환자가 얼마나 오래 생존할지 예측하려 노력해 왔습니다. 하지만 이는 마치 비가 오는지 해가 뜨는지만 확인하는 기상 예보와 같습니다. 그러나 암은 단순한 규칙으로는 완전히 파악할 수 없는, 소용돌이치는 바람과 숨겨진 해류를 가진 복잡한 폭풍 시스템과 같습니다.

여기 머신러닝(ML)이 있습니다. 머신러닝을 단순히 인간을 대체하는 로봇이 아니라, 하늘의 색, 습도, 풍속, 심지어 새들의 기분까지도 한꺼번에 살펴보고 폭풍의 경로를 놀라운 정확도로 예측해 내는 아주 똑똑한 탐정이라고 생각해 보십시오. 전통적인 방식이 한 번에 한두 가지 요소만을 본다면, 머신러닝은 수백 개의 변수를 동시에 다루며 인간의 눈이 놓칠 수 있는 숨겨진 패턴을 찾아냅니다. 이 연구가 다루는 핵심 질문은 이것입니다: "우리는 이 디지털 탐정을 사용하여 이 특정 유형의 암 환자에게 훨씬 더 명확하고 개인화된 생존 예보를 제공하여, 의사들이 누가 긴급한 도움이 필요한지, 혹은 누가 표준 치료로 잘 지낼 수 있을지를 결정하는 데 도움을 줄 수 있을까?"

---

디지털 탐정 vs. 오래된 규칙책

이 연구에서 타이베이 베테랑 종합병원(Taipei Veterans General Hospital)의 연구진은 새로운 종류의 디지털 탐정을 시험해 보기로 했습니다. 그들은 담관암 진단을 받은 직후 아직 치료를 시작하지 않은 693명의 환자로부터 의료 기록을 수집했습니다. 이는 연령, 혈액 검사 결과, 종양 크기, 수술 여부 등 각기 다른 고유한 조합을 가진 693개의 서로 다른 삶을 모아 거대한 퍼즐을 맞추는 것과 같았습니다.

연구진은 새로운 형태의 컴퓨터 모델이 기존의 표준 방식보다 누가 더 오래 생존할지 예측할 수 있는지 확인하고자 했습니다. 그들은 '랜덤 생존 포레스트(Random Survival Forest, RSF)'를 구축했습니다. 이는 수천 개의 작은 결정 나무(decision trees)가 함께 자라나는 숲을 상상하시면 됩니다. 각 나무는 "종양이 큰가?" 또는 "혈액 응고가 정상인가?"와 같은 서로 다른 질문을 던지고 최종 답변에 투표합니다. 그들은 이 숲을 '콕스 모델(Cox model, 직선 자와 같은 방식)'이나 'XGBoost'(다른 종류의 스마트 알고리즘)와 같은 다른 머신러닝 도구들과 비교했습니다.

주요 발견: 더 멀리 보는 숲

결과는 명확했습니다. 랜덤 생존 포레스트가 챔피언이었습니다. 기존의 '자' 방식(콕스 모델)은 꽤 괜찮은 추측을 내놓았지만, 많은 미묘한 차이를 놓쳤습니다. 반면 RSF 모델은 훨씬 더 날카로웠습니다. 연구진이 모델이 본 적 없는 환자 그룹을 대상으로 테스트했을 때, 이 모델은 약 77%의 확률(C-index라고 불리는 점수)로 생존 가능성을 순위 매기는 데 성공했으며, 이는 다른 모델들보다 유의미하게 높은 수치였습니다.

가장 흥alf한 부분은 모델이 환자들을 분류하는 방식이었습니다. 모델은 단순히 "고위험" 또는 "저위험"이라고 말하는 데 그치지 않고, 모든 사람을 저위험, 중위험, 고위험의 세 가지 뚜렷한 그룹으로 분류했습니다. 이 그룹 간의 차이는 극적이었습니다.

• 저위험 그룹: 이 환자들의 3년 후 생존 확률은 54%였습니다.
• 중위험 그룹: 생존 확률이 19%로 떨어졌습니다.
• 고위험 그룹: 3년 생존이 예상되는 환자는 단 3%뿐이었습니다.

모델은 이 그룹들을 구분해 내는 능력이 매우 뛰어나서, 그룹 간의 생존 곡선 차이가 통계적으로 매우 견고했습니다(P-value 0.001 미만). 이는 단순히 운이 좋았던 것이 아님을 의미합니다.

탐정은 어떤 단서를 사용했는가?

이 디지털 탐정이 이토록 정확한 예측을 하기 위해 어떤 구체적인 단서들에 의존했는지 궁금하실 것입니다. 모델은 9가지 핵심 요소를 살펴보았지만, 그중 5가지가 가장 결정적인 역할을 했습니다.

1. 수술: 종양을 외과적으로 제거할 수 있는지 여부가 가장 중요한 단일 요인이었습니다.
2. 암 단계: 암이 얼마나 진행되었는지의 정도입니다.
3. CA19-9: 종양으로부터 보내는 연기 신호와 같은 역할을 하는 특정 혈액 내 단백질입니다.
4. ALBI 등급: 알부민과 빌리루빈 수치를 바탕으로 간 기능이 얼마나 잘 작동하는지 측정하는 점수입니다.
5. 치료 상태: 환자가 현재 활발한 치료를 받고 있는지 여부입니다.

흥ло롭게도, 모델은 의사들이 이미 짐작하고 있던 사실들(수술의 중요성 등)을 확인해 주었을 뿐만 아니라, 간 건강과 특정 혈액 지표의 결정적인 역할을 이전보다 훨씬 더 정밀하게 강조했습니다. 이는 두 환자의 종양 크기가 같더라도, 그들의 간 건강과 혈액 지표에 따라 결과가 매우 달라질 수 있음을 보여주었습니다.

"그래서 무엇인가?" 그리고 "아직은 아니다"

이 연구는 랜덤 생존 포레스트를 사용하는 것이 의사들에게 게임 체인저가 될 수 있음을 시사합니다. 의사들은 '하나의 크기로 모두에게 적용되는' 규칙책에 의존하는 대신, 이 도구를 사용하여 진단 즉시 환자를 위험 그룹별로 분류할 수 있습니다. 이는 누가 가장 긴급한 케어를 받아야 하는지, 누가 임상 시험의 혜택을 받을 수 있는지, 그리고 누가 더 면밀한 모니터링이 필요한지를 우선순위에 두는 데 도움을 줄 수 있습니다.

하지만 저자들은 이 연구가 당장 내일 모든 병원에서 사용할 수 있는 완성된 제품이라고 부르는 것에는 주의를 기울입니다. 그들은 이 연구가 단 하나의 병원(타이베이 베테랑 종합병원)에서 수행되었으며 과거의 기록을 바탕으로 했다는 점을 인정합니다. 모델은 자신들의 데이터에서 훌륭한 성능을 보였지만, 이 모델이 어디에서나 작동한다는 것을 증명하기 위해서는 다른 병원의 환자들을 대상으로 하고 미래의 데이터를 통해 테스트되어야 합니다. 현재로서는, 이 연구는 오래된 도구들보다 훨씬 더 명확하게 폭풍이 오는 것을 예견하며, 이 어려운 질병을 관리하는 데 있어 희망적인 새로운 길을 제시하는 강력한 개념 증명(proof-of-concept)입니다.