📄 medicine

Preoperative Prediction of Vascular Invasion in Breast Cancer Based on Habitat-Based Radiomics Integrating Intratumoral and Multidimensional Peritumoral Features: A Multicenter DCE-MRI Study

이 다기관 연구는 종양 내 및 다차원 종양 주변 영역의 DCE-MRI 기반 해비타트 라디오믹스와 임상적 요인을 결합한 다중 모달 융합 모델이 유방암의 수술 전 림프관 침범을 효과적으로 예측하며, 개인별 맞춤형 위험 계층화를 위한 검증된 비침습적 도구를 제공한다는 것을 입증한다.

원저자: Hongen Li, Qingwen Xiao, Yihui Zeng, Xia Wang, Yan Zhang

게시일 2026-09-01

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Hongen Li, Qingwen Xiao, Yihui Zeng, Xia Wang, Yan Zhang

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

유방암은 단일하고 균일한 질병이 아닙니다. 그것은 매우 다르게 행동하는 종양들의 집합체입니다. 어떤 종양은 느리게 성장하며 제자리에 머물러 있는 반면, 어떤 종양은 공격적이어서 신체의 운송 시스템으로 미세한 세포 군집을 보내 다른 곳에 새로운 식민지를 형성하기도 합니다. 이러한 위험한 행동의 가장 결정적인 징후 중 หนึ่ง는 림프관 침범입니다. 이는 암세포가 주 종양으로부터 떨어져 나와 체내의 액체를 운반하는 미세한 혈관 속으로 미끄러져 들어가는 현상으로, 질병이 퍼져나가는 고속도로 역할을 하게 됩니다. 수술 전에 이 세포들이 혈관에 진입했는지 여부를 아는 것은 의사들에게 매우 중요합니다. 이는 의사들이 얼마나 많은 조직을 제거할지, 그리고 수술 후에 더 강력한 치료가 필요한지를 결정하는 데 도움을 줍니다. 수십 년 동안, 이러한 침범이 일어났는지 확실히 알 수 있는 유일한 방법은 종양을 제거한 후 현미경으로 관찰할 때까지 기다리는 것뿐이었습니다. 이러한 지연은 환자와 의사들이 가장 중요한 계획 단계에서 추측만 하도록 만듭니다.

연구자들은 고급 영상 기술이 환자의 몸에 칼을 대기 전에 이 숨겨진 위험에 대한 명확한 그림을 제공할 수 있기를 오랫동안 희망해 왔습니다. 자기공명영상(MRI)은 이미 유방 조직을 관찰하는 데 강력한 도구이며, 다른 스캔이 놓치는 세부 사항까지 보여줍니다. 그러나 이러한 영상을 보는 표준적인 방식들은 종종 종양을 하나의 단단한 물체로 취급합니다. 이러한 접근 방식은 암의 내부 경관, 즉 부위마다 혈류, 세포 밀도, 화학적 환경이 다를 수 있다는 복잡성을 간과합니다. 이를 해결하기 위해 과학자 팀은 새로운 종류의 지도를 구축하기 위해 노력했습니다. 그들은 MRI 스캔 내의 미세한 질감과 패턴을 사용하여 암세포가 이미 림프계로의 여정을 시작했는지 예측할 수 있는지 확인하고자 했으며, 시각적 데이터와 환자의 건강에 관한 간단한 사실들을 결합하여 신뢰할 수 있는 치료 가이드를 만들고자 했습니다.

중국의 두 주요 병원에서 수행된 이 연구는 742명의 유방암 여성으로부터 얻은 데이터를 통합했습니다. 연구진은 조영제가 조직을 통해 시간에 따라 어떻게 이동하는지를 추적하여 혈류의 속도와 패턴을 밝혀내는 동적 조영 증강 MRI라는 특정 유형의 MRI 스캔에 집중했습니다. 연구진은 먼저 스캔 상에서 각 종양의 윤곽을 정밀하게 그렸습니다. 그런 다음, 평소보다 더 세밀한 작업을 수행했습니다. 즉, 종양 자체만을 보는 것이 아니라 종양을 둘러싼 주변 조직을 살펴보았습니다. 그들은 종양 가장자리로부터 1mm, 3mm, 5mm, 7mm, 그리고 마지막으로 10mm 떨어진 조직을 단계별로 확장하며 관찰했습니다. 이는 암 주변의 '이웃'이 그 공격성에 대한 단서를 보유하고 있는지 확인하기 위함이었습니다.

종양의 내부를 이해하기 위해 연구진은 생태학에서 영감을 얻은 방법을 사용했는데, 이는 종양을 서로 다른 서식지를 가진 하나의 경관처럼 취급하는 방식입니다. 하나의 커다란 덩어리로 보는 대신, 그들은 컴퓨터 알고 알고리즘을 사용하여 세포가 어떻게 행동하는지에 따라 종양을 작고 뚜렷한 구역들로 나누었습니다. 어떤 구역은 세포가 밀집되어 있을 수 있고, 어떤 구역은 혈관이 풍부할 수 있습니다. 이러한 특정 '서식지'들을 분석함으로써, 연구진은 가장 위험한 종양 부분의 독특한 징후를 찾아내고자 했습니다. 그들은 이 모든 시각적 정보—내부 서식지와 주변 조직 층 모두—를 일련의 컴퓨터 학습 프로그램에 입력했습니다. 이 프로그램들은 인간의 눈이 놓칠 수 있는 패턴을 찾도록 설계되었으며, 9가지의 서로 다른 수학적 모델을 테스트하여 어떤 모델이 림프 침범의 존재를 가장 잘 예측할 수 있는지 확인했습니다.

결과는 종양만을 고립시켜 관찰하는 것만으로는 충분하지 않다는 것을 보여주었습니다. 종양 자체만을 보거나 아주 좁은 주변 조직 고리만을 본 모델들은 정확도가 떨어졌습니다. 그러나 연구진이 종양 주변의 7mm 구역 데이터와 내부 서식지 지도를 결합했을 때, 그림은 훨씬 더 명확해졌습니다. 그 후 그들은 의사들이 이미 알고 있는 두 가지 간단한 정보를 추가했습니다: 환자가 폐경을 겪었는지 여부와 인근 감시 림프절(암이 처음 포착되는 노드)이 이상 징의를 보이는지 여부입니다. 이 조합은 강력한 새로운 도구를 만들어냈습니다. 다른 병원의 완전히 별개 환자 그룹을 대상으로 테스트했을 때, 이 결합 모델은 림프 침범이 존재하는 경우의 약 71%를 정확하게 식별했으며, 침범이 없는 경우의 약 75%를 정확하게 배제했습니다.

연구 결과, 가장 효과적인 접근 방식은 단 한 가지 유형의 데이터에만 의존하는 것이 아니라는 점이 밝혀졌습니다. 환자의 임상 기록만을 사용한 모델은 준수한 수준이었으나, 상세한 영상 데이터를 추가했을 때 위험한 사례를 포착하는 능력이 크게 향상되었습니다. 연구진은 종양 주변의 7mm 고리가 가장 유용한 정보를 포착하는 것으로 보인다고 언급했는데, 이는 해당 구역이 너무 멀리 떨어져 있어 노이즈가 발생하는 조직에 휩쓸리지 않으면서도 종양이 신체와 상호작용하는 활성 가장자리를 포함하기 때문인 것으로 보입니다. 컴퓨터 모델이 완벽하지는 않았지만, 이 모델들은 이전에 수술 전에는 이용할 수 없었던 수준의 통찰력을 제공했습니다. 이 연구는 종양을 정적인 물체가 아닌 복잡하고 변화하는 환경으로 바라봄으로써, 의사들이 그 위협을 훨씬 더 잘 파악할 수 있음을 시사합니다.

이 작업이 문제를 완전히 해결했다고 주장하는 것은 아닙니다. 연구진은 자신들의 모델이 최종 병리 검사를 대체하는 것이 아니라 의사를 돕는 도구임을 명시했습니다. 또한 이 연구는 이미 수집된 데이터를 되돌아보는 후향적 연구였으며, 최종 테스트 그룹의 환자 수가 상대적으로 적었습니다. 또한 두 병원에서 사용된 MRI 기기의 차이가 이미지의 모습에 영향을 줄 수 있습니다. 이러한 제한 사항에도 불구하고, 이 연구 결과는 비침습적인 스캔이 종양의 숨겨진 행동을 드러낼 수 있다는 점에서 의미가 큽니다. 종양 미세환경의 시각적 복잡성과 간단한 임상적 사실을 통합함으로써, 이 접근 방식은 환자가 수술실에 들어가기도 전에 위험도를 계층화할 수 있는 유망한 방법을 제시하며, 잠재적으로 더욱 정밀하고 개인화된 치료 계획으로 이어질 수 있습니다.

기술 요약: 해바타 기반 라디오믹스를 이용한 유방암의 수술 전 혈관 침윤 예측

문제 정의

림프관 침윤(LVI)은 유방암에서 국소 재발, 원격 전이 및 전체 생존율 감소와 연관된 중요한 예후 지표이다. 그러나 현재 LVI 진단의 골드 스탠다드는 수술 후 병리 검사이며, 이는 수술 전 의사 결정에는 사용될 수 없다는 한계가 있다. 중심부 바늘 생검(core needle biopsy)은 최소 침습적이지만, LVI가 발생할 가능성이 가장 높은 종양 주변부(peritumoral region)를 충분히 포착하지 못하는 경우가 많다. 기존의 비침습적 라디오믹스 모델들은 종양을 균질한 개체로 취급하거나 고정된 너비의 종양 주변 확장을 사용하는 경우가 많아, 종양 미세환경(TME)의 공간적 이질성과 종양 내부 하위 영역 및 주변 조직 간의 복잡한 상호작용을 적절히 포착하지 못한다. 또한, 많은 기존 모델들은 서로 다른 영상 장치 간의 엄격한 외부 검증이 부족하여 일반화 가능성이 제한적이다.

연구 방법론

본 다기관 회고적 연구는 두 개의 독립된 센터(Center 1: $n=628$ ; Center 2: $n=114$ )의 총 742명 유방암 환자 데이터를 활용하였다. Center 1 데이터는 훈련 세트( $n=439$ )와 내부 검증 세트( $n=189$ )로 나누었으며, Center 2는 독립적인 외부 테스트 세트로 사용되었다.

데이터 획득 및 전처리

영상: 실제 환경의 이질성을 시뮬레이션하기 위해 다양한 획득 파라미터를 적용한 3.0T 스캐너(Center 1: Philips Ingenia; Center 2: GE Discovery MR750) 기반의 동적 대비 증강 MRI(DCE-MRI)를 수행하였다.
분할(Segmentation): 두 명의 숙련된 영상의가 phase 3 DCE-MRI 영상에서 종양 관심 영역(ROI)을 수동으로 묘사하였다.
종양 주변 확장(Peritumoral Expansion): 원래의 ROI를 다섯 가지 단계적 거리(1, 3, 5, 7, 10 mm)로 방사형 확장을 하여 종양 주변 마스크를 생성하였다.
해바타 생성(Habitat Generation): 종양 내 이질성(ITH)을 특성화하기 위해 3×3×3 슬라이딩 윈도우를 사용하여 복셀 기반 특징(엔트로피 및 에너지)을 추출하였다. K-means 클러스터링을 적용하여 종양을 기능적 하위 영역("해바타")으로 분할하였다. 최적의 클러스터 수는 Calinski-Harabasz(CH) 지수를 사용하여 결정되었으며, 그 결과 세 개의 뚜렷한 하위 영역이 도출되었다.

특징 추출 및 선택

라디오믹스(Radiomics): 1차 통계량, 형상(shape), 텍스처 매트릭스(GLCM, GLRLM, GLSZM, GLDM, NGTDM)를 포함하는 특징들을 PyRadiomics를 사용하여 추출하였다.
강건성(Robustness): 검사-재검사 및 검사자 간 분석을 통한 내적 상관 계수(ICC $\ge$ 0.85)를 사용하여 특징들을 선별하였다.
차원 축소: 상관관계가 높은 특징들(Spearman 상관계수 $\ge$ 0.90)을 제거한 후, Lasso 로지스틱 회귀를 통해 최종 예측 특징을 선택하였다.

모델 구축

9가지 머신러닝 알고리즘(Logistic Regression, Naive Bayes, SVM, KNN, Random Forest, ExtraTrees, XGBoost, LightGBM, AdaBoost)을 평가하였다. 본 연구는 다음과 같은 시그니처들을 구축하고 비교하였다:

종양 내부(Intra): 종양 핵(core)에서의 특징.
종양 주변(Peri1mm–Peri10mm): 특정 확장 거리에서의 특징.
해바타(Habitat): 클러스터링된 기능적 하위 영역에서 유도된 특징.
임상(Clinic): 다변량 분석을 통해 식별된 독립적 예측 인자(폐경 상태 및 감시 림프절 상태).
결합(Fusion): 최적의 ExtraTrees 해바타 특징과 임상 예측 인자를 통합한 다중 모달 모델.

주요 결과

모델 성능

종양 주변 분석: 다양한 확장 거리 중, 7-mm 종양 주변 영역과 AdaBoost 알고리즘을 결합했을 때 외부 테스트 세트에서 가장 우수한 일반화 성능(AUC = 0.674)을 보였으나, 거리 간의 차이는 통계적으로 유의하지 않았다.
해바타 분석: ExtraTrees 알고리즘이 해바타 특징에 대해 성능과 일반화 사이의 가장 좋은 균형을 보여주었다(테스트 AUC = 0.668). 이는 과적합(훈련 AUC = 0.927 vs. 테스트 AUC = 0.650)을 겪은 XGBoost보다 우수한 성능이었다.
임상 예측 인자: 다변량 분석 결과, 폐경 상태(OR = 2.008)와 감시 림프절 상태(OR = 0.157)가 LVI의 독립적 예측 인자로 확인되었다.
결합 모델(Fusion Model): 다중 모달 결합 모델(임상 + ExtraTrees 해바타 특징)은 가장 균형 잡히고 강건한 성능을 달ian하였다:
- 외부 테스트 세트 AUC: 0.740 (95% CI: 0.646–0.834).
- 민감도(Sensitivity): 71.2% (임상 단독 모델의 64.4%보다 유의하게 높음).
- 특이도(Specificity): 74.5%.
- 정밀도(Precision): 72.8%.

검증 및 효용성

교정(Calibration): 결합 모델은 외부 테스트 세트에서 예측 확률이 관찰된 결과와 밀접하게 일치하며 우수한 교정 성능을 보였다.
결정 곡선 분석(DCA): 결합 모델은 0.2–0.6의 임계 확률 범위에서 가장 높은 순 임상 이득(net clinical benefit)을 제공하였으며, 단일 모달리티 모델 및 "모두 치료" 또는 "치료 안 함" 전략보다 우수하였다.
통계적 유의성: Delong 테스트 결과, 결합 모델이 임상 단독 모델보다 훈련 세트( $P < 0.001$ )와 외부 테스트 세트( $P < 0.001$ ) 모두에서 유의하게 뛰어난 성능을 보임을 확인하였다.

핵심 기여

종양 주변 거리의 체계적 평가: 본 연구는 LVI 예측을 위해 다섯 가지 단계적 종양 주변 확장 거리(1–10 mm)를 체계적으로 비교한 첫 연구로서, 미세환경 영향의 공간적 척도에 대한 경험적 데이터를 제공하였다.
해바타 기반 영상: 본 연구는 LVI 예측에 해바타 영상을 성공적으로 적용하였으며, 종양을 하나의 균질한 개체로 취급하는 것보다 기능적 하위 영역으로 클러스터링하는 것이 이질성을 더 효과적으로 포착함을 입증하였다.
엄격한 다기관 검증: 단일 센터 연구와 달리, 본 연구는 서로 다른 스캐너 제조사(Philips vs. GE)와 프로토콜을 사용하는 "한 센터에서 개발, 다른 센터에서 독립적 테스트" 전략을 채택하여 모델의 일반화 가능성에 대한 신뢰도를 높였다.
다중 모달 통합: 본 연구는 가용 가능한 임상 변수와 최적의 ExtraTrees 해바타 특징을 융합하는 프레임워크를 구축하였으며, 이 조합이 임상적 요인만 사용할 때보다 우수한 민감도를 나타냄을 보여주었다.

의의 및 주장

저자들은 본 연구가 유방암의 LVI에 대한 유망한 비침습적 위험 계층화 접근법을 제공한다고 주장한다. 종양 내 이질성, 다차원적 종양 주변 특징, 그리고 임상적 위험 요인을 통합함으로써, 제안된 다중 모달 프레임워크는 전통적인 방법보다 더 강력한 임상 의사 결정 근거를 제공한다.

본 연구는 모델의 성능(AUC 0.740)이 아직 단독으로 치료 결정을 내리기에는 충분하지 않지만, 보조적인 도구로서 상당한 가치를 지닌다는 점을 강조한다. 특히 생검 결과가 LVI 상태에 대해 불충분할 때 위험 계층화를 정교화하는 데 유용하다. 저자들은 이 프레임워크가 개인 맞춤형 치료 계획을 지원하여, 네오아쥬반트 항암 화학요법의 강도나 수술 절제 범위를 결정하는 데 도움을 줄 수 있으며, 영상 표현형을 근본적인 생물학적 메커니즘과 연결함으로써 '라디오믹스'에서 '라디오파토믹스(radiopathomics)'로 전환하는 단계라고 결론짓는다.