Development of a combined nomogram integrating radiomics, deep learning and clinical risk factors to predict neoadjuvant chemoradiotherapy outcomes in patients with rectal cancer

기술 요약: 직장암의 선행 항암방사선요법 결과를 예측하기 위한 결합 노모그램

문제 제기
국소 진행성 직장암(RC)에서 선행 항암방사선요법(nCRT)의 결과를 정확하게 예측하는 것은 '감시 및 대기(watch and wait)' 전략을 취할 완전 반응자나, 적절한 수술 시기를 결정해야 하는 비반응자를 구분하는 데 있어 매우 중요하다. 병리 검사(침습적이며 샘플링에 한계가 있음), 직장 수지 검사(주관적이며 깊이를 정량화할 수 없음), 혈청 종양 표지자(CEA, 비분비형 환자에게는 효과가 없음)를 포함한 현재의 평가 방법들은 임상적 의사결정에 필요한 비침습적이고 정확하며 개인 맞 اختصاص된 역량을 갖추지 못하고 있다. 또한, nCRT 후의 병변은 부종, 섬유화, 염증을 동반하는 경우가 많아 표준 MRI만으로는 평가가 복잡하다. 본 연구는 영상 및 임상 데이터를 통합하여 nCRT의 효능을 예측할 수 있는 강력하고 비침습적인 예측 도구의 필요성을 해결하고자 한다.

방법론
본 연구는 nCRT 전 T2 강조 MRI를 촬영하고 이후 전직장간막 절제술(TME)을 받은 292명의 직장암 환자(훈련 세트 230명, 검증 세트 62명)의 후향적 코호트를 활용하였다. 결과값은 병리적 종양 퇴행 등급(TRG)으로 정의하였으며, 환자를 반응자(TRG1/2)와 비반응자(TRG3)로 분류하였다.

연구 방법론은 다단계 모델링 접근 방식을 사용하였다:

1. 영상 전처리 및 어노테이션: MR 영상은 N4 bias field 교정, 1mm³ 등방성 복셀로의 재표집 과정을 거쳤으며, 숙련된 영상의학 전문의가 ITK-SNAP을 사용하여 종양 내부 및 주변 영역을 수동 분할하였다.
2. 라디오믹스(Radiomics) 모델 개발: 1,561개의 라디오믹스 특징(형태, 1차 통계량, 질감)을 PyRadiomics를 사용하여 추출하였다. 특징들은 관찰자 간 신뢰도(ICC > 0.80), 다중공선성(|r| ≥ 0.95)을 기준으로 필터링되었으며, LASSO 회귀를 통해 선택되었다. 두 가지 모델이 구축되었는데, 하나는 종양 내부 영역만을 사용한 모델(Rad-Tumor)이고, 다른 하나는 종양 내부와 주변 영역을 결합한 모델(Rad-Tumor+Peri)이다.
3. 딥러닝(DL) 모델 개발: 동일한 분할 영역을 바탕으로 Resnet50 합성곱 신경망을 학습시켰다. 훈련 샘플 크기를 8배로 늘리기 위해 데이터 증강(회전, 이동, 스케일링, 뒤집기)을 적용하였다. 라디오믹스와 마찬가지로, 두 가지 DL 모델(DL-Tumor 및 DL-Tumor+Peri)이 구축되었다.
4. 임상 변수 선택: 인구통계학적 특성, MRI 병기, 혈청 바이오마커를 포함한 임상 요인들을 단변량 및 다변량 회귀 분석을 통해 스크리닝하였다. 외벽 혈관 침범(EMVI)과 종양 위치만이 유의미한 예측 인자로 선정되어 유지되었다.
5. 노모그램 구축: Radscore(Rad-Tumor+Peri에서 추출), DLscore(DL-Tumor+Peri에서 추출), 그리고 선택된 임상 변수(EMVI, 종양 위치)를 통합하여 결합 노모그램을 개발하였다.

주요 기여

• 주변 영역(Peri-tumoral Regions)의 통합: 본 연구는 종양 주변 지방 조직의 특징을 포함하는 것이 종양 단독 모델에 비해 라디오믹스와 딥러닝 접근 방식 모두에서 예측 성능을 유의미하게 향상시킨다는 것을 입증하였다.
• 하이브리드 모델링 전략: 본 논문은 단일 양식에 의존하는 대신, 고차원 딥러닝 특징, 통계적 라디오믹스 시그니처, 특정 임상 위험 요인을 시너지 효과를 내도록 결합한 노모그램을 소개한다.
• 비교 분석: 전통적인 라디오믹스, 딥러닝, 그리고 이들을 단일 임상 프레임워크 내에서 함께 적용했을 때의 성능을 직접 비교 분석하였다.

결과

• 모델 성능: 검증 데이터셋에서 결합 노모그램은 0.921(95% CI, 0.824–0.974)의 곡선 아래 면적(AUC)을 기록하며 가장 높은 예측 정확도를 달了. 이는 단독 DL-Tumor+Peri 모델(AUC 0.845) 및 Rad-Tumor+Peri 모델(AUC 0.739)보다 유의미하게 우수한 수치였다(모든 p-value < 0.05).
• 주변부 특징의 영향: 주변부 영역을 포함함으로써 검증 세트에서 라디오믹스 모델(0.666에서 0.739로)과 딥러닝 모델(0.817에서 0.845로) 모두 AUC가 향상되었다.
• 임상적 유용성: 결정 곡선 분석(DCA) 결과, 노모그램은 다른 모델들에 비해 대부분의 임계 확률 구간에서 더 높은 순이익(net benefit)을 제공하였다. 교정 곡선(calibration curves)과 Hosmer–Lemeshow 검정은 예측 확률과 실제 결과 사이의 높은 일치성을 확인해주었다.
• 특정 임상 요인: 다변량 분석 결과, 처음에 수집된 13가지 요인 중 EMVI와 종양 위치만이 유의미한 임상 예측 인자로 식별되었다.

의의 및 주장
저자들은 개발된 노모그램이 직장암 환자의 수술 후 nCRT 결과를 예측하는 효과적인 비침습적 도구 역할을 한다고 주장한다. 딥러닝 특징, 라디오믹스 시그니처, 임상 변수를 통합함으로써, 이 모델은 단일 양식 접근법보다 개선된 진단 성능을 제공한다. 본 연구는 이 도구가 임상의가 치료 전략을 개인화하는 데 도움을 줄 수 있으며, 이를 통해 환자가 효과 없는 치료로 인한 불필요한 부작용을 피하거나 비반응자를 조기에 식별하여 종양 진행을 방지할 수 있다고 제언한다. 저자들은 본 연구가 후향적, 단일 센터 연구라는 점과 계산 방법론의 복잡성을 포함한 한계를 인정하며, 견고성을 확립하기 위해 외부 검증이 필요함을 명시하였다.