Interpretable Multi-modal Deep Learning Radiomics for Preoperative Mapping of Tertiary Lymphoid Structure Associated B-Cell Tumor Immune Microenvironment and Immunotherapy Response in Clear Cell Renal Cell Carcinoma

당신의 몸을 암이라는 이름의 교활한 범죄 조직에게 포위당한 북적이는 도시라고 상상해 보세요. 보통 도시의 경찰력(당신의 면역 체계)은 이에 맞서 싸우려 노력하지만, 때때로 범죄자들은 경찰로부터 자신들을 숨기기 위해 보이지 않는 벽을 쌓기도 합니다. 그러나 어떤 경우에는 도시가 적의 영토 안에 자체적인 미니 스테이션을 구축하기도 합니다. 과학자들은 이를 '3차 림프 구조(Tertiary Lymphoid Structures, TLS)'라고 부릅니다. TLS를 종양 내부에 세워진 임시 경찰 아카데미라고 생각해보세요. 이곳에는 면역 세포들이 모여 훈련하고, 조직적인 공격을 개시합니다. 이러한 아카데미가 많을수록 환자의 생존율과 강력한 신약인 면역 항암제에 대한 반응률은 높아집니다. 문제는 무엇일까요? 이 아카데미를 확인하기 위해 현재 의사들은 종양의 물리적인 조각을 떼어내 현미경으로 관찰하는 수술이나 생검을 수행해야 한다는 점입니다. 이는 침습적이고 위험하며, 수술 전 최선의 공격 계획을 세우기 위해 미리 할 수도 없습니다.

여기서 이야기는 흥-미진진해집니다. 만약 당신이 표준 의료 스캔, 예를 들어 CT 스캔(매우 상세한 3D X-ray와 같은 것)을 보고, 초지능형 컴퓨터 두뇌를 사용하여 단 한 번의 절개 없이도 이 보이지 않는 경찰 아카데미를 '볼' 수 있다면 어떨까요? 이것이 바로 중국의 연구진이 목표로 삼은 작업입니다. 그들은 CT 스캔을 통해 키드니 종양 내부의 유익한 면역 구조가 숨겨져 있는지 예측할 수 있는 인공지능(AI) 탐정을 만들고자 했습니다. 만약 이것이 가능하다면, 의사들은 수술이 시작되기도 전에 환자의 예후와 면역 항암제가 효과가 있을지를 알 수 있어, 막연한 추측을 명확하고 데이터에 기반한 지도로 바꿀 수 있을 것입니다.

AI 탐정과 보이지 않는 지도

충칭 의과대학교와 여러 병단의 연구진이 이끄는 연구팀은 '멀티모달(multi-modal)' AI 탐정을 구축하기로 결정했습니다. 쉽게 말해, '멀티모달'이란 데이터를 보는 방식이 한 가지에 국한되지 않았음을 의미합니다. 대신 그들은 CT 스캔을 분석하는 세 가지 다른 방식을 결합했습니다:

1. 2D 분석: 종양을 하나의 평평한 사진(단면)처럼 바라봅니다.
2. 2.5D 분석: 마치 정육면체를 잡고 세 방향에서 보는 것처럼, 종양을 세 가지 각도(앞, 옆, 위)에서 동시에 바라봅 만듭니다.
3. 3D 분석: 종양을 완전하고 입체적인 3D 블록으로 바라봅니다.

또한 그들은 네 번째 도구인 '라디오믹스(Radiomics)'를 추가했습니다. 이것을 디지털 돋보기라고 생각해보세요. 이 도구는 이미지 속의 수천 가지 미세하고 보이지 않는 질감, 즉 표면이 얼마나 거친지, 색상이 어떻게 섞이는지, 픽셀이 어떻게 배열되어 있는지 등을 측정합니다. 이러한 질감은 인간의 눈으로는 알아채기 어렵지만, 종양이 면역 아카데미를 숨기고 있는지에 대한 비밀을 쥐고 있을 수 있습니다.

연구팀은 이 AI를 투명 세포형 신세포암(ccRCC)이라는 특정 유형의 신장암 환자 1,361명의 방대한 데이터셋을 통해 훈련시켰습니다. 그들은 이 환자들을 여러 그룹으로 나누었습니다: AI를 가르치기 위한 학습 세트, 테스트를 위한 테스트 세트, 그리고 AI의 예측이 실제로 유효한지 확인하기 위해 향후 치료하게 될 환자군인 전향적 세트로 나누었습니다.

주요 발견: '레이트 퓨전(Late Fusion)'의 승리

AI를 훈련시킨 후, 연구진은 어떤 탐정이 가장 뛰어난지 결정해야 했습니다. 그 결과, 2.5D 모델(종양을 세 방향에서 보는 방식)이 가장 날카로운 단일 탐정이었으며, 전통적인 라디오믹스 모델이 그 뒤를 바짝 쫓았습니다. 하지만 진짜 마법은 이들을 결합했을 때 일어났습니다.

그들은 탐정들을 결합하는 두 가지 방법을 시도했습니다:

• 얼리 퓨전 (Early Fusion, 사전 결합): 결정을 내리기 전에 모든 원시 데이터를 하나로 섞는 방식입니다.
• 레이트 퓨전 (Late Fusion, 사후 결합): 각 탐정이 먼저 자신의 추측을 내놓게 한 뒤, '보스' AI(서포트 벡터 머신 또는 SVM이라 불리는 방법 사용)가 모든 추측을 듣고 최종 결정을 내리는 방식입니다.

레이트 퓨전 전략이 경주에서 승리했습니다. 저자들이 LFM이라고 부르는 이 결합 모델은 첫 번째 테스트 그룹에서 0.938이라는 인상적인 정확도 점수(AUC)를 달성했습니다. 이를 이해하기 쉽게 설명하자면, AUC가 1.0이면 완벽한 점수이고 0.5는 동전 던지기와 같습니다. 즉, 이 AI는 CT 스캔만 보고도 보이지 않는 면역 아카데미를 찾아내는 데 매우 탁월했습니다.

하지만 연구팀은 여기서 멈추지 않았습니다. 그들은 질문했습니다: 이 AI가 실제로 생물학적 현상을 보고 있는 것인가, 아니면 단순히 추측하고 있는 것인가? 이를 증명하기 위해 그들은 더 깊이 파고들었습니다. AI가 'TLS 양성'이라고 표시한 환자들의 실제 조직 샘 샘플을 조사했습니다. 고성능 현미경과 유전자 시퀀싱을 사용한 결과, AI의 판단이 옳았음을 발견했습니다. AI가 예측한 종양들은 다음과 같은 특징을 보였습니다:

• 염증 세포(경찰)의 밀도가 높음.
• B세포(특정 유형의 면역 병사)가 더 많음.
• 이러한 면역 구조를 구축하는 것으로 알려진 유전자(특히 CXCL13-CXCR5 축)의 활동이 증가함.

이는 AI가 단순히 무작위 패턴을 보고 있는 것이 아니라, 실제 면역 반응의 생물학적 발자국을 감지하고 있음을 확인시켜 주었습니다.

미래를 예측하고 생명을 구하다

어떤 의료 도구의 궁극적인 시험대는 그것이 환자에게 실제로 도움이 되는가입니다. 연구진은 LFM 모델을 사용하여 두 가지 중요한 사항을 예측했습니다:

1. 생존: 종양에 TLS(면역 아카데미)가 있을 것이라고 예측된 환자들은 암이 재발하지 않고 더 오래 생존했습니다. 테스트 그룹에서 이 차이는 통계적으로 유의미했는데, 이는 우연이 아닌 실제 효과임을 의미합니다.
2. 면역 항암제 반응: 진행성 암 환자들이 면역 항암제(면역 체계를 깨우는 약물)를 처방받았을 때, AI는 누가 잘 반응할지를 예측할 수 있었습니다. 이 모델은 '반응자'(상태가 호전된 환자)와 '비반응자'를 0.807의 정확도로 올바르게 식별해냈습니다.

연구팀은 또한 모델이 구축된 이후에 치료를 받은 환자들인 '전향적' 그룹을 대상으로 모델을 테스트했습니다. AI는 높은 정확도(AUC 0.881)를 유지하며, 모델이 단순히 과거의 데이터를 암기한 것이 아니라 새로운 환자에 대해서도 실제로 결과를 예측할 수 있음을 보여주었습니다.

한계와 미래

결과는 유망하지만, 저자들은 이를 '완성된' 문제라고 부르는 것을 경계합니다. 그들은 본 연구가 회고적(과거의 데이터를 살펴보는 방식)이었으며 주로 중국 환자들에 집중되었으므로, 모델이 어디서나 작동할 수 있도록 더 다양한 인구 집단에 대해 테스트될 필요가 있다고 언급합니다. 또한 생물학적 분석이 상대적으로 적은 환자 그룹을 대상으로 이루어졌으므로, 정확한 분자적 메커니즘에 대한 추가 연구가 필요하다고 인정합니다.

그러나 핵심 메시지는 분명합니다. 이 연구는 표준 CT 스캔과 AI를 사용하여 종양의 면역 환경에 대한 비침습적인 '지도'를 구축할 수 있음을 시사합니다. 이미지를 바라보는 다양한 방식을 결합하고 이를 실제 생물학적 데이터로 검증함으로써, 연구팀은 의사들이 단 한 번의 절개도 하기 전에 누가 수술이 필요하고, 누가 면역 항암제가 필요하며, 누가 잘 회복될 가능성이 높은지를 결정하는 데 도움을 줄 수 있는 도구를 만들어냈습니다. 이는 AI가 번역가 역할을 하여, CT 스본의 정적인 회색 이미지를 인체의 암과의 싸움이라는 역동적인 이야기로 바꾸어 놓는 미래를 향한 한 걸음입니다.