Radiomics and Deep Learning Features Based on 18F-FDG PET/CT for Predicting Occult Lymph Node Metastasis in Non-small Cell Lung Cancer

당신이 북적이는 도시 속에서 미스터리를 해결하려는 탐정이라고 상상해 보십시오. 이 도시는 인간의 몸이며, "범인"들은 림프절(몸 곳곳에 위치한 작은 콩 모양의 필터 역할을 하는 보안 체크포인트) 속에 숨어 있는 아주 작고 은밀한 암세포 집단입니다. 폐암의 세계에서, 수술 전에 이 숨겨진 범인들을 찾아내는 것은 매우 큰 도전 과제입니다. 의사들이 사용하는 PET/CT 스캔과 같은 표준 카메라는 크고 명백한 문제아들을 포착하는 데는 뛰어나지만, 교묘하고 미세한 범인들은 놓치기 일쑤입니다. 이것은 마치 손전등을 사용하여 건초더미 속에서 잃어버린 바늘 하나를 찾는 것과 같습니다. 때로는 바늘이 너무 작아서 빛이 반사되는 것을 볼 수 없을 수도 있습니다.

이를 해결하기 위해 과학자들은 두 가지 새로운 초정밀 탐정 도구를 개발했습니다. 첫 번째 도구는 **라디오믹스(Radiomics)**로, 이는 종양의 고해상도 사진을 찍은 다음 컴퓨터를 사용하여 종양의 질감이 얼마나 울퉁불퉁한지, 색상이 어떻게 분포되어 있는지, 형태가 어떻게 뒤틀리고 회전하는지 등 수천 가지의 미세한 세부 사항을 측정하는 것과 같습니다. 이는 마치 나무 전체를 볼 수 없더라도 나무의 결을 분석하여 어떤 종류의 나무인지 추측하는 것과 같습니다. 두 번째 도구인 **딥러닝(Deep Learning)**은 수백만 장의 사진을 공부한 초정밀 관찰력을 가진 견습생과 같은 일종의 인공지능입니다. 딥러닝은 단순히 형태를 측정하는 대신, 이미지를 전체적으로 바라보며 인간의 눈(심지어 표준 컴퓨터까지도)이 놓칠 수 있는 복잡한 패턴을 학습합니다. 이 논문이 던지는 핵심 질문은 이것입니다. 만약 라디오믹스의 상세한 측정값, 딥러닝의 패턴 포착 능력, 그리고 환자 개인의 의료 기록을 결합한다면, 우리는 수술이 시작되기도 전에 이 숨겨진 암세포 스파이들을 찾아낼 수 있는 "슈퍼 탐정"을 만들 수 있을까요?

---

논문의 이야기: 궁극의 암 탐정 만들기

이 연구에서 중국 닝보와 쑤저우 병원의 연구팀은 **잠재적 림프절 전이(Occult Lymph Node Metastasis, OLM)**를 예측하기 위한 이 "슈퍼 탐정"을 구축하기로 결정했습니다. "잠재적(Occult)"이란 숨겨져 있다는 뜻의 전문적인 의학 용어입니다. 이는 스캔상으로는 림프절이 완벽하게 정상으로 보이지만, 수술 중에 외과의가 이를 제거했을 때 그 안에서 암세포가 발견되는 경우를 말합니다. 만약 의사들이 암이 퍼졌다는 사실을 모른다면, 조직을 충분히 제거하지 못하거나 혹은 너무 많이 제거하여 불필요한 해를 끼칠 수 있기 때문에 이는 매우 까다로운 상황입니다.

연구팀은 비소세포폐암(NSCLC)이라는 특정 유형의 폐암을 가진 490명의 환자로부터 데이터를 수집했습니다. 이 환자들의 종양은 스캔상으로는 작고 국소적으로 보였지만, 연구진은 혹시라도 암세포가 이미 림프절로 숨어들었는지 알고 싶었습니다. 그들은 이 환자들을 그룹으로 나누었습니다. 컴퓨터 모델을 가르치기 위한 대규모 "훈련(training)" 그룹과, 모델이 부정행위 없이 스스로 미스터리를 해결할 수 있는지 확인하기 위한 소규모 "테스트(test)" 그룹으로 나누었습니다.

AI를 훈련시킨 방법:
먼저, 그들은 PET/CT 스캔을 가져와 종양의 윤곽을 수동으로 그렸습니다. 그런 다음 이 데이터를 두 가지 서로 다른 시스템에 입력했습니다:

1. 라디오믹스 시스템: 이 시스템은 종양의 형태부터 스캔에 사용된 방사성 당분을 흡수하는 방식의 미세한 변화까지 설명하는 3,000개 이상의 미세한 특징들을 추출했습니다.
2. 딥러닝 시스템: 그들은 이미 수백만 장의 일반 사진을 통해 사물을 인식하도록 학습된 사전 훈련된 인공지능(구체적으로 ResNet50이라는 네트워크)을 사용했습니다. 그들은 AI에게 종양의 단면들을 보여주었고, AI는 자신만의 숨겨진 패턴을 뽑아냈습니다.

또한 그들은 연령, 흡연 여부, 혈액 검사 결과(특히 CEA라고 불리는 마커), 종양 크기와 같은 환자의 "생체 지표"도 살펴보았습니다.

대규모 실험:
연구진은 어떤 모델이 가장 우수한지 알아보기 위해 일곱 가지의 서로 다른 탐정 팀(모델)을 구성했습니다:

• 환자의 병력만을 사용하는 팀
• 라디오믹스 세부 정보만을 사용하는 팀
• 딥러닝 패턴만을 사용하는 팀
• 그리고 마지막으로, 딥러닝 + 라디오믹스 + 임상 데이터를 결합한 "올스타" 팀

연구 결과:
결과는 명확했습니다. 저자들이 DLRC 모델(Deep Learning-Radiomics-Clinical)이라고 부르는 "올스타" 팀이 압도적인 챔피언이었습니다.

• 내부 테스트 그룹에서, 이 모델은 숨겨진 암을 **89%**의 확률로 정확히 식별했습니다 (AUC 점수 0.890).
• 외부 테스트 그룹(다른 병원의 환자들)에서도 놀라운 정확도를 유지하며, **87.2%**의 확률로 정답을 맞혔습니다 (AUC 0.872).
• 이는 단일 방법만 사용했을 때보다 훨씬 뛰어난 성과였습니다. 이는 마치 지문만 읽을 수 있는 탐정, 발자국만 볼 수 있는 탐정, 혹은 용의자의 습관만 아는 탐정이 아니라, 이 모든 기술을 갖춘 탐정을 보유한 것과 같습니다.

연구진은 또한 Grad-CAM이라는 특수 히트맵 도구를 사용하여 AI가 실제로 무엇을 보고 있는지 확인했습니다. 확인 결과, AI는 종양의 중심부에 집중하고 있었으며, 이는 가장 중요한 단서들이 덩어리의 바로 중심부에 숨겨져 있다는 것을 확인시켜 주었습니다.

미래에 왜 중요한가:
연구진은 단순히 암을 찾는 것에 그치지 않고, 그들의 "위험 점수"가 환자의 삶에 어떤 의미를 갖는지 확인했습니다. 그들은 모델이 "고위험"이라고 분류한 환자들이 (숨겨진 암이 있다고 의심되는 경우) "저위험"으로 분류된 환자들에 비해 생존율이 더 낮고 암 재발 가능성이 더 높다는 것을 발견했습니다.

이는 미래에 의사들이 더 현명한 결정을 내리는 데 이 도구를 사용할 수 있음을 시사합니다. 만약 모델이 환자를 "저위험"이라고 판단한다면, 모든 림프절을 제거하는 대규모의 침습적인 수술을 피함으로써 환자가 불필요한 부작용을 겪지 않도록 할 수 있습니다. 만약 모델이 "고-위험"이라고 판단한다면, 의사들은 더 철저하게 조직을 제거하고 즉시 강력한 후속 치료를 계획해야 한다는 것을 알게 됩니다.

주의할 점:
결과는 흥미롭지만, 저자들은 이것이 후향적 연구(retrospective study), 즉 새로운 환자에게 실시간으로 도구를 테스트하는 것이 아니라 과거의 데이터를 되돌아본 연구임을 강조하며 주의를 기울였습니다. 또한 그들은 자신들의 모델이 특정 유형의 폐암(선암 및 편평상피세로암)에 맞춰 훈련되었으므로, 다른 유형에도 작동하는지 확인하기 위해 더 많은 테스트가 필요할 수 있다고 언급했습니다. 그러나 이 연구는 인간의 의학적 지식과 AI 및 상세한 영상 분석의 초능력을 결합하는 것이 폐암의 보이지 않는 위협을 잡아내기 위한 유망한 길임을 강력하게 시사합니다.