Preoperative Prediction of Lymphovascular Invasion in Breast Cancer Using Multicenter DCE-MRI Radiomics: Comparative Analysis and External Validation of Ten Machine Learning Algorithms

유방암은 전 세계 여성들에게 여전히 주요한 건강 과제로 남아 있습니다. 조기 발견이 수많은 생명을 구해왔지만, 이 질병은 여전히 재발하거나 신체의 다른 부위로 전이될 수 있습니다. 이러한 확산의 결정적인 요인은 림프혈관 침범(lymphovascular invasion)이라고 불리는 과정인데, 이는 암세포가 본래의 종양에서 떨어져 나와 림프액이나 혈액이 흐르는 미세한 통로로 들어가는 현상을 말합니다. 세포들이 이 혈관들을 통해 이동할 때, 이들은 다른 장기로 향하는 고속도로를 얻게 되며, 이는 재발 위험을 크게 높입니다. 현재 의사들은 종양을 수술로 제거한 후 현미경으로 관찰해야만 이러한 침범이 일어났는지 확인할 수 있습니다. 이는 의료 현장에 어려운 공백을 만듭니다. 외과의들은 암이 이미 퍼지기 시작했는지 알기도 전에, 얼마나 많은 조직을 제거할지 그리고 언제 화학요법을 시작할지에 대한 결정을 내려야 합니다. 만약 의사들이 수술 전에 이러한 침범을 예측할 수 있다면, 환자들에게 더 정밀하게 맞춤화된 치료를 제공하여 불필요한 수술을 피하게 하거나, 고위험군 환자들이 즉시 공격적인 치료를 받도록 보장할 수 있을 것입니다.

이 간극을 메우기 위해 연구자들은 동적 대비 증강 자기공명영상(DCE-MRI)이라는 강력한 영상 도구에 주목했습니다. 뼈나 기본적인 형태를 보여주는 일반적인 X-선과 달리, 이 방식의 MRI는 특수 조영제를 사용하여 종양 내에서 혈류가 어떻게 흐르는지를 실시간으로 관찰함으로써 내부 구조와 그 작동 방식에 대한 세부 정보를 밝혀냅니다. 문제는 인간의 눈으로는 이 영상 속에 숨겨진, 림프혈관 침범의 징후를 나타낼 수도 있는 미묘하고 복잡한 패턴을 볼 수 없다는 점이었습니다. 여기서 '라디오믹스(radiomics)'라고 알려진 분야가 등장합니다. 라디오믹스는 의료 영상을 단순한 사진이 아니라 방대한 데이터의 저장소로 취급합니다. 컴퓨터를 사용하여 영상으로부터 질감, 밝기, 모양과 같은 수천 개의 미세한 수치적 세부 사항을 추출함으로써, 과학자들은 인간의 관찰로는 발견할 수 없는 패턴을 찾아낼 수 있습니다. 목표는 종양의 보이지 않는 생물학적 특성을 예측할 수 있는 디지털 지도를 구축하는 것입니다.

중국의 세 곳의 의료 센터 연구팀은 이러한 접근 방식이 수술 전에 림프혈관 침범을 신뢰성 있게 예측할 수 있는지 테스트하기 위해 연구를 진행했습니다. 연구진은 각 병원에서 DCE-MRI 스캔을 받은 침윤성 관상암(invasive ductal carcinoma) 환자 935명의 데이터를 수집했습니다. 이 연구는 특정 병원의 장비나 환자 집단에 국한된 우연한 결과가 아님을 보장하기 위해, 대규모 환자 집단을 사용하고 여러 기관에 걸쳐 연구 결과를 테스트하도록 엄격하게 설계되었습니다. 연구진은 MRI 스캔에서 종양을 수동으로 윤곽을 그렸는데, 이는 의사들이 관심 영역을 정의하기 위해 종양의 가장자리를 층층이 추적하는 세심한 과정입니다. 이 영역들이 표시된 후, 컴퓨터 프로그램은 각 종양에서 거의 1,200개의 서로 다른 특징을 추출하여 모든 환자에 대한 방대한 디지털 지문 데이터셋을 생성했습니다.

연구의 핵심은 어떤 컴퓨터 학습 방법, 즉 알고리즘이 이러한 디지털 지문을 사용하여 림프혈관 침범 여부를 가장 잘 예측할 수 있는지 확인하기 위해 10가지 서로 다른 알고리즘을 직접 비교하는 것이었습니다. 이 알고리즘들은 단순한 전통적 통계 방법부터 뇌가 학습하는 방식을 모방한 복잡한 현대적 시스템에 이르기까지 다양했습니다. 연구진은 한 그룹의 환자 데이터로 시스템을 학습시킨 후, 완전히 다른 병원의 환자 그룹을 대상으로 테스트하여 이 시스템들이 지식을 일반화할 수 있는지 확인했습니다. 결과는 컴퓨터 시스템이 어떻게 작동하는지에 대한 놀라운 사실을 드러냈습니다. 처음 학습할 때는 거의 완벽하게 수행되는 것처럼 보였던 가장 복기한 알고리즘들은 새로운 병원의 데이터를 마주했을 때 처참하게 실패했습니다. 이들은 근본적인 규칙을 학습한 것이 아니라 학습용 이미지를 단순히 암기해 버린 것인데, 이를 '과적합(overfitting)' 문제라고 합니다. 반면, 로지스틱 회귀(logistic regression)라고 불리는 더 단순하고 직선적인 통계 방법은 다른 센터의 환자들을 대상으로 테스트했을 때도 정확도를 유지하며 가장 안정적이고 신뢰할 수 있는 모습을 보였습니다.

연구진은 최상의 영상 데이터와 함께 의사들이 중요하다고 이미 알고 있는 연령, 종양 등급, 유방 근처 림프절의 암 징후 여부와 같은 핵심 임상 정보를 결합했습니다. 이 결 조합은 종합적인 예측 모델을 만들어냈습니다. 초기 테스트에서 이 결합 모델은 매우 우수한 성능을 보였으며, 림프혈관 침범이 있는 종양과 없는 종양을 정확하게 구분해 냈습니다. 내부 검증 그룹에서도 강력한 성능을 지속적으로 보여주었습니다. 그러나 모델을 다른 두 곳의 독립적인 외부 그룹에서 테스트했을 때 이야기는 더 미묘해졌습니다. 한 외부 그룹에서는 단순한 임상 정보만으로도 매우 강력한 성능을 보여 결합 모델과 대등한 성과를 냈습니다. 다른 외부 그룹에서는 결합 모델이 여전히 우위를 점했지만, 영상 데이터 단독으로는 큰 도움이 되지 않았습니다. 이러한 차이는 기술이 유망하긴 하지만, 그 성공 여부가 사용되는 특정 인구 집단과 환경에 크게 의존한다는 점을 강조합니다.

이 연구는 고급 컴퓨터 학습이 큰 잠재력을 가지고 있지만, 이 맥과 관련하여 가장 견고한 도구는 단순하고 신뢰할 수 있는 통계와 필수적인 임상 사실의 혼합이라는 결론을 내립니다. 헤드라인을 장식하곤 하는 복잡한 하이테크 알고리즘들은 데이터가 조금만 변해도 실패하는 등 실제 현장에서 쓰기에는 너무 취약하다는 것이 밝혀졌습니다. MRI의 디지털 분석과 표준 환자 세부 정보를 통합한 결합 모델은 수술 전 위험을 평가할 수 있는 가치 있는 비침습적 방법을 제공합니다. 이는 의사들이 개별 환자에게 최선의 조치를 결정하는 데 도움을 줄 수 있는, 정량화된 도구를 제공하며, 수술 범위나 화학요법의 필요성에 대한 결정을 안내할 수 있습니다. 이 연구 결과는 의료 기술의 미래에 중요한 교훈을 줍니다. 가장 효과적인 해결책이 반드시 가장 복잡한 것은 아니며, 도구가 단 하나의 실험실 설정에서뿐만 아니라 모두에게 작동하도록 하기 위해서는 여러 센터에 걸친 엄격한 테스트가 필수적이라는 점입니다.