Machine Learning Integration of Lymphovascular Space Invasion, Ki-67 Index, and Immunohistochemical Profiles for Preoperative Lymph Node Metastasis Prediction in Endometrial Cancer

기술 요약: 자궁내막암의 수술 전 림프절 전이 예측을 위한 머신러닝 통합

문제 제ない (Problem Statement)
자궁내막암(EC)은 주요한 부인과적 악성 종양이다. 림프절 전이(LNM)에 대한 정확한 수술 전 예측은 개별화된 수술적 의사결정, 특히 저위험군 환자에게 비선택적 체계적 림프절 절제술로 인한 과잉 치료 및 관련 합병증(예: 림프부종, 장 폐쇄)을 피하기 위해 매우 중요하다. 기존의 임상 예측 모델은 종종 수술 후 병리학적 지표(예: 종양 등급, 침윤 깊이)나 복잡한 유전체 데이터에 의존하며, 이는 "수술 후 지표가 수술 전 결정을 안내하는" 근본적인 불일치를 야기한다. 또한, 기존 모델들은 Ki-67과 같은 핵심 예후 마커를 누락하거나, 수술 전에 사용 가능한 일상적인 혈청학적 및 면역조직화학적 프로필을 포괄적으로 통합하지 못하는 경우가 많다.

방법론 (Methodology)
본 연구는 2019년 10월부터 2025년 10월까지 하이난 종합병원에서 치료받은 594명의 자궁내막암 환자를 대상으로 하는 후향적 설계를 채택하였다.

• 데이터 수집: 변수에는 임상 기초 데이터, 수술 전 혈청학적 마커(AFP, CEA, CA125, CA19-9, CA72-4 등), 수술 후 병리학적 지표(근층 침윤, LVSI, 종양 크기 등), 그리고 면역조직화학적 프로필(p53, ER, PR, Ki-67, MMR 단백질)이 포함되었다.
• 특성 선택: 변수를 선별하고 과적합을 방지하기 위해 LASSO(Least Absolute Shrinkage and Selection Operator) 회귀 분석을 활용하였다. 이 과정을 통해 7개의 핵심 예측 인자가 식별되었다.
• 모델 구축: 네 가지 머신러닝 알고리즘인 로지스틱 회귀(LR), 랜덤 포레스트(RF), 서포트 벡터 머신(SVM), XGBoost를 구축하고 비교하였다.
• 검증 전략: 데이터셋을 개발 세트(n=416, 70%)와 테스트 세트(n=178, 30%)로 분할하였다. 모델 성능은 AUC(Area Under the Receiver Operating Characteristic Curve), 민감도, 특이도, 교정 곡선(calibration curves), 결정 곡선 분석(DCA)을 사용하여 평가하였다.
• 강건성 검증: 다양한 임상적 특성에 따른 하위 그룹 분석을 수행하였다. 또한, 모델의 안정성을 평가하기 위해 p53 변이 사례를 제외한 민감도 분석을 실시하였다.

주요 기여 (Key Contributions)

1. 수술 전 초점: 본 연구는 수술 후 데이터에 의존하는 모델의 한계를 해결하기 위해 오직 수술 전에 사용 가능한 지표만을 활용한 예측 모델을 개발하였다.
2. 다중 모드 통합: 모델은 일상적인 병리학적 파라미터(LVSI), 면역조직화학적 마커(PR), 혈청학적 바이오마커(CA19-9, CA72-4)를 체계적으로 통합한다. Ki-67은 평가되었으나, 최종 다변량 모델에서는 독립적인 예측 인자로 유지되지 않았다.
3. 알고리즘 비교: 본 연구는 단순한 모델(로지스틱 회귀)과 복잡한 모델(RF, XGBoost, SVM) 간의 비교 분석을 제공하며, 표본 크기가 제한된 의료 데이터셋에서는 단순한 모델이 더 우수한 일반화 성능을 보일 수 있음을 입증하였다.
4. 임상적 유용성 평가: 통계적 지표를 넘어, 결정 곡선 분석(DCA)을 사용하여 순 임상 이득(net clinical benefit)을 정량화함으로써 의사결정에서의 실질적인 적용 가능성을 확보하였다.

결과 (Results)

• 예측 인자: LASSO 회귀는 7개의 독립적인 예측 인자인 수술 전 CA19-9, CA72-4, 근층 침환 ≥1/2, 총 림프절 절제 수, LVSI, PR 발현, 그리고 수술 전 CA125를 식별하였다. 주목할 점은, CEA는 단변량 분석에서는 유의미했으나 다변량 분석에서는 독립적인 예측 유의성을 유지하지 못하여 LASSO에 의해 선택된 최종 7개 변수에 포함되지 않았다는 것이다.
• 모델 성능: 독립적인 테스트 세트에서 로지스틱 회귀 모델은 AUC 0.863 (95% CI: 0.788–0.938), 민감도 0.842, 특이도 0.761로 우수한 성능을 보였다.
  • 이는 랜덤 포레스트(AUC = 0.848), XGBoost(AUC = 0.839), SVM(AUC = 0.635)보다 뛰어난 성과였다.
  • 또한, 로지스틱 회귀 모델은 기존의 벤치마크인 ENDORISK 시스템(AUC = 0.820)과 Yang의 층화 시스템(AUC = 0.845)을 능가하였다.
• 특성 중요도: LVSI가 가장 중요한 특징으로 식별되었으며, 그 뒤를 이어 총 림프절 절제 수, PR 발현, 수술 전 CA19-9 순이었다.
• 강건성: 하위 그룹 분석 결과, 다양한 폐경 상태, LVSI 및 FIGO 병기 하위 그룹에서 일관된 성능(AUC ≥ 0.8)을 확인하였다. p53 변이 사례를 제외한 후에도 테스트 세트 AUC는 0.817로 안정적으로 유지되었다.
• 임상적 유용성: 결정 곡선 분석은 본 모델이 0.02에서 0.60 사이의 임계 확률 범위 내에서 "모두 치료" 또는 "치료 안 함" 전략보다 유의미한 순 임상 이득을 제공함을 나타냈다.

의의 및 주장 (Significance and Claims)
저자들은 일상적인 수술 전 지표에 기반한 로지스틱 회귀 모델이 자궁내막암의 림프절 전이를 효과적으로 예측할 수 있다고 주장한다. 본 연구는 다음과 같이 상정한다:

• 단순성 대 복잡성: 표본이 제한된 의료 데이터셋에서는 모델의 복잡성을 높이는 것이 반드시 예측 성능을 향상시키는 것은 아니며, 오히려 과적합을 초래할 수 있다. 단순한 로지스틱 회귀 모델이 복잡한 앙상블 방법보다 더 나은 일반화 성능을 보여주었다.
• 비용 효율성: 본 모델은 값비싼 유전체 시퀀싱이나 수술 후 데이터 없이도 수술 전 의사결정을 위한 경제적이고 접근 가능한 도구를 제공하며, 모든 수준의 의료 기관에서 사용 가능하다.
• 새로운 마커의 유용성: 본 연구는 수술 전 CA19-9와 CA72-4의 독립적인 예측 가치를 강조하며, 이들이 특정 맥락에서 CA125보다 뛰어난 성능을 보일 수 있는, 조기 림프절 전이에 취약한 공격적 하위 그룹을 식별할 수 있음을 시사한다.
• 임상적 전환: 수술 전 데이터만을 활용함으로써, 본 모델은 "수술 후 지표가 수술 전 결정을 안내하는" 역설을 해결하고, 개인화된 수술 계획을 위한 신뢰할 수 있는 토대를 제공한다.

본 논문은 모델이 높은 예측 정확도와 강건성을 보여주지만, 향-후 연구는 다기관 전향적 검증과 임상 도입을 촉진하기 위한 사용자 친화적인 노모그램 또는 온라인 계산기 개발에 집중해야 한다고 결론짓는다.