Prediction of LN-prRLN Metastasis in cN0 PTMC Patients Using Logistic Regression and Machine Learning: A Single-Center Retrospective Study

갑상선암은 인체의 호르몬 생성 기관에 영향을 미치는 가장 흔한 암 유형이며, 이러한 사례의 대다수는 유두상 갑상선암이라고 알려진 서서히 성장하는 형태입니다. 이 그룹 내에는 너무 작아서 미세암(microcarcinomas)이라 불리는 특정 하위 집단의 종양이 존재합니다. 이 작은 종양들은 대개 온순하게 진행되지만, 여전히 목에서 액체를 배출하는 작은 강낭콩 모양의 필터인 인근 림프절로 전이될 수 있습니다. 외과의들에게 특히 까다로운 구역 중 하나는 성대를 조절하는 오른쪽 신경 뒤에 위치한 림프절 군집입니다. 이 신경은 깊은 조직 사이를 휘감아 지나가기 때문에, 표준 초음파 검사로는 그곳에 숨어 있는 암세포를 놓치는 경우가 많습니다. 이는 의사들에게 어려운 딜레마를 안겨줍니다. 즉, 암을 볼 수 없다면 안전을 위해 이 깊은 곳의 림프절을 제거해야 할까요, 아니면 불필요한 위험을 피하기 위해 그대로 두어야 할까요?

쿤밍 의과대학교 제1부속 병원의 연구팀은 수술 전 검사에서 전이 징후가 나타나지 않았던 이러한 미세 갑상선 종양 환자 1,000여 명의 기록을 검토함으로써 이 수수께끼를 풀기 위해 착수했습니다. 그들은 높은 정확도로 이 숨겨진 림프절에 실제로 암이 있는지 예측할 수 있는 도구를 구축하고자 했습니다. 이를 위해 그들은 초음파로 관찰된 종양의 크기와 모양, 환자의 연령, 그리고 다른 목 부위의 림프절에서 암이 발견된 개수와 같은 구체적인 수술 결과를 포함하여 각 환자에 대한 상세한 정보를 수집했습니다. 그런 다음 이 데이터를 두 그룹으로 나누어, 한 그룹은 컴퓨터 모델이 패턴을 식로하도록 학습시키는 데 사용하고, 다른 작은 그룹은 모델이 새로운 환자에게 실제로 작동하는지 테스트하는 데 사용했습니다.

연구진은 두 가지 서로 다른 유형의 예측 시스템을 훈련시켰습니다. 첫 번째는 위험 요인과 결과 사이의 직선적 관계를 찾는 전통적인 통계 방식입니다. 두 번째는 인간의 눈이 놓칠 수 있는 복잡하고 비선형적인 연결 고리를 찾아내도록 설계된 머신러닝 시스템, 구체적으로는 XGBoost라고 불리는 알고리즘입니다. 두 시스템 모두에 종양이 외피를 뚫고 나왔는지 여부나 성대 앞쪽 또는 목 왼쪽의 림프절에서 암이 발견되었는지와 같은 세부 정보를 입력했습니다. 목표는 어떤 시스템이 신경 뒤의 깊은 곳에 숨겨진 림프절에 암이 있는지 가장 잘 추측할 수 있는지 확인하는 것이었습니다.

결과에 따르면 두 방법 모두 매우 효과적이었으나, 머신러클 모델이 안정성 면에서 약간의 우위를 점했습니다. 숨겨진 암을 예측하는 데 있어 가장 강력한 예측 인자는 종양의 크기나 환자의 연령이 아니라, 접근이 용이한 두 특정 구역, 즉 성대 앞쪽의 림프절과 오른쪽 신경 앞쪽의 림프절에서 발견된 암 림프절의 비율이었습니다. 이 비율이 높을 때 신경 뒤에 암이 숨어 있을 가능성이 급격히 높아졌습니다. 실제로 이 두 가지 요인이 머신러닝 모델 예측력의 3분의 2 이상을 차지했습니다. 종양이 캡슐을 뚫고 나왔는지 여부나 다발성 미세 종양의 존재와 같은 다른 요인들도 역할을 했지만, 그 영향력은 주변 림프절 그룹의 암 부담에 비해 훨씬 작았습니다.

연구진이 두 모델을 비교했을 때, 고급 머신러닝 시스템이 숨겨진 암이 있는 환자와 없는 환자를 구분하는 데 약간 더 나은 성능을 보였으나 그 차이는 통계적으로 매우 크지는 않았습니다. 더 중요한 것은, 머신러킹 모델이 다양한 위험 수준에 걸쳐 확률을 예측할 때 더 일관성을 유지한 반면, 전통적인 모델은 더 많은 변동성을 보였다는 점입니다. 연구진은 머신러닝 모델이 정확히 어떻게 결정을 내리는지 시각화하는 기법을 사용하여, 모델이 앞서 언급한 림프절 비율에 크게 의존하고 있음을 확인했습니다. 이는 숨겨진 림프절로의 암 전이가 접근 가능한 주변 영역에 이미 축적된 암의 양과 밀접하게 연관되어 있음을 시사합니다.

연구는 복잡한 머신러닝 모델이 정교한 관계를 다루는 데 강력한 방법을 제공하지만, 단순한 전통적 모델 또한 성능이 우수하며 바쁜 수술실에서 의사들이 사용하기에 더 쉬울 수 있다고 결론짓습니다. 두 도구 모두 추측을 넘어, 미세한 갑상선 종양 환자 중 숨겨진 전이 위험이 높은 환자를 식별할 수 있는 방법을 제공합니다. 위험이 높은 개인을 정확하게 포착함으로써, 의사들은 모든 암을 제거해야 하는 필요성과 수술 합병증을 최소화하려는 욕구 사이의 균형을 맞추며, 깊은 목 림프절에 대해 더 광범위한 절제를 수행할지 여부에 대해 더 정보에 입각한 결정을 내릴 수 있습니다. 이 연구 결과는 단순히 종양 자체를 측정하는 것보다 접근 가능한 림프절의 암 부담을 살펴보는 것이 숨겨진 위험을 파악하는 데 더 명확한 창을 제공한다는 것을 시사합니다.