📄 medicine

Development and Validation of an Intratumoral–Peritumoral Radiomics-Clinical Model for Preoperative Prediction of Synchronous Liver Metastasis in Pancreatic Neuroendocrine Tumors

본 연구는 종양 내 및 종양 주변 특징을 통합하고 종양 경계 평가를 결합한 CT 기반 라디오믹스 모델이 췌장 신경내분비종양에서 동시성 간 전이를 효과적으로 예측하며, CT상 전이가 발견되지 않는 사례에 대해서도 개선된 수술 전 위험 계층화를 제공한다는 것을 입증한다.

원저자: Jia-Bei Liu, Ying Liu, Cheng Tang, Yi-Xun Li, Qian Guo, Zi-Ning Lyu, Peng Peng

게시일 2026-08-12

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jia-Bei Liu, Ying Liu, Cheng Tang, Yi-Xun Li, Qian Guo, Zi-Ning Lyu, Peng Peng

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 수수께끼를 풀려는 탐정이라고 상상해 보세요. 하지만 단서들은 사진 속에 숨겨져 있습니다. 의학의 세계에서 의사들은 종양을 찾아내기 위해 CT 스캔이라는 도구를 사용합니다. CT 스캔은 몸 내부를 보여주는 특수한 X선 사진입니다. 보통 의사들은 혹의 모양, 크기, 색깔을 보고 그것이 위험한지 추측합니다. 하지만 때때로 어떤 종양은 겉으로는 완벽하게 무해해 보이지만, 마치 친절한 미소 아래에 무기를 숨긴 스파이처럼 몸의 다른 부위로 퍼질 계획을 비밀리에 세우기도 합니다. 이것은 특히 췌장의 신경내분비종양이라는 희귀한 유형의 종양에서 매우 까다로운 문제입니다. 여기서 의사들이 직면하는 큰 질문은 이것입니다. "이 종양은 그냥 제자리에 머물러 있는 것인가, 아니면 이미 간으로 비밀 요원들을 보내고 있는 것인가?"

이 질문에 답하기 위해 과학자들은 '라디오믹스(radiomics)'라고 불리는 도구를 사용하기 시작했습니다. CT 스캔을 수백만 개의 작은 색상 사각형(픽셀)으로 이루어진 거대한 디지털 모자이크라고 생각해 보세요. 인간의 눈은 전체적인 그림만을 볼 수 있지만, 라디오믹스는 모든 사각형의 정확한 색조를 세고 그것들이 어떻게 배열되어 있는지 측정하는 초강력 돋보기와 같습니다. 이것은 사진을 종양의 질감과 숨겨진 패턴을 설명하는 방대한 숫자의 목록으로 바꿔 놓습니다. 하지만 반전이 있습니다. 대부분의 탐정은 '종양 내부(intratumoral)'의 단서, 즉 종양 바로 내부의 패턴만을 살펴봅니다. 이 연구는 새로운 질문을 던집니다. "만약 우리가 '종양 주변(peritumoral)'의 단서도 함께 살펴본다면 어떨까?" 이는 종양 바로 주변에 있는 정상 조직의 아주 작은 고리를 조사하는 것을 의미합니다. 마치 캠핑장 주변의 진흙 속에 남겨진 발자국을 확인하여 누군가 몰래 빠져나가려 하는지 살피는 것과 같습니다.

광시의과대학교(Guangxi Medical University)의 연구팀은 종양 내부와 그 주변 환경을 모두 결합한 초특급 탐정 모델을 구축하기로 했습니다. 그들은 이 특정 췌장 종양을 가진 109명의 환자로부터 얻은 CT 스캔을 가져와 두 그룹으로 나누었습니다. 하나는 컴퓨터에게 패턴을 찾는 법을 가르치는 훈련 그룹이고, 다른 하나는 컴퓨터가 실제로 똑똑한지 확인하는 테스트 그룹입니다. 그들은 컴퓨터에 종양과 그 주변 3mm 조직에서 추출한 수천 개의 미세한 세부 정보를 입력한 뒤, 일반적인 CT 스캔으로는 볼 수 없는 숨겨진 간 전이(metastases)가 이미 발생했는지 예측하도록 했습니다.

결과는 꽤 흥격적이었습니다. 컴퓨터는 종양과 그 주변 고리를 함께 보는 것이 종양만을 보는 것보다 훨씬 더 낫다는 것을 학습했습니다. 그들이 새로운 '종양 내부-주변(Intratumoral–Peritumoral)' 모델을 테스트했을 때, 그것은 믿기 힘들 정도로 정확했습니다. 훈련 그룹에서는 96.4%의 확률로 정답을 맞혔고, 테스트 그룹에서도 여전히 88.5%의 정확도를 보였습니다. 연구진은 또한 하나의 특정한 시각적 단서, 즉 종양의 경계가 흐릿하고 불분명한 것이 그 자체로 강력한 경고 신호라는 것을 발견했습니다. 컴퓨터의 초정밀 수학적 계산과 이 단순한 시각적 단서를 결합했을 때, 모델은 더욱 날카로워져 테스트 그룹에서 90.7%의 정확도에 도달했습니다.

아마도 이 이야기에서 가장 인상적인 부분은 '보이지 않는' 스파이들에게 일어난 일일 것입니다. 8명의 환자에게서 표준 CT 스캔은 "간 전이 없음!"이라고 말했지만, 수술이나 이후의 검사 결과 암이 실제로 이미 퍼져 있었다는 것이 밝혀졌습니다. 그러나 새로운 모델은 이 8명 중 6명에게서 숨겨진 위험을 포착해 냈습니다. 그것은 마치 모델이 메인 사진이 조용해 보일 때조차 주변 조직을 통해 종양이 퍼져나가는 속삭임을 들을 수 있었던 것과 같습니다. 저자들은 이 접근 방식이 특히 암이 눈에 띄지 않게 숨어 있는 환자들에게 수술 전 의사들이 더 나은 결정을 내리는 데 도움을 줄 수 있다고 제안합니다. 비록 이 연구는 비교적 적은 수의 환자를 대상으로 진행되었고 확실성을 위해 다른 병원에서의 추가적인 테스트가 필요하지만, 종양의 '이웃'을 살펴보는 것이 가장 교활한 암을 조기에 잡아내는 열쇠가 될 수 있음을 시사합니다.

기술 요약: 췌장 신경내분비종양의 동시 간 전이의 수술 전 예측을 위한 종양 내-종양 주위 라디오믹스-임상 결합 모델의 개발 및 검증

문제 제기
췌장 신경내분비종양(PNET)은 상당한 생물학적 이질성을 보이며, 환자의 약 40%~50%가 진단 시 원격 전이를 동반하며 그중 가장 흔한 부위는 간이다. 동시 간 전이(SLM)의 존재는 예후와 치료 선택을 결정하는 중요한 요소이다. 그러나 수술 전 SLM을 신뢰성 있게 식별하는 것은 여전히 어려운 과제이다. 기존의 조영 증강 컴퓨터 단층촬영(CT)은 주로 형태학적 평가에 의존하며, 이는 종종 소량의 병변이나 영상학적으로 보이지 않는 전이 병변을 감지하는 데 실패한다. 또한, 라디오믹스가 종양의 등급과 공격성을 예측하는 데 잠재력을 보여주었으나, 기존 연구들은 주로 종양 내부(intratumoral) 특징에 집중되어 왔으며, 전이 가능성에 미치는 종양 미세환경의 영향을 포착하기 위한 종양 주위(peritumoral) 영역의 잠재적 가치는 대체로 간과되어 왔다.

방법론
2020년 1월부터 2025년 9월 사이에 수술 전 조영 증강 CT를 시행한, 병리학적으로 확진된 PNET 환자 109명을 대상으로 한 이 회고적 연구는 광서 의과대학교 제1 부속 병원에서 수행되었다. 환자들은 7:3 비율로 무작위로 훈련 코호트( $n=76$ )와 테스트 코호트( $n=33$ )로 나누어졌다.

영상 분할 및 특징 추출: 영상의학 전문의가 CT 영상에서 일차 종양을 수동으로 구획하였다. 등방성 확장(isotropic expansion)을 통해 3mm의 종양 주위 관심 영역(ROI)을 자동으로 생성하였다. 세 가지 ROI가 정의되었다: 종양 내부, 종양 주위(3mm), 그리고 종합적인 종양 내-종양 주위 ROI이다. PyRadiomics를 사용하여 각 ROI로부터 1,688개의 핸드크래프트 특징(형태, 1차 통계량, 그리고 GLCM, GLRLM, GLSZM, GLDM, NGTDM 행렬 및 필터링된 이미지에서 유도된 질감 특징)을 추출하였다.
특징 선택 및 모델 개발: 분산이 0이거나 상관관계가 높은 특징들을 제거하였다. 가장 정보가 많은 특징을 선택하기 위해 10회 교차 검증을 포함한 최소 절대 수축 및 선택 연산자(LASSO) 회귀 분석을 적용하였다. 다섯 가지 머신러닝 알고리즘(로지스틱 회귀, SVM, 랜덤 포레스트, KNN, LightGBM)을 학습시켜 라디오믹스 모델을 개발하였다.
임상 모델 개발: 임상 변수(인구통계학적 특성, 염증 바이오마커, 간 기능, 종양 표지자)와 CT 의미론적 특징(종양 크기, 경계, 모양, 조영 증강, 낭성/괴사, 석회화, 림프절, 췌관 확장)을 수집하였다. 독립적인 임상 예측 인자를 식별하기 위해 단변량 및 다변량 로지스틱 회귀 분석을 수행하였다.
결합 모델 및 검증: 최적의 성능을 보이는 라디오믹스 모델을 로지스틱 회귀를 사용하여 독립적인 임상 예측 인자와 통합하여 라디오믹스-임상 결합 모델을 생성하였다. 성능은 곡선 아래 면적(AUC), 민감도, 특이도, 정확도, 교정 곡선(calibration curves), 결정 곡선 분석(DCA)을 사용하여 평가하였다. 모델의 해석을 위해 Shapley Additive Explanations(SHAP)가 사용되었다.

주요 결과

라디오믹스 성능: 라디오믹스 모델 중, 종양 내-종양 주위 모델이 종양 내 전용 또는 종양 주위 전용 모델보다 우수한 성능을 보였다. 이 모델은 훈련 코호트에서 0.964(95% CI: 0.930–0.997)의 AUC를, 테스트 코호트에서 0.885 (95% CI: 0.773–0.996)의 AUC를 달성하였다.
임상 예측 인자: 다변량 분석 결과, 종양 경계(불분명함 vs 명확함)가 SLM의 유일한 독립적 임상 예측 인자로 확인되었다 (OR: 6.375, $P=0.019$ ).
결합 모델 성능: 종양 내-종양 주위 라디오믹스 시그니처와 종양 경계를 통합했을 때 가장 높은 예측 정확도를 나타냈다. 결합 모델은 훈련 코호트에서 0.967 (95% CI: 0.933–1.000)의 AUC를, 테스트 코호트에서 0.907 (95% CI: 0.793–1.000)의 AUC를 달성하였다. 이는 단독 라디오믹스 모델과 임상 모델(훈련 및 테스트에서의 AUC 각각 0.794 및 0.789)보다 뛰어난 성과였다.
CT-잠복 전이 탐지: 수술 전 CT에서는 보이지 않으나 병리학적으로 확인된 8명의 CT-잠복 동시 간 전이 환자를 대상으로 한 탐색적 분석에서, 결합 모델은 6명의 환자(75.00%)를 정확하게 분류하였다.
해석 가능성: SHAP 분석은 개별 라디오믹스 특징의 기여도를 정량화하여, 잠복 전이 사례를 포함한 모델 예측에 대한 시각적 설명을 제공하였다.

의의 및 주장
저자들은 종양 내 및 종양 주위 라디오믹스 특징을 통합하는 것이 종양 내부 특징만으로 달성할 수 있는 수준을 넘어, PNET에서 동시 간 전이의 수술 전 예측력을 향상시키는 상보적인 정보를 제공한다고 주장한다. 본 연구는 종양 주위 영역이 종양 핵(core)에서는 나타나지 않는 종양-미세환경 상호작 작용 및 전이 가능성과 관련된 영상 정보를 포착한다는 점을 시사한다.

본 연구의 주요 의의는 우수한 판별력과 교정력을 갖춘 비침습적 CT 기반 라디오믹스-임상 결합 모델을 개발했다는 데 있다. 저자들은 이 접근 방식이 CT-잠복 전이를 가진 환자들을 식별하는 데 도움을 줄 수 있으며, 이들은 전이 부담이 실제보다 과소평가될 수 있는 대상임을 시사한다. 이는 보다 개별화된 수술 전 치료 계획 수립 및 예후 평가를 지원할 수 있다. 결론적으로, 정량적 영상 이질성을 일상적인 임상 의미론적 특징과 결합하는 것은 단일 양식보다 종양의 거동에 대해 더 포괄적인 평가를 제공한다.

한계점
저자들은 회고적, 단일 센터 설계, 상대적으로 작은 표본 크기, 외부 검증의 부재를 포함한 몇 가지 한계점을 인정하였다. 또한, 본 연구는 조영 증강 CT만을 활용하였으며, 라디오믹스 특징의 생물학적 근거를 라디오게노믹스(radiogenomics) 또는 병리학적 상관관계와 연계하여 탐구하지 않았다.

유사한 논문