Machine Learning Model Integrating Clinical Features, CT Radiomics, and Transfer Learning for Predicting Aggressive Recurrence of Hepatocellular Carcinoma

기술 요약: 간세포암의 공격적 재발 예측을 위한 임상적 특징, CT 라디오믹스 및 전이 학습 통합 머신러닝 모델

문제 정의
간세포암(HCC)은 암 관련 사망의 주요 원인으로 남아 있으며, 완치 목적의 간 절제술 후 재발률은 60~06%에 달한다. 핵심적인 임상적 과제는 "공격적 재발(aggressive recurrence)"을 예측하는 것인데, 이는 밀란 기준(Milan criteria)을 초과하는 첫 재발(예: 큰 종양 부담, 혈관 침범 또는 간외 전이)로 정의된다. 현재의 위험 평가는 미세혈관 침범과 같은 수술 후 병리적 특징이나 AFP와 같은 혈청 마커에 크게 의존하고 있으나, 이는 수술 전 의사결정을 위한 민감도가 부족하다. 라디오믹스가 비침습적인 대안을 제시하고 있지만, 전통적인 핸드크래프트 특징(handcrafted features)은 종양 공격성의 복잡한 공간적 패턴을 포착하는 데 어려움을 겪으며 소규모 데이터셋에서 과적합(overfitting)되기 쉽다. 또한, 딥러닝 모델은 일반적으로 대규모의 주석이 달린 데이터셋을 필요로 하지만, 의료 영상 분야에서는 그러한 데이터가 희귀하다. 본 연구는 개별화된 주술기 전략을 위해 임상 데이터, 전통적 라디오믹스 및 딥러닝 특징을 통합하여 고위험 환자를 식별할 수 있는 수술 전 비침서적 예측 모델의 필요성을 다룬다.

연구 방법론
본 연구는 2013년부터 2020년까지 광서 의과대학교 제1 부속 병원에서 완치 목적의 간 절제술을 받은 455명의 간세포암 환자를 대상으로 한 후향적 설계를 채택하였다. 코호트는 7:3 비율로 훈련 그룹(n=318)과 검증 그룹(n=137)으로 나뉘었다.

1. 데이터 획득 및 전처리:

   • 임상 데이터: 수술 전 변수로는 인구통계학적 특성, 실험실 검사(예: 알부민, AFP, FIB-4) 및 영상 측정치(예: 문맥 직경)가 포함되었다.
   • 영상: 수술 전 문맥기 조영 증강 CT 영상을 사용하였다. 관심 영역(ROI)은 두 명의 숙련된 전문의가 ITK-SNAP을 사용하여 수동으로 분할하였다.
   • 라디오믹스: PyRadiomics를 사용하여 1차 통계량, 텍스처 매트릭스(GLCM, GLRLM, GLSZM, NGTDM, GLDM) 및 형태 특징을 포함하는 1,561개의 핸드크래프트 특징을 추출하였다. 추출된 특징들은 Z-score 정규화를 거쳤다.
   • 딥러닝 (전이 학습): ImageNet으로 사전 학습된 ResNet-50 모델을 훈련 세트에 미세 조정(fine-tuning)하였다. 딥러닝 특징은 전역 평균 풀링 레이어(global average pooling layer)에서 추출되었으며(2,048 차원), 주성분 분석(PCA)을 통해 150개의 주성분으로 축소되었다.

2. 특징 선택 및 모델 구축:

   • 선택: 단변량 t-검정, 상관관계 분석(임계값 0.9) 및 LASSO 회귀를 사용하여 중복성을 제거하고 가장 예측력이 높은 하위 집합을 선별하였다.
   • 다중 모달 융합: 초기 융합(early fusion)을 통해 "DLR"(Deep Learning and Radiomics) 특징 세트를 생성하였다.
   • 알고리즘: 8가지 머신러닝 알고리즘(Logistic Regression, SVM, KNN, Random Forest, Extra Trees, XGBoost, LightGBM, MLP)을 테스트하였다. 성능에 따라 XGBoost가 최적의 분류기로 선택되었다.
   • 모델 구축: 네 가지 별도의 모델(임상 전용, 라디오믹스 전용, DLR 전용, 그리고 다중 모달 융합 모델 [임상 + 라디오믹스 + DLR])을 구축하였다.
   • 평가: 성능은 훈련 그룹과 독립 검증 그룹 모두에서 AUC, 교정 곡선(calibration curves), 결정 곡선 분석(DCA)을 사용하여 평가되었다.

주요 결과

• 독립적 예측 인자: 다변량 로지스틱 회귀 분석 결과, 공격적 재발에 대한 네 가지 독립적인 임상 요인이 확인되었다: 알부민(OR=0.927), FIB-4 점수(OR=0.524), 문맥 직경(OR=1.173), 간 구역 S2 침범(OR=0.071).
• 훈련 성능: 다중 모달 융합 모델은 훈련 그룹에서 AUC 0.996(95% CI: 0.992–1.000)이라는 탁월한 판별 능력을 달却성하였다. DLR 모델 또한 거의 완벽한 성능(AUC 0.994)을 보였다.
• 검증 성능: 독립 검증 그룹에서는 모든 모델의 성능이 크게 하락하여 심각한 과적합을 나타냈다. 다중 모달 융합 모델의 AUC는 0.567(95% CI: 0.468–0.667)에 불고하였고, DLR 모델은 0.564, 임상 모델은 0.436을 기록하였다.
• 임상적 유용성: 결정 곡선 분석(DCA) 결과, 검증 그룹에서 다중 모달 융합 모델의 순 이익(net benefit)은 어떤 확률 임계값에서도 "모두 치료(treat all)" 또는 "모두 치료 안 함(treat none)" 전략을 초과하지 않았다.

의의 및 주장
본 논문은 전이 학습 기반의 딥러닝 특징, 전통적 라디오믹스 및 임상 변수를 간세포암의 공격적 재발 예측을 위해 체계적으로 통합한 첫 번째 연구라고 주장한다.

• 이론적 타당성: 본 연구는 다중 소스 이종 정보 융합이 이론적으로 가능하다는 것을 입증하였다. 결합 모델이 단일 모달리티 모델보다 우수한 훈련 성능을 보였는데, 이는 딥러닝 특징이 종양의 이질성에 관한 상보적인 정보를 포착하고 있음을 시사한다.
• 임상적 주의 사항: 결정적으로, 저자들은 본 모델이 현재 임상 의사결정에 부적합함을 명시적으로 밝히고 있다. 훈련 AUC와 검증 AUC 사이의 상당한 격차와 DCA에서의 순 임상 이익 결여는, 모델이 "고차원 특징 – 제한된 샘플 – 복잡한 모델"의 딜레마로 인해 과적합 문제를 겪고 있음을 확인시켜 준다.
• 향-후 방향: 저자들은 본 연구의 주요 가치가 다중 모달 융합 전략을 위한 방법론적 참조를 제공하는 데 있다고 강조한다. 저자들은 모델을 검증하고 최적화하기 위해 더 큰 표본 크기를 가진 대규모 다기관 전향적 연구가 필요하다고 결론지으며, 본 모델이 개별화된 주술기 치료 계획에 적용되기 전에는 준비된 임상 도구가 아닌, 소규모 의료 데이터셋에서 딥러닝과 라디오믹스를 통합하는 데 대한 개념 증명(proof-of-concept)으로서의 역할을 한다고 설명한다.