Development and validation of a knowledge-guided prognostic model in glioma based on hypoxia-related radiomic features

글리오마(glioma)로 알려진 뇌종양은 치료하기 가장 까다로운 질병 중 하나입니다. 이들은 중추신경계의 지지 세포에서 발생하며, 변화하고 적응하는 능력이 탁월하여 예측하거나 통제하기 어렵기로 악명이 높습니다. 이러한 종양의 행동 양식을 결정하는 핵심 요소는 '저산소증(hypoxia)'이라 불리는 상태, 즉 산소가 부족한 상태입니다. 종양이 혈액 공급 속도보다 너무 빠르게 성장하면 내부 세포들은 질식하기 시작합니다. 이러한 산소 결핍은 단순히 수동적인 상태에 머무는 것이 아니라, 암을 더욱 공격적으로 만들고 치료에 대한 저항성을 높이며, 종종 환자에게 좋지 않은 결과를 초-래하는 강력한 동력으로 작용합니다. 수십 년 동안 의사들은 침습적인 수술 없이 이 산소 결핍 상태를 측정하기 위해 고군분투해 왔으며, 이로 인해 환자의 머릿속에서 일어나는 질병의 진정한 본질을 추측에 의존해야만 했습니다.

연구자들은 의료 영상이 이러한 숨겨진 생물학적 현상을 들여다볼 수 있는 창이 되기를 오랫동안 희망해 왔습니다. 라디오믹스(radiomics) 분야는 컴퓨터를 사용하여 인간의 눈에는 보이지 않는 표준 MRI 스캔 내의 패턴을 찾아냄으로써 바로 그 일을 수행하고자 합니다. 그러나 이러한 영상 패턴을 환자의 생존과 연결하려는 이전의 많은 시도는 실패하거나 성과가 미비했는데, 이는 컴퓨터가 생물학적 가이드 없이 스스로 패턴을 찾도록 방치되었기 때문인 경우가 많았습니다. 중국 소주 대학교와 협력 병원 팀의 새로운 연구는 이러한 접근 방식을 바꾸고자 합니다. 연구진은 컴퓨터가 추측하게 두는 대신, 과학자들이 이미 알고 있는 종양의 저산소 반응 원리를 사용하여 탐색을 유도하는 모델을 구축했습니다. 이들은 이러한 생물학적 지식을 첨단 영상 분석과 결합하여, 글리오마 환자가 생존할 가능성이 높은 기간을 예측할 수 있는 도구를 만들어냈으며, 이를 통해 개인 맞춤형 치료를 향한 더 명확한 길을 제시했습니다.

연구팀은 먼저 두 곳의 서로 다른 병원과 공공 데이터베이스에서 471명의 환자 데이터를 수집했습니다. 이들은 수술을 받았으며 고성능 장비로 촬영된 수술 전 MRI 스캔을 보유한 환자들에게 집중했습니다. 이 스캔에는 세 가지 유형의 영상이 포함되었습니다: 표준 흑백 영상, 액체를 강조하는 영상, 그리고 혈관의 활성도를 보여주기 위해 조영제를 주입한 후 촬영된 영상입니다. 컴퓨터가 영상을 분석하기 전, 수년간의 경험을 가진 두 명의 전문 방사선 전문의가 모든 스캔 슬라이스마다 종양과 그 주변의 부종(swelling)의 윤곽을 정교하게 그렸습니다. 이는 컴퓨터가 모든 환자에게서 정확히 동일한 영역을 바라보도록 보장하기 위함이었습니다.

컴퓨터에게 종양 내의 "저산소 상태"가 어떻게 보이는지를 가르치기 위해, 연구진은 먼저 유전 정보 데이터베이스를 활용했습니다. 연구진은 152명 환자의 종양 샘 샘플 유전자를 분석하여 종양이 산소 부족으로 얼마나 고통받고 있는지를 나타내는 점수를 계산했습니다. 이 유전적 점수는 영상이 테스트될 기준점인 '실제 생물학적 사실(ground truth)' 역할을 했습니다. 그런 다음 연구진은 컴퓨터 알고리즘을 사용하여 종양의 질감, 모양, 픽셀 강도와 같은 수천 개의 미세한 세부 사항을 MRI 스캔에서 추출했습니다. 목표는 이 수천 개의 영상 세부 사항 중 어떤 것이 저산소증의 유전적 징후와 일치하는지를 찾는 것이었습니다.

연구진은 예측 모델을 구축하기 위해 독특한 전략을 적용했습니다. 그들은 영상의 세부 사항을 저산소증과 관련이 있을 것으로 보이는 그룹과 그렇지 않은 그룹의 두 그룹으로 나누었습니다. 환자의 생존을 예측하도록 컴퓨터를 훈련시킬 때, 연구진은 '저산소증' 그룹에 특별한 이점을 주어 모델이 이러한 특정 특징들에 더 주의를 기울이도록 지시했습니다. 이러한 지식 기반 접근 방식은 모델이 생존과 상관관계가 있는 아무 패턴이나 찾는 것이 아니라, 생물학적으로 타당한 패턴을 구체적으로 찾도록 만들었습니다. 연구진은 다섯 가지 다른 유형의 컴퓨터 학습 방법을 적용하여 종양의 산소 상태를 식별하는 데 어떤 것이 가장 효과적인지 테스트했으며, 로지스틱 회귀(logistic regression)라고 불리는 표준 통계 방법이 가장 정확한 것으로 나타났습니다.

결과는 이 새로운 모델이 놀라울 정도로 잘 작동한다는 것을 보여주었습니다. 연구진이 모델을 사용하여 환자를 고위험군과 저위험군으로 나누었을 때, 두 집단의 생존 결과 차이는 극명했습니다. 저산소증과 연결된 특정 영상 패턴을 보이는 고위험군 환자들은 저위험군 환자들보다 생존 기간이 현저히 짧았습니다. 모델은 높은 정확도로 생존을 예측했으며, 대다수의 경우 3년 앞의 결과를 정확히 식별해 냈습니다. 한 병원 센터에서는 모델이 3년 생존율에 대해 0.926의 AUC를 달 기록했고, 두 번째 센터에서도 0.833의 AUC를 달성했습니다. 이러한 수치는 모델이 완전히 다른 환자 집단을 대상으로 테스트했을 때도 유효했으며, 이는 모델이 단순히 한 세트의 데이터에 운 좋게 맞춘 것이 아님을 시사합니다.

이 연구는 생존 예측을 넘어, 왜 이러한 종양들이 위험한지에 대한 심층적인 통찰을 제공했습니다. 연구진은 영상 패턴에 의해 식별된 고위험 종양들이 생물학적으로 구별된다는 것을 발견했습니다. 이 종양들은 종양의 구조적 틀을 형성하는 데 도움을 주는 '기질 섬유아세포(stromal fibroblast)'라는 특정 유형의 세포로 가득 차 있었습니다. 이러한 밀집된 환경은 면역 체계가 암과 싸우는 것을 어렵게 만들고, 약물이 종양 세포에 도달하는 것을 방해할 가능성이 높습니다. 또한 영상 패턴은 면역 체계의 표지자들과도 강한 상관관관계를 보였는데, 이는 MRI 상의 종양 모습이 암과 신체의 방어 기제 사이에서 벌어지는 복잡한 전투를 직접적으로 반영하고 있음을 시사합니다.

연구는 또한 이 작업의 한계점을 명시했습니다. 연구진은 종양의 윤곽을 수동으로 그리는 과정이 의사들에게 매우 많은 시간을 소요하게 한다는 점과, 본 연구가 더 발전된 전문 영상 기술보다는 표준 MRI 스캔에 의존했다는 점을 언급했습니다. 또한 모델이 우수한 성능을 보였지만, 이는 과거의 데이터를 바탕으로 구축된 것이므로 향업 연구에서는 실제 임상 현장에서 모델을 테스트하여 실제로 치료 결정을 안내할 수 있는지 확인해야 한다고 지적했습니다. 그럼에도 불구하고, 이러한 제약 사항에도 불구하고 이 연구 결과는 컴퓨터에게 올바른 생물학적 단서를 찾도록 가르침으로써, 의사들이 뇌종양의 숨겨진 공격성을 이해할 수 있는 비침습적인 방법을 곧 갖게 될 것임을 시사합니다. 이는 환자에게 가장 공격적인 치료가 필요한 사람에게 집중하고, 다른 이들에게는 불필요한 독성을 피하게 함으로써 치료를 더욱 정밀하게 맞춤화할 수 있게 할 것입니다. 이 연구는 종양의 이미지가 단순히 크기뿐만 아니라, 그 생물학적 특성과 향후 운명까지 포함한 완전한 이야기를 전달하는 미래를 향한 한 걸음입니다.