Mammography-Based Deep Learning Radiomics for Predicting HER2 Expression in Breast Cancer: A Dual-Center Study with Focus on HER2-Low Status
이 이중 센터 연구는 Visformer 아키텍처를 사용하는 유방 촬영술 기반 딥러닝 라디오믹스 모델이 유방암 환자의 HER2 양성 대 HER2 음성 상태 및 HER2 저발현 대 HER2 제로 상태를 비침습적이고 신뢰성 있게 예측할 수 있음을 입증한다.
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
유방암은 전 세계 여성에게 가장 흔하게 발생하는 악성 종양으로 남아 있으며, 종양의 구체적인 생물학적 구성이 치료 경로를 결정하는 질환입니다. 의사들이 종양을 이해하기 위해 조사하는 많은 표지자 중 HER2라고 불리는 것은 특히 중요합니다. 새로 진단된 사례의 약 5분의 1에서 암세포는 이 단백질을 과도하게 보유하고 있는데, 이를 HER2 양성 상태라고 합니다. 이러한 종양은 더 공격적으로 성장하는 경향이 있지만, 해당 단백질을 공격하도록 설계된 특정 표적 치료제에 잘 반응하기도 합니다. 수십 년 동안 이러한 종양을 식별하기 위한 표준적인 접근 방식은 생검이라고 알려진 작은 조직 샘의을 채취하여 현미경으로 관찰하는 것이었습니다. 그러나 최근 의학적 이해에 있어 새로운 범주가 등장했습니다: 바로 HER2 저발현(HER2-low)입니다. 이 종양들은 HER2 양성이라 불릴 만큼 충분한 단백질을 가지고 있지는 않지만, 새로운 세대의 강력한 약물에 반응할 가능성이 있을 만큼의 단백질을 보유하고 있습니다. HER2가 전혀 없는 종양과 약간 있는 종양을 구분하는 것은 이제 매우 중요한 임상적 질문이 되었으나, 전통적인 검사 방법은 종양 내 세포의 불균일한 분포로 인해 목표를 놓칠 수 있는 침습적인 절차에 의존합니다.
연구팀은 다른 비침습적인 접근 방식이 이 문제를 해결할 수 있는지 알아보기 위해 연구를 시작했습니다. 그들은 대부분의 여성에게 친숙하고 널리 보급되어 있는 유방암 선별 검사의 표준인 유방 촬영술(mammography)로 눈을 돌렸습니다. 연구팀은 단순히 방사선 전문의가 이미지를 시각적으로 검사하는 것에 의존하는 대신, 딥 러닝 라디오믹스(deep learning radiomics)라는 기술을 적용했습니다. 이 과정은 디지털 유방 촬영 영상을 인간의 눈으로는 인지할 수 없는 미세한 패턴과 질감을 감지할 수 있는 컴퓨터 시스템에 입력하는 과정을 포함합니다. 연구진은 이러한 숨겨진 디지털 징후가 수술이나 생검이 이루어지기 전에 종양의 HER2 상태를 예측할 수 있는지 알고 싶었습니다. 그들은 두 가지 구체적인 과제에 집중했습니다. 첫째, HER2 양성 종양과 그렇지 않은 종양을 구별하는 것, 둘째, 새롭게 중요해진 HER2 저발현 그룹을 HER2 발현이 전혀 없는 그룹과 분리하는 것이었습니다.
이 아이디어를 테스트하기 위해 연구진은 확진된 유방암 환자 546명의 데이터를 수집했습니다. 그들은 컴퓨터 모델을 훈련시키고 테스트하기 위해 환자들을 그룹별로 나누었으며, 이를 통해 결과가 단일 데이터 세트에 의한 운 좋은 추측이 아님을 보장했습니다. 컴퓨터 시스템은 유방 촬영술을 분석하여 종양의 모양, 질감, 밀도에 관한 수천 개의 미세한 수치적 세부 사항을 추출했습니다. 여러 가지 서로 다른 수학적 모델의 예측을 결olo 결합함으로써, 팀은 최종 결정을 내리기 위해 설계된 하나의 강력한 도구를 만들었습니다. 결과는 이 디지털 접근 방식이 실제로 차이를 "볼 수 있음"을 보여주었습니다. HER2 양성 종양을 나머지와 구별하려고 했을 때, 모델은 초기 테스트에서 높은 정확도를 보였으며, 완전히 새로운 병원의 환자 그룹을 대상으로 테스트했을 때 성능이 약간 떨어지기는 했지만, 여전히 그룹을 구별하는 신뢰할 만한 능력을 유지했습니다.
연구팀이 HER2 저발현 종양을 HER2가 전혀 없는 종양과 분리하는 어려운 과제에 집중했을 때 결과는 더욱 고무적이었습니다. 초기 훈련 단계에서 모델은 매우 성공적이었으며, 외부 환자 그룹에 적용되었을 때도 어느 정도 수준을 유지했습니다. 연구는 또한 의사들이 위험도를 평가하는 데 사용하는 전통적인 요인들, 즉 종양의 크기, 환자의 연령, 유방 조직 밀도 등을 조사했습니다. 그들은 종양 세포의 높은 등급(grade)이나 빠른 세포 분열 속도와 같은 특정 특성들이 HER2 양성 상태와 밀접하게 연관되어 있음을 확인했습니다. 마찬가지로, 호르몬 수용체 상태와 유방 밀도가 HER2 저발현을 식별하는 데 역할을 한다는 것을 발견했습니다. 그러나 X선 영상으로부터 이러한 상태를 직접 예측하는 컴퓨터 모델의 능력은 이러한 다른 변수들에만 의존하지 않는 새로운 통찰력을 제공했습니다.
연구진은 자신들의 연구에 한계가 있음을 인정했습니다. 이 연구는 새로운 환자를 추적 관찰하는 것이 아니라 과거의 환자 기록을 되짚어보는 방식이었기 때문에, 데이터 선택 과정에서 편향이 도입되었을 가능성이 있습니다. 또한, X선 상의 종양 영역을 인간 방사선 전문의가 수동으로 윤곽을 그렸다는 점은 이 과정이 아직 완전히 자동화되지 않았음을 의미합니다. 게다가 환자 수가 상당하기는 하지만, 결과가 가능한 모든 시나리오에서 반드시 성립한다고 보장할 만큼 크지는 않았습니다. 이러한 제한 사항에도 불구하고, 이 연구는 단순히 암을 찾는 도구로 여겨졌던 유방 촬영술이 질병의 분자적 본질을 들여다보는 강력한 창이 될 수 있음을 시사합니다. HER2 상태를 추정하는 비침습적인 방법을 제공함으로써, 이 접근 방식은 언젠가 의사들이 치료 계획에 대해 더 정보에 입각한 결정을 내리는 데 도움을 주고, 잠재적으로 반복적인 생검의 필요성을 줄이며, 환자들이 적절한 표적 치료를 더 빨리 받을 수 있도록 할 수 있습니다. 이 연구는 현재의 조직 검사 표준을 대체한다고 주장하는 것이 아니라, 영상 기술과 인공지능이 협력하여 바늘을 단 한 번도 사용하기 전에 질병에 대한 더 명확하고 완전한 그림을 제공하는 미래를 향한 이정표를 제시하는 것입니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.