Ultrasound-based deep learning-derived radiomics for preoperative prediction of sentinel lymph node metastasis in invasive breast cancer: a two-center retrospective study

유방암 치료의 여정에서, 가장 중요한 결정 중 하나는 첫 번째 절개가 이루어지기 전에 발생합니다. 바로 암이 인근 림프절로 전이되었는지 여부를 판단하는 것입니다. 이 작은 콩 모양의 장기들은 유방에서 나오는 액체를 걸러내는 신체의 첫 번째 방어선 역할을 합니다. 만약 암세 세포가 그곳으로 이동했다면, 수술 계획은 크게 달라집니다. 전통적으로 의사들은 감시 림프절 생검을 수행해야 하는데, 이는 외과의가 특정 림프절을 제거하여 현미경으로 암을 확인하는 절차입니다. 이 방법은 효과적이긴 하지만, 부종과 불편함을 초래할 수 있는 침습적인 단계이며 항상 완벽한 것도 아닙서; 때로는 검사가 암을 놓치기도 하고, 때로는 암이 전이되지 않은 환자들에게 불필요한 수술을 유도하기도 합니다. 수십 년 동안 연구자들은 이러한 전이를 비침습적인 도구를 사용하여 예측할 방법을 찾아왔으며, 이를 통해 환자들이 필요하지 않은 수술을 피할 수 있기를 희망해 왔습니다. 초음파는 소리의 파동을 이용해 신체의 영상을 만드는 흔한 영상 기술로, 유방 종양을 관찰하는 표준 도구로 오랫동안 사용되어 왔지만, 보이지 않는 암세포의 전이를 포착하는 능력은 영상을 해석하는 인간의 눈이 가진 한계에 의해 제한되어 왔습니다.

중국의 두 병원 출신 연구진은 컴퓨터에게 초음파 영상에서 인간의 눈이 놓칠 수 있는 패턴을 보는 법을 가르침으로써 이 오래된 문제에 대한 새로운 접근 방식을 취했습니다. 그들은 침윤성 유방암이라고 불리는 특정 유형의 유방암에 집중했는데, 이 암은 종양이 유방 조직을 뚫고 림프절로 이동할 가능성이 있는 암입니다. 연구팀은 246명의 환자로부터 얻은 종양 초음파 영상을 수집했으며, 이들은 모두 림프절에 암이 있는지 확인하기 위해 수술을 받은 환자들이었습니다. 연구팀은 이 환자들을 두 그룹으로 나누었습니다. 한 그룹은 컴퓨터를 학습시키기 위한 광저우의 한 병원 환자들이고, 다른 그룹은 컴퓨터가 학습한 내용을 보지 못한 새로운 환자들에게 적용할 수 있는지 테스트하기 위한 다른 병원의 별도 그룹입니다. 컴퓨터는 방사선 전문의가 종양의 모양이나 밝기를 주목하며 영상을 보는 방식과는 다르게 작동했습니다. 대신, 이 시스템은 인공지능의 일종인 딥러닝 시스템을 사용하여 영상을 수천 개의 미세한 수학적 세부 사항으로 분해했습니다. 그런 다음 시스템은 의사 결정 알고리즘을 사용하여 림프절로 암이 도달했는지를 가장 잘 예측할 수 있는 이러한 세부 사항들의 특정 조합을 찾아냈습니다.

이 연구의 결과는 컴퓨터 모델이 이러한 예측을 수행하는 데 있어 중간 정도의 성공 수준을 달дя성했음을 보여줍니다. 시스템을 학습시키는 데 사용된 환자 그룹을 테스트했을 때, 모델은 0.73의 AUC를 달성했습니다. 연구진이 두 번째 병원의 독립적인 환자 그룹에 대해 동일한 모델을 테스트했을 때, 모델은 0.74의 AUC를 기록하며 일관된 성능을 유지했습니다. 서로 다른 초음파 기기를 사용하는 두 병원 간의 이러한 일관성은 컴퓨터가 단순히 보여준 이미지를 암기한 것이 아니라 진정한 패턴을 학습했음을 시사합니다. 그러나 이 모델은 완벽한 수정구슬은 아닙니다. 두 번째 병원의 테스트 그룹에서, 모델은 암이 전이되지 않은 환자들을 올바르게 식별하는 데 매우 뛰어났으며, 약 84%의 성공률을 보였습니다. 이는 이 도구가 특정 저위험 환자들에게 침습적인 생검을 건너뛰도록 의사들이 확신을 갖게 하는 데 잠재적으로 도움이 될 수 있다는 점에서 가치 있는 발견입니다.

그럼에도 불구하고, 이 연구는 이 도구가 부족한 부분 또한 강조합니다. 모델은 암이 실제로 전이된 모든 사례를 잡아내는 데는 덜 성공적이었으며, 이러한 사례들을 약 65%의 확률로만 정확히 식별했습니다. 일부 전이 사례를 놓쳤기 때문에, 연구진은 이 도구가 단독으로 표준 생검 절차를 대체할 수는 없다고 강조합니다. 만약 의사가 이 컴퓨터 예측에만 의존하여 암 전이를 배제하려 한다면, 필요한 치료를 받지 못한 채 환자를 집으로 돌려보내는 실수를 범할 수도 있습니다. 저자들은 이 모델을 대체재라기보다는 도움이 되는 조력자, 즉 의사 결정 과정에 정보의 층을 더해줄 수 있는 도구라고 설명합니다. 또한 이 연구가 이미 수집된 데이터를 되돌아보는 후향적 연구였으며, 환자 수가 상대적으로 적었다는 점을 언급했습니다. 연구진은 또한 컴퓨터가 왜 특정 결정을 내렸는지 설명하도록 학습되지 않았다는 점을 지적했는데, 이는 이러한 종류의 고급 인공지능이 직면한 흔한 과제입니다.

저자들에 따르면 향 앞으로의 경로는 향후 훨씬 더 큰 규모의 환자 그룹을 대상으로 이 도구를 테스트하는 것을 포함합니다. 그들은 이 기술이 일상적인 클리닉에서 사용되기 전에, 예측이 실제 의료 현장에서 유효한지 확인하기 위해 환자를 시간의 흐름에 따라 추적하는 전향적 연구를 통해 입증되어야 한다고 제안합니다. 목표는 이 컴퓨터 분석을 종양의 크기나 환자의 연령과 같은 다른 표준 정보와 결합하여 정확도를 더욱 향 향상시킬 수 있는지 확인하는 것입니다. 현재로서는, 이 연구는 인공지능이 의사들이 더 개인화된 결정을 내릴 수 있도록 도와, 어떤 여성들에게는 불필요한 수술을 면하게 해주고, 필요한 여성들에게는 반드시 치료를 받게 할 수 있는 미래에 대한 유망한 전망을 보여줍니다. 이 작업은 이 기술이 아직 주류 단계에 도달하지는 못했을지라도, 이론적 단계를 넘어 임상 환경에서 실제적이고 측정 가능한 잠재력을 보여주었음을 입증합니다.