📄 medicine

Intratumoral and multiscale peritumoral radiomics on non-contrast CT for differentiating rectal adenocarcinoma from rectal neuroendocrine tumors: a retrospective diagnostic study

이 후향적 연구는 비조영 증강 CT로부터 얻은 종양 내 및 다중 척도 종양 주변 라디오믹스 특징과 임상 변수를 통합한 머신러닝 모델이 직장 선암과 직장 신경내분비 종양을 구분하는 데 있어 가장 높은 점수 추정치를 달성함을 보여주나, 소규모 단일 센터 코호트 및 외부 검증의 부재로 인해 그 결과는 여전히 탐색적인 수준에 머물러 있다.

원저자: Ximing Liu¹, Yujie Zhou¹, Lisong Zhu², Shuang Gao³, Renchen Dou³, Rixiong Wang¹

게시일 2026-09-15

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ximing Liu¹, Yujie Zhou¹, Lisong Zhu², Shuang Gao³, Renchen Dou³, Rixiong Wang¹

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

인체의 복잡한 지형 속에서, 직장은 영상 검사상으로는 비슷해 보이지만 완전히 다른 치료를 요하는 두 가지 매우 다른 종류의 종양을 품을 수 있습니다. 하나는 공격적으로 성장하는 흔한 형태의 암이고, 다른 하나는 신경 유사 세포에서 발생하는 더 느리게 자라는 종양입니다. 수술 전에 이 둘을 구별하는 것은 환자에게 근치적 수술이 필요한지 아니면 더 간단한 절차가 필요한지를 결정하기 때문에 매우 중요합니다. 보통 의사들은 주입된 염료가 혈관을 강조하여 종양의 본질을 드러내는 조영 증강 스캔에 의존합니다. 그러나 알레르기나 신장 문제로 인해 이 염료를 투여받을 수 없는 환자가 있으며, 때로는 조영제를 사용하지 않은 일반 스캔만 이용 가능한 경우도 있습니다. 이는 의사들이 색상으로 강화된 단서 없이 종양의 모양과 질감을 살펴봐야 하는 진단적 공백을 남깁니다.

연구팀은 라디오믹스(radiomics)라고 불리는 방법을 사용하여 이 공백을 메울 수 있을지 알아보기 위해 연구를 시작했습니다. 인간의 눈이 차이를 추측하도록 하는 대신, 그들은 의료 영상을 방대한 데이터의 원천으로 취급했습니다. 그들은 영상 속의 종양을 수천 개의 미세한 수치적 세부 사항으로 분해했습니다. 즉, 인간의 눈에는 너무 미세하여 보이지 않는 회색조, 거칠기, 그리고 픽셀의 패턴 등을 측정했습니다. 또한 그들은 종양 자체뿐만 아니라 종양 주변의 조직도 살펴보았는데, 종양의 영향이 이웃한 조직으로 파동처럼 퍼져 나갈 수 있다는 논리에 근거했습니다. 이 숨겨진 패턴들을 학습 능력을 갖춘 컴퓨터 프로그램에 입력함으로써, 그들은 일반 비조영 영상을 통해서도 두 종류의 종양을 구별할 수 있는 도구를 구축하고자 했습니다.

이 연구는 2019년에서 2025년 사이에 직장 종양 치료를 받은 87명의 환자를 대상으로 했습니다. 연구진은 이 사례들을 컴퓨터에게 무엇을 찾아야 할지 가르치기 위한 그룹과, 컴퓨터가 학습한 내용을 새로운 미지의 사례에 적용할 수 있는지 테스트하기 위한 그룹으로 나누었습니다. 그들은 일반 CT 스캔에서 종양의 윤곽을 정밀하게 그렸고, 그 윤곽을 주변 조직으로 3mm와 5mm 확장하여 분석을 위한 세 개의 뚜렷한 구역을 만들었습니다. 이 구역들로부터 질감이나 주변 조직의 회색조 분포와 같은 천 개 이상의 특징들을 추출했습니다. 측정의 신뢰성을 확보하기 위해, 연구진은 서로 다른 관찰자들이 동일한 선을 긋고 동일한 수치를 얻는지 확인하여 가장 일관된 데이터만을 유지했습니다.

그 후 컴퓨터는 공격적인 선암종(adenocarcinoma)과 신경내분비종양(neuroendocrine tumor)을 가장 잘 구분해내는 특정 미세 상세 정보의 조합을 찾도록 훈련되었습니다. 연구진은 여러 가지 수학적 접근 방을 테스트했으며, 그중 '익스트림 그래디언트 부스팅(extreme gradient boosting)'이라 알려진 방법이 가장 효과적이라는 것을 입증했습니다. 그들은 종양 경계선 바로 바깥쪽 3mm 지점의 조직을 살펴보는 것이 종양 자체나 5mm 떨어진 조직을 보는 것보다 더 유용한 정보를 제공한다는 것을 발견했습니다. 이는 종양의 즉각적인 이웃 영역이 그 유형을 식별하는 데 도움이 되는 독특한 서명을 보유하고 있음을 시사합니다. 연구진이 이 영상 데이터와 환자의 연령 및 종양 크기와 같은 표준 임상 정보를 결합했을 때, 두 질환을 구별하는 컴퓨터의 능력은 더욱 향상되었습니다.

결과에 따르면, 이 결합된 접근 방식은 1.0이 완벽한 순위 결정 능력을 나타내는 척도에서 0.879라는 높은 판별 점수를 달려냈으며, 임상 데이터나 종양 영상만을 사용한 모델보다 우수한 성능을 보였습니다. 그러나 연구진은 모델이 전반적인 순위 결정은 잘 수행했지만, 특정 컷오프 지점에서 최종적인 예/아니오 결정을 내려야 할 때는 어려움을 겪었다는 점을 주의 깊게 언급했습니다. 테스트 그룹에서, 훈련 데이터로부터 도출된 표준 임계값을 사용할 때 모델은 신경내분비종양의 70%를 식별하는 데 실패했습니다. 이러한 높은 위음성률은 모델이 강력한 전반적 순위 성능에도 불구하고, 아직 단독 진단 도구로 사용될 만큼 민감하지 않다는 것을 나타냅니다. 또한 이 연구는 컴퓨터가 가장 중요하다고 찾아낸 특징들이 전통적인 의미에서 통계적으로 차이가 있다고 증명된 것들이 아니라, 함께 분석되었을 때만 나타나는 복잡한 패턴의 혼합물이라는 점을 강조했습니다.

궁극적으로 이 작업은 완성된 의료 제품이라기보다는 개념 증명(proof of concept) 역할을 합니다. 이는 조영제를 사용할 수 없는 상황에서 의사들에게 더 나은 결정을 내릴 수 있도록 돕는 미래의 도구가 될 수 있음을 보여주며, 일반 CT 스캔 내에 종양과 주변 조직의 질감 속에 숨겨진 가치 있는 진단적 단서들이 존재하며, 이것이 첨단 컴퓨팅을 통해 밝혀질 수 있음을 입증합니다. 연구진은 이 시스템이 실제 임상에서 사용되기 위해서는 훨씬 더 크고 다양한 집단을 대상으로 테스트되어 모든 사람에게 안정적으로 작동하는지 확인해야 한다고 강조했습니다. 현재로서는, 이 연구가 디지털 분석이 가장 까다로운 진단 상황에서 어떻게 인간의 판단을 지원할 수 있는지에 대한 유망한 전망을 제시하고 있습니다.

기술 요약: 직장 선암종(RAC)과 직장 신경내분비종양(RNET)의 감별을 위한 비조영 증강 CT 기반 종양 내 및 다중 스케일 종양 주위 라디오믹스 분석

문제 제기
치료 전 직장 선암종(RAC)과 직장 신경내분비종양(RNET)을 구별하는 것은 서로 다른 관리 전략을 필요로 하기 때문에 임상적으로 매우 중요하다. 조영 증강 CT는 RNET의 특징적인 혈관 징후를 보여줄 수 있지만, 요오드 조영제 사용이 금기되거나 불가능한 경우가 있다. 따라서 조영 증강 데이터에 의존하지 않고 비조영 증강 CT에서 유도된 정량적 특징, 즉 종양 내(intratumoral) 및 종양 주위(peritumoral) 라디오믹스가 이 두 질환을 효과적으로 감별할 수 있는지 결정할 필요가 있다.

연구 방법론
본 단일 센터, 후향적 진단 연구는 2019년 1월부터 2025년 12월 사이에 치료받은 병리학적으로 확진된 87례(RAC 67례, RNET 20례)를 분석하였다. 코호트는 약 1:1 비율로 훈련 세트( $n=44$ )와 내부 검증 세트( $n=43$ )로 나누어졌다.

데이터 획득 및 전처리: 분석은 치료 전 비조영 증강 CT 영상으로 제한되었다. 다양한 스캐너의 영상들은 등방성 $1\times1\times1$ mm³ 복셀로 재표본 추출(resampling)되었으며, 고정된 빈 너비(bin width) 25를 사용하여 회색조 이산화(gray-level discretization)를 수행하였다.
관심 영역(ROI) 분할: 방사선 전문의가 종양 내 ROI를 수동으로 묘사하였으며, 이를 3mm 및 5mm 범위로 확장하여 종양 주위 영역을 생성하였다. 내·외부 관찰자 간 재현성은 내집단 상관계수(ICC)를 사용하여 평가하였으며, 안정적인 특징을 필터링하기 위해 $\ge0.80$ 의 임계값을 사용하였다.
특징 추출 및 선택: PyRadiomics를 사용하여 각 영역당 총 1,561개의 라디오믹스 특징을 추출하였다. 특징 선택은 훈련 코호트에 국한된 엄격한 파이프라인을 따랐다:
1. 재현성 필터링 (ICC $\ge0.80$ ).
2. 단변량 통계 검정 ( $P<0.05$ ).
3. Spearman 상관계수를 통한 중복 제거 ( $|\rho| \ge 0.90$ ).
4. mRMR(Maximum Relevance Minimum Redundancy)을 통한 순위 지정.
5. LASSO 회귀를 통한 최종 선택 및 지역별 라디오믹스 점수(RadScores) 생성.
임상 변수: 후보 임상 변수에는 연령, 성별, T/N/M 병기, 전이 상태, 종양 크기, 종양 표지자(AFP, CEA, CA125, CA19-9)가 포함되었다. 선택에는 Firth 로지스틱 회귀와 LASSO가 사용되었다.
모델 개발: 다섯 가지 분류기(LR, RF, XGB, SVM, KNN)를 평가하였다. 아홉 가지 특징 구성(임상 전용, 단일 영역 라디오믹스(종양 내, 3-mm, 5-mm), 결합 라디오믹스, 임상-라디오믹스 융합 모델)을 테스트하였다. 일관된 성능을 보인 Extreme Gradient Boosting(XB)이 대표 알고리즘으로 선택되었다.
평가: 모델은 AUROC, 교정 곡선(calibration curves), 결정 곡선 분석(DCA), 그리고 쌍별 비교를 위한 DeLong 테스트를 통해 평가되었다. 모델 해석 가능성은 SHAP(Shapley Additive Explanations) 기반의 확률 대리물을 통해 탐색되었다.

주요 결과

특징 안정성: ICC 필터링 후, 각각 1,240개(종양 내), 1,074개(3-mm 종양 주위), 1,130개(5-mm 종양 주위)의 안정적인 특징이 유지되었다. 최종 LASSO 선택을 통해 각 영역당 8개의 특징이 추출되었다.
감별 성능:
- 단일 영역 모델 중, 3-mm 종양 주위 XGB 모델이 내부 검증에서 0.762(95% CI: 0.595–0.911)의 가장 높은 AUROC를 달려 달성하였으며, 이는 종양 내(0.732) 및 5-mm 종양 주위(0.717) 모델보다 우수한 성능이었다.
- 임상-라디오믹스 융합 XGB 모델(임상 변수와 세 가지 RadScores를 모두 결합)은 내부 검증 AUROC의 최고 추정치인 0.879(95% CI: 0.721–0.982)를 기록하였다.
- 두 코호트 모두에서 임상, 라디오믹스, 융합 모델 간의 쌍별 DeLong 비교는 통계적으로 유의하지 않았다 ( $P > 0.05$ ).
임계값 민감도: 훈련 코호트에서 유도된 Youden 임계값 적용 시, 융합 모델은 내부 검증 세트에서 0 even 가양성률(false-negative rate, FNR) 0.700을 나타냈으며, 이는 높은 AUROC가 특정 작동 지점에서 높은 민감도로 이어지지 않았음을 의미한다.
특징 중요도: SHAP 분석 결과, 융합 모델에서 3-mm 종양 주위 RadScore가 가장 영향력 있는 변수였으며, 그 뒤를 5-mm 종양 주위 RadScore와 T 병기가 이었다.

의의 및 주장
저자들은 본 연구를 임상적 일반성을 확인하는 연구가 아닌, 탐색적이며 가설을 생성하는 연구로 규정한다. 논문의 주장은 다음과 같다:

종양 주위 정보의 가치: 비조영 증상 CT의 종양 주위 라디오믹스, 특히 3-mm 확장 영역은 종양 내 ROI만으로는 포착할 수 없는 종양-숙주 경계 특성(예: 기질 반응, 미세혈관 구조)을 포착하여 상보적인 감별 정보를 제공할 수 있다.
융합 모델의 타당성: 임상 변수와 다중 스케일 라디오믹스를 통합하면 가장 높은 내부 검증 AUROC 추정치를 얻을 수 있으며, 이는 영상 표현형과 임상적 질병 범위가 상보적인 신호를 제공함을 시사한다.
한계 및 향-후 과제: 저자들은 본 연구가 작은 규모의 단일 센터 코호트라는 점, 외부 검증이 결여되었다는 점, 그리고 선택된 특징들이 FDR(False Discovery Rate) 보정을 통과하지 못했다는 점을 명시하며 한계를 인정하였다. 저자들은 이 모델이 현재 임상 현장에 배치될 준비가 되지 않았음을 강조한다. 임상 적용 전, "잠금(locked)"된 모델을 구축하기 위해서는 독립적인 다기관 코호트에서의 외부 검증이 필요하며, 높은 가양성률(false-negative rate) 문제를 해결하기 위해 훈련 데이터 유래 컷오프에 대한 작동 임계값 재교정이 필요하다.

요약하자면, 본 연구는 비조영 증상 CT 라디오믹스를 사용하여 RAC와 RNET을 구별하는 기술적 타당성을 입증하였으며, 특히 3-mm 종양 주위 영역의 유용성을 강조하는 동시에 현재의 임상적 유용성에 대해서는 신중한 입장을 유지하고 있다.

유사한 논문