CT-Based Radiomic Models for Stage Stratification and Relapse Prediction in Colon Cancer

대장암은 신체의 미래를 예측하는 능력이 질병 자체의 경로만큼이나 불확inc한 질환입니다. 현재 의사들은 종양이 얼마나 깊게 자랐는지, 그리고 주변 림프절로 전이되었는지에 따라 암을 분류하는 '병기(staging)'라고 불리는 시스템에 의존하여 종양의 행동을 추측합니다. 이 방식은 치료를 결정하는 표준이지만 완벽하지는 않습니다. 동일한 병기를 가진 두 환자의 결과가 매우 다를 수 있는데, 한 명은 수술만으로 완치될 수 있는 반면, 다른 한 명은 5년 이내에 암이 재발할 수도 있습니다. 이러한 불확실성 때문에 의사들은 환자가 수술을 받기도 전에 적절한 치료법을 선택하는 데 어려움을 겪습니다. 현대 의학의 목표는 이미 촬영된 영상을 활용하여, 종양을 절개하지 않고도 그 내부의 생물학적 특성을 들여다볼 수 있는 방법을 찾는 것입니다.

스페인의 한 연구팀은 컴퓨터에게 표준 CT 스캔에 숨겨진 세부 정보를 읽는 법을 가르침으로써 이 목표를 향한 한 걸음을 내디뎠습니다. 이 스캔들은 의사들이 수술 전 전이 여부를 확인하기 위해 찍는 3차원 X선 사진입니다. 연구진은 의료 영상을 단순히 인간의 눈으로 보는 그림이 아니라 방대한 데이터의 저장소로 취급하는 '라디오믹스(radiomics)'라는 분야에 집중했습니다. 의사가 스캔을 통해 종양의 모양과 크기를 본다면, 컴퓨터는 육안으로는 보이지 않는 회색 음영과 질감 속의 수천 가지 미세한 패턴을 측정할 수 있습니다. 이러한 패턴은 종양 내부의 세포가 어떻게 배열되어 있는지 또는 얼마나 공격적인지를 반영할 수 있습니다. 이러한 미묘한 질감을 분석함으로써, 연구진은 두 가지 특정 대장암 병기를 구분하고 어떤 환자가 질병의 재발 가능성이 높은지 알려주는 도구를 구축하고자 했습니다.

이 연구에는 대장암 진단을 받고 수술 전 CT 스캔을 받은 104명의 환자가 참여했습니다. 연구진은 데이터의 순도를 높이고 초점을 맞추기 위해 희귀 유전 질환이나 다른 유형의 암을 가진 환자들을 제외하고 특정 환자군을 대상으로 작업했습니다. 연구진은 CT 영상을 가져와 3차원으로 일차 종양의 윤곽을 수동으로 추적하여 종양 부피의 정밀한 디지털 지도를 만들었습니다. 이 지도로부터 컴퓨터는 105가지의 서로 다른 수치를 추출했습니다. 이 수치들은 종양의 모양, 내부 밝기의 분포, 그리고 표면의 복잡한 질감을 설명합니다. 그 후 팀은 이 영상 측정값들을 연령 및 성별과 같은 기본적인 환자 정보와 결합하여 일련의 수학적 모델을 구축했습니다.

이 모델들의 작동 여부를 테스트하기 위해 연구진은 환자 그룹을 두 세트로 나누었습니다. 한 그룹은 컴퓨터가 패턴을 인식하도록 학습시키는 데 사용했고, 다른 작은 그룹은 최종 시험용으로 남겨두었습니다. 컴퓨터는 105가지 측정값 중 특정 조합이 결과와 어떻게 연결되는지 찾아내는 법을 배웠습니다. 첫 번째 과제는 모델이 2기(stage II)와 3기(stage III) 대장암을 구분할 수 있는지 확인하는 것이었습니다. 이 구분은 매우 중요한데, 3기 환자는 보통 수술 후 화학요법을 받지만, 2기 환자는 그렇지 않은 경우가 많으며 그럼에도 일부 2기 환자에게서 재발이 일어나기 때문입니다. 모델은 수술 전 영상만을 바탕으로 이러한 병기를 식별하는 법을 배웠습니다. 최종 테스트에서 모델은 약 76%의 정확도로 두 병기를 올바르게 구분해 냈습니다. 특히 2기 사례를 포착하는 데 뛰어났으며, 2기를 약 89%의 높은 확률로 정확히 식별했습니다.

두 번째이자 아마도 더 중요한 과제는 환자가 5년 이내에 재발을 경험할지 예측하는 것이었습니다. 이는 질병의 미래 행동을 추측해야 하므로 훨씬 더 어려운 예측입니다. 연구진은 최적의 모델을 찾기 위해 여러 가지 컴퓨터 학습 방법을 테스트했습니다. 그들은 여러 가지 변수 사이의 관계를 동시에 살펴보는 특정 유형의 모델이 가장 성능이 좋다는 것을 발견했습니다. 이 모델은 높은 수준의 정확도를 달성하여, 테스트 그룹에서 91%의 사례에 대해 재발 위험을 정확히 예측했습니다. 이 모델은 특히 민감도가 높아, 재발할 환자를 놓치는 경우가 거의 없었으며, 재발 사례의 95%를 잡아냈습니다. 연구는 각 병기 내에서 환자들을 별도로 조사하기도 했습니다. 2기 환자만을 보거나 3기 환자만을 볼 때도 모델은 강력한 예측력을 유지했는데, 이는 스캔상의 종양 질감이 병기와 상관없이 위험에 대한 정보를 담고 있음을 시사합니다.

연구 결과는 CT 스캔상의 시각적 질감이 현재의 병기 결정 방식이 놓치고 있는 생물학적 행동에 대한 단서를 보유하고 있음을 보여줍니다. 연구진은 스캔상에서 더 균일하고 균질한(homogeneous) 패턴을 보이는 종양이 재발하지 않는 환자들에게 속하는 경향이 있는 반면, 더 혼란스럽고 이질적인(heterogeneous) 질감을 가진 종양은 질병 재발 위험이 높은 환자들과 연관이 있다는 것을 관찰했습니다. 이는 영상 속의 무질서하고 불규칙한 질감이 더 공격적이고 무질서한 종양 생물학을 반영할 수 있다는 생각과 일치합니다. 이 연구가 이러한 패턴이 암의 행동을 유발한다는 것을 증명한 것은 아니지만, 영상 데이터와 환자의 결과 사이에 강한 연관성이 있음을 보여주었습니다. 연구팀은 이 작업이 단일 병원에서 비교적 적은 수의 환자를 대상으로 수행되었다는 점과, 컴퓨터 모델이 해당 기관의 데이터로 훈련 및 테스트되었다는 한계가 있음을 언급했습니다. 그들은 이 모델들이 실제 환경에서도 작동하는지 확인하기 위해 더 많은 병원의 더 큰 규모의 집단을 대상으로 테스트되어야 한다고 인정했습니다.

이 연구는 치료 시작 전 대장암을 바라보는 잠재적인 새로운 방법을 제시합니다. 의사들은 수술을 통해 종양의 전체적인 성격을 드러낼 때까지 기다리는 대신, 언젠가 이러한 영상 기반 도구를 사용하여 환자가 직면한 위험에 대한 더 명확한 그림을 얻을 수 있을 것입니다. 만약 향후 연구를 통해 이 모델들이 검증된다면, 의사들이 어떤 환자에게 화학요법이 필요하고 어떤 환자가 그것 없이도 안전할지를 결정하는 데 도움을 주어, 일부 환자에게는 불필천한 치료를 줄이고 다른 환자들에게는 필요한 치료를 확실히 제공할 수 있을 것입니다. 이 작업은 현재의 병기 시스템을 대체하는 것이 아니라, 스캔으로부터 얻은 이러한 정량적 세부 정보를 추가하여 시스템을 개선할 수 있음을 시사합니다. 현재로서는, 이 결과는 일상적인 수술 전 영상을 깊은 예측 통찰력의 원천으로 바꾸는, 대장암 치료에 대한 보다 개인화된 접근 방식으로 향하는 유망한 단계로 남아 있습니다.