Rectal wall radiomics and dosiomics for predicting acute radiation proctitis after pelvic radiotherapy: a retrospective machine-learning study

방사선 치료는 자궁경부암이나 자궁암과 같이 골반 부위에 발생하는 암을 치료하는 데 있어 강력한 도구입니다. 현대의 기계들은 종양을 정밀하게 타격하기 위해 방사선 빔을 놀라운 정밀도로 형성할 수 있지만, 직장은 표적과 매우 가까이 위치해 있어 불가피하게 어느 정도의 노출을 받게 됩니다. 이러한 노출은 직장 점막의 염증인 급성 방사선 직장염을 유발할 수 있으며, 이는 통증을 동반한 긴박감, 출혈, 불편함 등의 증상을 일으킵니다. 수십 년 동안 의사들은 누가 이러한 부작용을 겪을지 예측하기 위해 표준 측정법에 의존해 왔습니다. 선량-체적 히스토그램(dose-volume histograms)이라고 불리는 이 측정법은 본질적으로 복잡한 3차원 방사선 지도를 몇 개의 요약된 숫자로 압축하여, 장의 어느 정도 부분이 특정 양의 방사선을 받았는지를 알려줍니다. 그러나 이러한 요약 방식은 방사선이 어디에 집중되는지, 그리고 치료 시작 전의 조직 자체가 어떤 모습인지에 대한 더 세밀한 세부 사항들을 놓치게 됩니다.

중국의 연구진이 수행한 새로운 연구는 더 상세하게 문제를 살펴보는 것이 예측력을 높일 수 있는지 탐구합니다. 연구팀은 환자가 받는 방사선 양을 단순히 계산하는 대신, 치료 전 스캔을 통해 직장벽의 질감과 형태를 조사하였으며, 계획된 방사선의 구체적인 공간적 패턴을 함께 검토했습니다. 조직이 어떻게 보이는지와 방사선이 정확히 어떻게 배치되어 있는지라는 이 두 가지 서로 다른 유형의 정보를 결합함으로써, 그들은 누가 심각한 염증을 겪게 될지를 더 정확하게 예측하고자 했습니다. 이들의 목표는 새로운 머신러닝 알고리즘을 발명하는 것이 아니라, 이 두 가지 서로 다른 관점을 결합하는 것이 단독으로 사용할 때보다 문제에 대해 더 명확한 그림을 제공할 수 있는지 확인하는 것이었습니다.

연구진은 회고적 연구(retrospective study)를 수행했는데, 이는 부인암으로 인해 최근 골반 방사선 치료를 받은 137명의 여성에 대한 의료 기록을 검토했음을 의미합니다. 그들은 환자들을 두 그룹으로 나누었는데, 하나는 예측 모델을 구축하고 학습시키기 위한 더 큰 그룹이고, 다른 하나는 새로운 데이터에 대해 모델이 얼마나 잘 작동하는지 테스트하기 위한 더 작은 별도의 그룹입니다. 모든 환자에 대해 연구팀은 가스나 대변이 포함되어 분석을 혼란스럽게 할 수 있는 직장 전체가 아니라, 얇은 고리 형태의 조직인 직장벽에 초점을 맞췄습니다. 그들은 계획 CT 스캔으로부터 디지털 지도를 만들어 조직의 질감, 형태, 강도를 설명하는 수백 가지의 특징(feature)을 추출했습니다. 동시에, 팀은 3차원 방사선 선량 계획을 분석하여 표준 요약 방식으로는 놓칠 수 있는 핫스팟(hotspots)이나 경사도(gradients)와 같은 패턴을 찾는 방식으로 방사선이 어떻게 분포되어 있는지를 설명하는 특징들을 추출했습니다.

첨단 컴퓨터 학습 기술을 사용하여, 연구팀은 환자가 2등급 이상의 급성 방사선 직장염(일반적으로 의학적 개입이 필요한 수준의 중증도)을 겪을지 가장 잘 예측할 수 있는 여러 모델을 테스트했습니다. 그 결과, CT 스캔의 질감 및 형태 특징만을 사용한 모델이 높은 정확도로 환자를 식별하며 우수한 성능을 보였습니다. 또한, 방사선 선량의 공간적 세부 사항만을 사용한 별도의 모델도 우수한 성능을 보였으나, 병이 생기지 않을 환자를 가려내는 데는 뛰어났지만 병이 생길 환자를 잡아내는 데는 다소 부족했습니다. 연구진이 두 세트의 정보를 하나의 통합된 모델로 결elle했을 때 결과는 개선되었습니다. 이 결합된 접근 방식은 가장 높은 정확도를 달-성했으며, 단독으로 사용했을 때보다 더 높은 신뢰도로 질환이 발생할 환자와 발생하지 않을 환자를 성공적으로 구분해 냈습니다.

이 연구는 직장 조직의 기저 상태와 방사선 선량의 특정 배치가 상호 보완적인 정보를 담고 있음을 시사합니다. 컴퓨터 분석 결과, 조직의 X선 흡수 방식의 미세한 변화와 같은 미세한 조직 질감 패턴이 방사선 선량의 특정 클러스터링만큼이나 중요하다는 것이 밝혀졌습니다. 이는 환자의 위험도가 단순히 받는 방사선 양에 의해서만 결정되는 것이 아니라, 환자 고유의 조직 특성과 치료 계획의 정밀한 기하학적 구조에 의해서도 결정된다는 것을 나타냅니다. 연구진은 SHAP 분석이라는 방법을 사용하여 모델이 단지 한 가지 소스에만 의존하는 것이 아니라, 조직 이미지와 선량 지도 모두에서 특징을 사용하여 결정을 내리고 있음을 검증했습니다.

그럼에도 불구하고 저자들은 이 작업이 예비적인 단계임을 주의 깊게 언급합니다. 이 연구는 단일 병원에서 수행되었으며, 테스트 그룹이 42명으로 비교적 작았습니다. 이 때문에 결과에 대한 신뢰 구간이 넓으며, 이는 모델이 훨씬 더 큰 규모의 집단에서 테스트될 경우 정확한 성능 수치가 변동될 수 있음을 의미합니다. 또한, 이 연구는 환자의 연령이나 당뇨병 병력과 같은 가용한 모든 임상 데이터를 포함한 모델과 비교하지 않았으므로, 이 새로운 방식이 의사들이 이미 알고 있는 정보 이상의 가치를 제공하는지는 아직 명확하지 않습니다. 더욱이, 모델은 실제 전달된 선량이 아니라 계획된 방사선 선량을 기준으로 학습되었는데, 실제 선량은 직장이 채워지거나 위치하는 일상적인 변화에 따라 약간씩 달라질 수 있습니다.

연구진은 통합 모델이 내부적 예측 측면에서 강력한 잠재력을 보여주지만, 아직 일상적인 임상 현장에서 사용될 준비는 되지 않았다고 결론지었습니다. 이 모델이 치료 결정을 안내하는 데 사용되기 위해서는 더 큰 다기관 연구를 통한 검증과 확립된 임상 벤치마크와의 테스트가 필요합니다. 이 연구의 진정한 가치는 조직의 물리적 상태와 방사선의 공간적 실체라는 두 가지 렌즈를 통해 문제를 바라보는 것이 위험에 대한 더 풍부하고 미묘한 이해를 제공한다는 점을 입증했다는 데 있습니다. 추가적인 검증이 완료될 때까지, 이 결과는 보다 상세하고 공간을 인식하는 분석이 언젠가 종양 전문의들이 생명을 구하는 방사선 치료의 고통스러운 부작용으로부터 환자를 더 잘 보호할 수 있도록 돕는다는 개념 증명(proof of concept) 역할을 합니다.