A Simple Clinical–MRI Model Combining Tumor Mobility and ADC for Preoperative Prediction of Malignancy in Parotid Gland Tumors

귀 바로 앞쪽에 위치한 귀밑샘(이하 이하선)은 인체에서 가장 큰 침샘입니다. 신체의 많은 부위와 마찬가지로, 이곳에도 혹이 생길 수 있는데, 대부분은 아무런 문제를 일으키지 않는 무해한 성장을 의미합니다. 그러나 이러한 혹 중 아주 적은 부분은 악성, 즉 암이며 주변 조직으로 퍼지거나 침범할 수 있는 성질을 가집니다. 수술 전 양성 혹과 위험한 혹을 구별하는 것은 의사들에게 매우 중요한 과제입니다. 종양이 양성이라면 외과의는 얼굴 신경을 보존하면서 단순한 절차로 이를 제거할 수 있습니다. 만약 악성이라면 수술은 훨씬 더 복잡해지며, 종종 더 넓은 범위의 조직 제거가 필요하고 마비를 방지하기 위해 동일한 신경에 대한 세심한 관리가 요구됩니다. 수십 년 동안 의사들은 물리적 검사와 자기공명영상(MRI)에 의존하여 이 결정을 내려왔습니다. MRI는 자기장을 사용하여 신체 내부의 상세한 영상을 만들어내는 강력한 도구이며, 확산 강조 영상(diffusion-weighted imaging)이라는 특정 유형의 스캔은 종양 내부에서 물 분자가 어떻게 이동하는지 측정할 수 있습니다. 일반적으로, 빽빽하게 밀집된 암세포는 양성 종양의 느슨한 구조보다 이 움직임을 더 많이 제한합니다. 그럼 하지만 이러한 도구들을 사용하더라도 불확실성은 여전히 존재하며, 의사들은 적절한 치료 계획을 세우기 위해 더 많은 정보를 필요로 하는 경우가 많습니다.

일본 간사이 의과대학교의 연구진은 수술 전 귀밑샘 종양이 양성인지 악성인지를 예측할 수 있는 더 단순하고 신뢰할 수 있는 방법을 만들기 위해 착수했습니다. 그들은 두 가지 특정 정보, 즉 표준 진료 시의 물리적 소견과 MRI 스캔으로부터 얻은 정량적 측정을 결합하는 데 집중했습니다. 첫 번째 정보는 종양의 가동성(mobility)입니다. 물리적 검사 중에 의사는 혹을 부드럽게 눌러서 혹이 피부 아래에서 자유롭게 움직이는지, 아니면 고정되어 있는지 확인합니다. 움직이지 않는 종양은 종종 주변 조직으로 자라 들어갔거나 달라붙어 있음을 시사하며, 이는 악성의 징후입니다. 두 번째 정보는 MRI에서 유도된 수치인 겉보기 확산 계수(apparent diffusion coefficient)로, 이는 종양 내에서 물이 얼마나 이동할 수 있는지를 정량화합니다. 연구팀은 이 두 가지 요인만을 함께 사용하는 것이 복잡한 컴퓨터 모델이나 일상적인 클리닉에서 사용하기 어려운 값비싸고 시간이 많이 걸리는 영상 분석 소프트웨어 없이도 명확한 답을 제공할 수 있는지 확인하고자 했습니다.

이 아이디어를 테스트하기 위해 연구진은 2021년 5월부터 2025년 7월 사이에 귀밑샘 종양 수술을 받은 146명의 환자 의료 기록을 검토했습니다. 연구진은 림프종(혈액암의 일종) 환자들은 제외했는데, 이는 림프종이 연구 대상인 일반적인 침샘 종양과는 다르게 행동하기 때문입니다. 이 그룹에는 125명의 양성 종양 환자와 21명의 악성 종양 환자가 포함되었습니다. 연구팀은 환자들을 두 그룹으로 나누었습니다. MRI 스캔이 자사 병원에서 이루어진 더 큰 규모의 109명 그룹과, 다른 의료 센터에서 스캔을 가져온 더 작은 규모의 37명 그룹입니다. 연구진은 첫 번째 그룹을 사용하여 예측 모델을 구축했고, 두 번째 그룹을 사용하여 모델이 본 적 없는 데이터에 어떻게 작동하는지 확인했습니다. 연구진은 의료 기록에 기재된 내용을 바탕으로 종양 가동성을 측정하였고, 결과가 왜곡될 수 있는 낭성(cystic) 부위나 출혈 부위를 피해 MRI 스캔으로부터 확산 수치를 계산했습니다.

분석 결과, 종양의 가동성과 확산 수치 모두 종양의 암 여부와 밀접한 관련이 있는 것으로 나타났습니다. 악성 종양 환자들은 물리적 검사 시 움직이지 않는 혹을 가질 가능성이 유의미하게 높았습니다. 또한 이들은 확산 수치가 더 낮았는데, 이는 종양 내부의 물 이동이 더 제한적임을 의미합니다. 연구진이 이 두 요인을 하나의 모델로 결합했을 때 결과는 유망했습니다. 이 모델은 모델을 구축하는 데 사용된 그룹에서 양성과 악성 종양을 성공적으로 구별해 냈으며, 다른 병원 환자들을 대상으로 테스트했을 때도 유사한 수준의 정확도를 유지했습니다. 이러한 외부 테스트는 모델이 MRI 기기와 스캔 설정의 차이를 처리할 수 있음을 보여주었기에 중요했으며, 이는 다양한 임상 환경에서도 작동할 수 있음을 시사합니다. 연구진은 확산 측정을 가동성 확인에 추가하는 것이 가동성만 확인하는 것보다 악성 예측 능력을 유의미하게 향提高了(향상시켰다)는 것을 발견했습니다.

연구는 또한 종양의 밝기가 주변 근육 및 선 조직과 비교하여 다양한 유형의 MRI 영상에서 어떻게 나타나는지와 같은 다른 잠재적 단서들도 조사했습니다. 이러한 밝기 비율 역시 초기 테스트에서는 악성과 연관이 있었으나, 최종 모델에 포함할 만큼 충분한 새로운 정보를 제공하지는 못했습니다. 연구진은 특히 암 사례 데이터셋이 상대적으로 작았기 때문에, 단 두 개의 변수만으로 모델을 단순하게 유지하는 것이 더 낫다고 결정했습니다. 너무 많은 변수를 가진 복잡한 모델은 데이터를 특정 환자 그룹에 너무 완벽하게 맞추려 할 위험이 있어, 미래의 환자들에게는 유용성이 떨어질 수 있기 때문입니다. 가동성과 확산 수치에 집중함으로써, 그들은 사용하기 쉽고 해석하기 용이한 도구를 만들었습니다. 최종 결과는 의사가 가동성 상태와 확산 수치에 대한 점수를 단순히 더하여 악성 확률 점수를 얻을 수 있는 시각적 차트인 노모그램(nomogram) 형태로 제시되었습니다.

저자들은 본 연구의 한계점을 인정합니다. 이 연구는 단일 병원의 과거 데이터를 되돌아본 후향적 연구이므로 환자 선정 방식에 편향이 있을 수 있습니다. 악성 종양의 수가 상대적으로 적어 통계적 추정치가 더 큰 집단을 대상으로 했을 때보다 정밀도가 낮습니다. 또한, 테스트에 사용된 타 병원 환자 그룹이 작기 때문에, 모델이 원래 병원 외부에서 얼마나 잘 작동하는지에 대한 확신이 절대적이지는 않습니다. 연구진은 또한 확산 측정값이 사용되는 특정 MRI 기기에 따라 달라질 수 있으며, 모든 스캐너에 걸쳐 이러한 차이를 표준화하기 위한 엄격한 수학적 보정을 적용하지 않았다는 점을 언급했습니다. 이러한 주의 사항에도 불구하고, 본 연구는 물리적 검사 소견과 표준 MRI 측정을 결합한 직관적인 접근 방식이 암 위험을 추정하는 유용하고 부담이 적은 방법이 될 수 있음을 시사합니다. 이 방법이 모든 경우에 생검이나 고급 영상 진단을 대체하는 것은 아니지만, 첫 절개가 이루어지기 전 의사들이 수술 계획을 세우고 환자를 상담할 때 더 나은 정보를 바탕으로 결정을 내릴 수 있도록 돕는 실용적인 도구를 제공합니다.