Habitat Imaging Combined with Multiscale Peritumoral Radiomics and Pathological STAS Status for Predicting Early Postoperative Recurrence in Stage T1 Non-Small Cell Lung Cancer

폐암은 여전히 전 세계적으로 암 관련 사망의 주요 원인이며, 초기 단계 환자들에게는 수술이 종종 표준적인 완치법이 됩니다. 그러나 성공적인 수술 후에도 일부 환자들은 암이 재발할 상당한 위험에 직면합니다. '공기층을 통한 침습(spread through air spaces)'이라고 알려진 특정 생물학적 특징은 강력한 경고 신호 역할을 합니다. 이는 암세포가 본래의 종양에서 떨어져 나와 폐의 미세한 공기 주머니 속으로 자유롭게 떠다니는 현상으로, 이 행동은 질병의 재발 가능성을 높입니다. 문제는 의사들이 수술을 시작하기 전에는 이 위험한 특징을 예측할 방법이 없으며, 종양을 제거한 후 현미경으로 검사해야만 이를 확인할 수 있다는 점입니다. 이를 해결하기 위해 연구자들은 의료 영상을 단순한 사진이 아닌 방대한 숨겨진 데이터의 원천으로 취급하는 '라디오믹스(radiomics)'라는 분야에 주목했습니다. 스캔 내의 미세한 빛과 질감 패턴을 분석함으로써, 컴퓨터는 인간의 눈에는 보이지 않는 세부 사항을 감지하여 수술 전 종양의 진정한 본질을 들여다볼 수 있는 잠재적인 창을 제공합니다.

중국의 산시 베툰 병원(Shanxi Bethune Hospital) 연구팀은 초기 단계 폐암이 수술 후 재발할지 여부를 예측하는 새로운 방법을 개발했습니다. 그들은 일반적으로 예후가 좋지만 여전히 무시할 수 없는 재발 위험을 안고 있는 그룹인 T1 비소세포폐암 환자들에 집중했습니다. 연구팀은 환자의 임상적 세부 정보, 공기층을 통한 침습의 생물학적 상태, 그리고 종양의 내부 구조 및 그 주변 환경에 대한 심층 분석을 결합한 정교한 컴퓨터 모델을 구축했습니다. 그들의 목표는 의사들이 고위험 환자를 조기에 식별하여 더욱 개인화된 추적 관찰 계획과 치료 결정을 내릴 수 있도록 돕는 도구를 만드는 것이었습니다.

이 모델을 구축하기 위해 연구진은 2019년부터 2022년 사이에 초기 폐암 수술을 받은 216명의 환자 기록을 검토했습니다. 이 환자들을 컴퓨터를 학습시키기 위한 더 큰 그룹과 컴퓨터가 얼마나 잘 학습했는지 테스트하기 위한 더 작은 그룹으로 나누었습니다. 연구팀은 먼저 환자의 흉부 CT 스캔(폐의 상세한 3D 이미지)을 조사하는 것부터 시작했습니다. 그들은 종양을 하나의 균일한 덩어리로 취급하는 대신, '해비타트 이미징(habitat imaging)'이라는 기술을 사용했습니다. 이 방법은 지질학자가 단일한 들판 내에서 서로 다른 유형의 토양을 지도화하는 것처럼, 픽셀이 어떻게 보이고 행동하는지에 따라 종양을 더 작고 구별되는 하위 영역으로 나눕니다. 이러한 미세한 영역들을 그룹화함으로써, 컴퓨터는 일반적인 스캔으로는 놓칠 수 있는 종양 내부의 복잡하고 불균일한 지형을 볼 수 있었습니다.

연구진은 종양 자체 너머도 살펴보았습니다. 그들은 종양 바로 주변의 조직을 분석하여, 종양 가장자리로부터 1, 3, 5mm 거리에 있는 분석 링을 만들었습니다. 그들은 종양 바로 옆의 환경이 종양이 얼마나 공격적으로 성장하는지에 대한 단서를 품고 있다는 것을 알고 있었습니다. 그들은 이 구역들로부터 종양의 형태부터 조직의 질감에 이르기까지 수천 개의 수치적 특징을 추출했습니다. 그런 다음 이 영상학적 세부 사항을 환자의 연령, 성별과 같은 의료 기록 및 공기층을 통한 침습의 존재를 확인하는 병리 검사 결과와 결합했습니다.

연구팀은 어떤 것이 재발을 가장 잘 예측할 수 있는지 알아보기 위해 여러 가지 다른 컴퓨터 학습 알고리즘을 테스트했습니다. 그들은 임상적 요인, 종양 내부의 '해비타트(habitats)', 그리고 종양 주변의 3mm 링으로부터 얻은 특징들을 모두 결합한 모델이 가장 우수한 성능을 보인다는 것을 발견했습니다. 테스트 그룹에서 이 결합 모델은 0.865라는 점수로 환산되는 정확도로 재발 위험을 정확히 식явля했습니다. 이는 임상 데이터만 사용하거나, 내부 종양 패턴만 사용하거나, 혹은 주변 조직만을 사용한 모델보다 유의미하게 뛰어난 결과였습니다. 연구는 종양 주변의 3mm 구역이 주변 환경에 대한 가장 유용한 정보를 제공한다는 것을 보여주었으며, 이는 종양의 즉각적인 이웃이 그 행동을 이해하는 데 결정적임을 시사합니다.

또한 연구진은 특정 요인들이 독립적인 재발 예측 인자임을 확인했습니다. 여기에는 스캔에서 '공포 징후(vacuole sign)'라고 불리는 특정 징후, 환자의 성별, 공기층을 통한 침습의 존재, 종양이 인근 폐 실질을 당기는 방식, 그리고 종양의 최대 크기가 포함되었습니다. 컴퓨터 모델이 공기층을 통한 침습 상태를 상세한 영상 데이터와 통합했을 때, 단일 정보가 제공할 수 있는 것보다 훨씬 더 명확한 위험의 그림을 그려냈습니다. 모델은 암이 없는 상태를 유지할 환자와 질병이 재발할 환자를 높은 신뢰도로 구별해 낼 수 있었습니다.

결과는 유망하지만, 저자들은 본 연구의 한계점을 언급했습니다. 이 연구는 환자 수가 적은 단일 병원에서 수행되었으며, 데이터가 특정 인구 집단에서 왔기 때문에 모델이 널리 사용되기 위해서는 더 크고 다양한 집단에 대한 테스트가 필요합니다. 또한, 종양 영역을 매핑하는 과정이 수동으로 이루어져 시간이 많이 소요된다는 점도 한계였으나, 향후 자동화 기술의 발전이 이를 가속화할 수 있습니다. 그럼에도 불구하고, 이 연구는 종양의 미세한 생물학적 특성부터 스캔의 거시적 패턴에 이르기까지 다양한 층위의 정보를 결합하는 것이 강력한 예측 도구가 된다는 것을 입증합니다.

이 작업은 초기 폐암 관리를 위한 실질적인 경로를 제시합니다. 종양의 내부 다양성과 즉각적인 환경을 분석하는 비침습적 접근 방식을 사용함으로써, 의사들은 곧 더 정밀하게 재발 위험을 예측할 수 있게 될 것입니다. 이는 고위험 환자들이 필요한 주의와 치료를 받을 수 있도록 하는 동시에, 저위험 환자들이 불필요한 개입으로부터 벗어날 수 있도록 맞춤형 수술 후 관리를 최적화하는 데 도움이 될 수 있습니다. 이 연구는 암 치료의 미래가 단순히 종양을 바라보는 것이 아니라, 그 형태와 주변 환경, 그리고 숨겨진 내부 구조를 통해 종양이 들려주는 복잡한 이야기를 이해하는 데 있음을 시사합니다.