An outcome-blind H&E architecture score is associated with prostate cancer-specific mortality
본 연구는 표준 등급 분류(Grade Grouping)에 완전히 인코딩되지 않는 체 모양 성장(cribriform growth) 및 유전체 불안정성과 같은 유해한 특징들을 포착함으로써, 전립선암 특이적 사망률을 예측하고 생검 글리슨 점수(Gleason score)가 6 이하인 환자를 포함한 고위험 하위 그룹을 식별하는 딥러닝 기반의 결과 불가지론적(outcome-blind) H&E 아키텍처 점수를 소개한다.
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
암 치료 분야에서 의사들은 전립선 종양의 위험도를 판단하기 위해 글리슨 등급(Gleason Grade Group)이라고 불리는 시스템에 자주 의존합니다. 이 시스템은 현미경으로 암세포가 어떻게 배열되어 있는지를 살펴보고 이를 저위험에서 고위험까지의 범주로 분류합니다. 이는 누가 즉각적인 치료를 받아야 하고 누가 단순히 관찰하며 기다려도 안전할지를 결정하는 표준 도구입니다. 그러나 이 시스템에는 사각지대가 존재합니다. 이 시스템은 같은 범주 내의 모든 종양을 동일한 것으로 취급하지만, 실제로는 같은 라벨을 가진 두 종양이 매우 다르게 보일 수 있습니다. 하나는 공격적인 세포들이 작게 흩어져 있는 형태일 수 있는 반면, 다른 하나는 그 세포들로 가득 차 있거나 표준 라벨이 놓치기 쉬운 특정한 위험한 형태를 포함하고 있을 수도 있습니다. 이 때문에 자신의 암이 저위험이라고 들은 남성 중 일부는 실제로 잠재적으로 치명적일 수 있는 더 공격적인 질병을 숨기고 있을 수도 있습니다.
시더스-사이나이 의료 센터(Cedars-Sinai Medical Center)의 연구진은 표준 라벨을 넘어 종양을 바라보는 새로운 방법을 개발했습니다. 그들은 환자의 의료 결과나 생존 여부를 전혀 알지 못한 채, 조직 샘플 내 암세포의 실제 구조를 조사하는 컴퓨터 프로그램을 만들었습니다. 연구진은 컴퓨터에게 특정하고 위험한 세포 성장 패턴을 인식하도록 학습시킴으로써, 이러한 나쁜 패턴의 부담(burden)을 측정하는 점수를 생성했습니다. 연구진이 전립선암 수술을 받은 수천 명의 남성을 대상으로 이 점수를 테스트했을 때, 이 점수가 수십 년 후의 사망을 예측할 수 있다는 것을 발견했습니다. 결정적으로, 이 점수는 전립선암 이외의 다른 원인에 의한 사망과는 관련이 없었으며, 이는 점수가 환자 개인이 아닌 종양 자체에 특화된 무언가를 측정하고 있음을 시사합니다.
연구진은 인간 전문가가 이미 다양한 암 패턴을 표시해 둔 생검 이미지를 사용하여 컴퓨터 모델을 훈련하는 것으로 시작했습니다. 그들은 시스템이 네 가지 특정한 것들을 식별하도록 가르쳤습니다: 정상 조직, 저위험 패턴, 고위험 패턴, 그리고 체(sieve)나 벌집 모양처럼 보이는 특히 공격적인 형태인 '세망상(cribriform) 성장'입니다. 시스템은 이미지의 아주 작은 타일 단위에서 이러한 특징들을 포착하는 법을 배웠습니다. 훈련을 마친 후, 연구진은 컴퓨터의 지식을 고정하고 이미 전립선을 제거한 두 개의 대규모 환자 집단에 이를 적용했습니다. 첫 번째 집단은 장기 암 스크리닝 연구에서 온 것이고, 두 번째 집단은 국가 암 데이터 수집본에서 온 것입니다. 연구진은 이 과정에서 컴퓨터에게 환자의 생존 시간을 알려주지 않았으며, 단지 컴퓨터가 조직에서 얼마나 많은 위험한 구조를 발견하는지에 따라 점수를 매기도록 했습니다.
결과는 놀라웠습니다. 평균 22년 이상 추적 관찰한 대규모 스크리닝 연구에서, 이 점수는 전립선암으로 사망할 사람과 그렇지 않을 사람을 명확하게 구분해 냈습니다. 점수가 한 단계 높아질 때마다 전립선암 사망 위험이 유의미하게 증가했습니다. 점수가 가장 높은 남성들은 낮은 점수를 가진 남성들에 비해 질병으로 사망할 확률이 훨씬 높았습니다. 중요한 점은, 이 점수가 심장 질환이나 다른 암과 같은 다른 원인에 의한 사망은 예측하지 못했다는 것입니다. 이러한 특이성은 이 점수가 환자의 일반적인 쇠약함이나 연령을 반영하는 것이 아니라, 전립선 종양 자체의 위협을 진정으로 측정하고 있음을 시사합니다. 연구진이 표준 글리슨 등급과 연령 및 종양 크기와 같은 다른 임상적 요인들을 조정했을 때도, 이 점수는 표준 시스템이 놓친 위험을 식별해 내며 여전히 가치 있는 정보를 제공했습니다.
이 연구는 또한 이 새로운 점수가 기존의 등급 시스템을 단순히 재탕한 것이 아님을 보여주었습니다. 이 점수는 표준 등급과 관련이 있지만, 표준 시스템이 무시하는 세부 사항들을 포착합니다. 예를 들어, 생검을 통해 저위험 암 진단을 받은 남성 그룹 내에서도, 이 점수는 훨씬 더 높은 장기 사망 위험을 가진 하위 그룹을 식별해 냈습니다. 이 저위험 그룹에서 점수가 가장 높은 사람들은 20년 전립선암 사망 위험이 4%를 넘었지만, 점수가 가장 낮은 사람들은 1% 미만이었습니다. 이 발견은 컴퓨터가 인간 병리학자가 표준 등급을 부여할 때 간과할 수 있는 조직 내의 숨겨진 공격적 특징들을 탐지하고 있음을 시사합니다. 또한 점수는 위험을 구성 요소별로 분해하여 보여주었는데, 고등급 조직의 양과 세망상 패턴의 존재가 각각 독립적으로 위험에 기여한다는 것을 보여주었습니다.
생물학적으로 어떤 일이 일어나고 있는지 이해하기 위해, 연구진은 종양의 유전적 활동을 조사했습니다. 그들은 높은 점수를 받은 종양들이 공격적인 암의 특징인 빠른 세포 분열 및 유전적 불안정성과 관련된 유전자들에 의해 구동된다는 것을 발견했습니다. 이 점수는 또한 견고했는데, 즉 연구진이 병리 이미지로 훈련된 다양한 컴퓨터 비전 도구를 사용하더라도 잘 작동했습니다. 그러나 일반적인 사진용 컴퓨터 비전 도구를 사용했을 때는 생존과의 연결 고리가 사라졌습니다. 이는 이 점수가 일반적인 이미지 인식이 아니라 조직 구조에 대한 특정한 의학적 지식에 의존하고 있음을 확인시켜 줍니다.
연구진은 자신들의 작업이 시작 단계임을 인정합니다. 이 연구는 분석한 집단 내의 사망자 수에 의해 제한되었으며, 이로 인해 일부 미세한 세부 사항을 절대적인 확신을 가지고 규명하는 데 어려움이 있었습니다. 또한 점수가 단 하나의 조직 블록에서 도출되었다는 점을 언급하며, 향후 연구를 통해 이 방법이 전체 전립선 샘플에 걸쳐 일관되게 작동하는지 확인해야 한다고 밝혔습니다. 그럼에도 불구하고, 이 연구는 컴퓨터가 인간의 편향이나 환자의 결과에 대한 사전 지식 없이도 전립선암의 미묘하고 위험한 구조를 학습할 수 있음을 입증했습니다. 세포의 물리적 모양과 배열에 집중함으로써, 이 새로운 접근 방식은 현재의 진단보다 더 높은 위험에 처해 있는 남성들을 식별하여, 의사가 누가 치료를 받고 누가 안전하게 관찰될지를 결정하는 방식에 변화를 줄 수 있는 잠재적인 도구를 제공합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.