Analyzing the Prognostic Value of Radiomic Variables from PET-CT with [18F]FDG in a Retrospective Cohort of Patients with Adrenocortical Carcinoma

기술 요약: 부신피질암에서 [18F]FDG PET-CT로부터 추출된 라디오믹스 변수의 예후적 가치

문제 제기
부신피질암(ACC)은 연간 백만 명당 0.7~2건의 발생률을 보이는 희귀하고 매우 공격적인 악성 종양이다. 현재의 예후 계층화는 GRAS 점수(Grade, Resection status, Age, Secretion status 통합)와 같이 임상적 소견 및 조직병리학적 파라미터(Weiss score, Ki-67 증식 지수 등)에 크게 의존하고 있다. [18F]FDG PET/CT는 질병의 범위를 평가하고 양성 병변과 악성 병변을 구분하는 데 활용되고 있으나, 시각적 해석을 넘어 종양의 이질성을 포착하는 정량적 영상 기술자인 라디오믹스 특징(radiomic features)이 ACC의 예후 계층화를 개선할 수 있는 가능성은 아직 충분히 탐구되지 않았다. 이 희귀 질환의 특성상 대규모 영상 데이터셋을 확보하기 어렵다는 점은 이러한 새로운 파라미터들이 임상적으로 유의미한 예후 정보를 제공하는지 검증하기 위한 머신러닝 알고리즘 적용을 제한해 왔다.

방법론
본 후향적 단일 센터 연구에는 치료 전 [18F]FDG PET/CT를 시행한, 조직학적으로 확진된 22명의 부신피질암 환자가 포함되었다. 이전 종양 치료력이 있거나 다른 악성 종양을 가진 환자는 제외되었다.

• 데이터 획득: 영상은 표준화된 프로토콜(60분 섭취, OSEM 재구성)을 사용하여 GE Discovery 710 스캐너로 획득되었다.
• 세그멘테이션 및 특징 추출: 두 명의 관찰자가 LIFEx 소프트웨를 사용하여 PET 영상에서 종양 관심 영역(VOI)을 수동으로 세그멘테이션하였다. 관찰자 간 일치도는 Dice 유사도 계수(DSC)를 통해 평가되었다.
• 특징 분석: 본 연구는 Image Biomarker Standardisation Initiative(IBSI) 가이드라인을 준수하여 1차 강도(first-order intensity), 2차 질감(second-order texture; GLCM, GLRLM, GLZLM, NGLDM), 형태학적 기술자를 포함한 220개의 라디오믹스 특징을 추출하였다. 기존의 PET 지표(SUVmax, SUVmean, MTV, TLG) 또한 계산되었다.
• 차원 축소 및 모델링: 표본 크기(N=22) 대비 높은 차원성을 해결하기 위해 주성분 분석(PCA)을 사용하여 특징 필터링을 수행하였다. 각 주성분에 기여하는 상위 원본 특징(전체 분산의 >95%를 설명)을 유지하였다. 머신러닝 모델(로지스틱 회귀, 랜덤 포레스트, 그래디언트 부스팅, SVM, 신경망, 나이브 베이즈)을 학습시켜 5년 생존율을 예측하였다.
• 검증 전략: 코호트를 70%의 훈련 세트(n=16)와 30%의 홀드아웃 테스트 세트(n=6)로 분할하였다. 모델 성능은 훈련 세트에 대한 층화 5-겹 교차 검증(stratified 5-fold cross-validation)을 사용하였고, 테스트 세트에서는 표준 지표(AUC, 정확도, 정밀도, 재현율, F1-score)를 사용하여 평가하였다.

주요 결과

• 재현성: 종양 세그멘테이션에 대한 관찰자 간 일치도는 평균 DSC 86.2% ± 6.0%로 높게 나타났다. 기존 PET 파라미터(SUVmax, SUVmean, MTV)는 관찰자 간 강한 상관관계를 보였다.
• 생물학적 상관관계: 기존 PET 파라미터는 Ki-67, Weiss score 또는 p53 상태와 유의미한 상관관계를 보이지 않았다. 그러나 높은 총 병변 당 글리코라이시스(TLG)가 p53 양성 종양과 연관되는 비유의적인 경향(p = 0.065)이 관찰되었다.
• 모델 성능:
  • PET vs. CT: PET 라디오믹스 특징 기반 모델이 CT 특징만을 기반으로 한 모델보다 일반적으로 더 우수한 성능을 보였다. 최상의 CT 전용 모델(나이브 베이즈)은 AUC 0.534를 달찰한 반면, 최상의 PET 전용 모델(신경망)은 AUC 0.727을 달성하였다.
  • 결합 모델: PET와 CT 데이터를 결합한 나이브 베이즈 모델이 가장 높은 전체 정확도를 달성하였으며, AUC 0.750에 도달하였다. 이는 기존의 임상 GRAS 파라미터 기반 모델(최고 AUC = 0.682)보다 우수한 성능이었다.
  • 알고리 thống 민감도: 복잡한 모델인 신경망 및 앙상블 방법은 PET 데이터에서 유망한 결과를 보였으나, 선형 모델(SVM, 로지스틱 회귀)은 다중 모달리티 데이터셋에서 어려움을 겪었다. 이는 이러한 맥락에서 확률적 또는 트리 기반 분류기가 더 적합함을 시사한다.

의의 및 주장
저자들은 본 연구를 "탐색적 개념 증명(exploratory proof-of-concept)" 연구로 규정한다. 본 연구의 주요 의의는 대규모 데이터셋을 구축하기 어려운 질환인 부신피질암에서 [18F]FDG PET/CT로부터 유도된 라디오믹스 특징이 예후적 가치를 지닐 수 있음을 입증했다는 데 있다.

• 대사적 vs. 해부학적: 본 연구는 대사 정보(PET)가 해부학적 형태(CT) 단독보다 생물학적 이질성과 종양 미세환경을 더 효과적으로 포착한다는 가설을 뒷받침한다.
• 분자적 연결: p53 돌연변이와 TLG 사이의 관찰된 경향은 전역적 대사 종양 부담(global metabolic tumor burden)이 특정 분자적 변화, 특히 TP53 경로의 조절 장애를 나타내는 비침습적 대리 지표 역할을 할 수 있음을 시사한다.
• 한계 및 향-방향: 저자들은 머신러닝을 소규모 코호트(n=22)에 적용할 때 발생하는 과적합(overfitting) 위험을 언급하며 한계를 명시적으로 인정하였다. 그들은 높은 성능 지표를 주의 깊게 해석해야 한다고 강조하였다. 결론적으로, 본 연구의 결과는 유망하며 부신피질암 관리에서 핵의학의 확장되는 역할과 궤를 같이하지만, 이러한 발견을 검증하고 임상적 적용 가능성을 확립하기 위해서는 더 큰 규모의 다기관 연구가 필요하다.