기술 요약: 유방암의 림프혈관 침범 사전 예측을 위한 다중 모달 융합

문제 정의

림프혈관 침범(LVI)은 유방암에서 중요한 예후 인자로, 국소 재발, 원격 전이 및 전체 생존율 감소와 관련이 있다. 그러나 수술 전 LVI를 평가하는 것은 여전히 어려운 과제이다. 현재의 골드 스탠다드인 수술 후 조직병리학적 검사는 수술 전 계획 수립이나 선행 보조 요법 선택을 안내할 수 없다. 중심부 바늘 생검(core needle biopsy)이 최소 침습적인 대안을 제공할 수는 있지만, 종양의 공간적 이질성과 LVI가 빈번하게 발생하는 종양 주변 영역을 포착하지 못해 샘플링 오류와 상당한 관찰자 간 변동성을 초래하는 경우가 많다. 따라서 수술 전에 LVI 상태를 정확하게 예측할 수 있는 비침습적이고 재현 가능한 영상 기법이 절실히 필요하다.

방법론

본 연구는 두 개의 독립적인 임상 센터에서 확진된 유방암 환자 750명을 대상으로 하는 후향적, 다기관 설계를 채택하였다. 데이터는 개발 코호트(센터 1, n=636)와 이를 다시 훈련 세트(n=445) 및 내부 검증 세트(n=191)로 나눈 그룹, 그리고 독립적인 외부 테스트 세트(센터 2, n=114)로 구분되었다.

데이터 획득 및 전처리

• 영상: 다양한 프로토콜을 사용하는 3.0T 스캐너(Philips 및 GE)를 이용한 동적 조영 증강 자기공명영상(DCE-MRI)을 획득하였다.
• 분할(Segmentation): 숙련된 두 명의 방사선 전문의가 괴사 및 낭성 변화를 제외하고 종양 면적이 가장 큰 슬라이스에서 종양 관심 영역(ROI)을 수동으로 획례하였다.
• 임상 데이터: 연령, 폐경 상태, 조직학적 등급, 감시 림프절 상태, 면역조직화학적 마커(ER, PR, HER-2, Ki-67) 및 분자 아형을 포함한 병리학적 및 임상적 변수를 추출하였다.

특징 추출 및 모델 구축

본 연구는 2D 딥러닝 입력을 위해 네 가지 ROI 크로핑(cropping) 전략을 체계적으로 비교하였다:

1. crop: 종양을 포함하는 직사각형 영역.
2. crop_roi_only: 종양 ROI만을 포함.
3. crop_en5: ROI를 종양 주변 영역으로 5mm 확장.
4. no_crop: 종양을 포함하는 전체 이미지 슬라이스.

다섯 가지 예측 모델을 구축하고 비교하였다:

1. 임상 모델 (Clinic): 다변량 로지스틱 회귀를 통해 식별된 독립적 위험 인자 기반.
2. 라디오믹스 모델 (Rad): PyRadiomics를 사용하여 추출된 특징(1차, 형태, 질감 특징)과 LASSO 회귀를 통한 선택, 그리고 다섯 가지 머신러닝 분류기(LR, SVM, KNN, RF, MLP)를 사용.
3. 딥러닝 모델 (DTL): 최적의 ROI 전략을 사용하여 VGG19 네트워크(ImageNet으로 사전 학습됨)로부터 추출된 특징을 동일한 다섯 가지 분류기에 입력.
4. 딥러닝 라디오믹스 모델 (DLR): 전통적 라디오믹스 특징과 딥러닝 특징의 특징 수준 융합.
5. 결합 모델 (Combined Model): 라디오믹스, 딥러닝 특징 및 임상적 위험 요인을 종합적으로 융합.

성능은 AUC, 정확도, 민감도, 특이도, 교정 곡선(calibration curves) 및 결정 곡선 분석(DCA)을 사용하여 평가되었다.

주요 기여

1. ROI 전략의 최적화: 본 연구는 LVI 예측을 위한 2D 딥러닝의 ROI 정의 전략에 대한 체계적인 평가를 제공한다. 정밀한 분할, 주변부 확장, 전체 슬라이스 입력보다 종양과 제한된 배경을 포함하는 단순한 직사각형 크롭(crop) 방식이 최적의 일반화 성능을 보임을 확인하였다.
2. 다중 모달 융합 프레임워크: 전통적 라디오믹스, 2D 딥러닝 특징, 임상적 위험 요인의 통합이 갖는 점진적 가치를 입증하였다. 본 연구는 단독 딥러닝 모델이 LVI와 같은 미세한 조직병리학적 특징을 포착하는 데 어려움을 겪을 수 있지만, 라디오믹스 및 임상 데이터와 결합될 때 예측 능력이 크게 향상됨을 보여준다.
3. 엄격한 다기관 검증: 단일 센터 데이터에 의존하는 기존 연구들과 달리, 본 연구는 서로 다른 영상 프로토콜을 사용하는 다른 기관의 독립적인 외부 테스트 세트를 사용하여 모델의 일반화 가능성을 견고하게 평가하였다.

결과

• ROI 전략 비교: crop 전략은 외부 테스트 세트에서 0.652에서 0.683 사이의 AUC 값을 나타내며 우수한 일반화 성능을 보였다. 반면, no_crop 전략은 가장 낮은 성능(AUC < 0.531)을 보였으며, crop_en5 전략은 훈련 과정에서 과적합 징후를 보였다.
• 임상 예측 인자: 다변량 분석 결과 폐경 상태, 조직학적 등급, 감시 림프절 상태, Ki-67 발현 수준, 분자 아형이 LVI의 독립적 예측 인자로 식별되었다.
• 모델 성능:
  • **결합 모델(Combined Model)**은 외부 테스트 세트에서 0.720(95% CI: 0.6245–0.8146)의 AUC를 기록하며 가장 우수한 전체 성능을 달성하였다.
  • 주목할 점은, 임상 전용 모델이 약간 더 높은 AUC(0.743)를 보였음에도 불구하고, 결합 모델은 유의미하게 **높은 민감도(0.847 vs. 0.610)**를 보여 위음성률을 줄였다.
  • 단독 모델들(Rad, DTL, DLR)은 외부 테스트 세트에서 낮은 성능(AUC < 0.650)을 보였으며, 특히 DTL 모델의 성능이 매우 저조했다(AUC 0.469).
• 임상적 유용성: 결정 곡선 분석(DCA)을 통해 결합 모델이 넓은 범위의 임계 확률에서 가장 높은 순이익(net benefit)을 제공함을 확인하였으며, 이는 임상적 유용성을 뒷받침한다.

의의 및 주장

본 논문은 제안된 다중 모달 융합 모델이 수술 전 LVI 위험 계층화를 위한 유망한 비침습적 접근법을 제공한다고 주장한다. 높은 민감도를 달encing함으로써, 이 모델은 환자의 위험도를 과소평가하여 부적절한 치료 계획을 세우는 것을 방지하는 핵심적인 임상적 요구를 해결한다. 또한, 본 연구는 직사각형 ROI 크로핑 전략이 2D DCE-MRI 딥러닝을 위한 최적의 입력 구성임을 강조한다.

저자들은 연구의 후향적 성격, 상대적으로 작은 외부 검증 세트, 그리고 종양의 입체적 생물학을 완전히 포착하지 못할 수 있는 2D 단일 슬라이스 입력 사용 등의 한계를 인정하며 신중한 어조를 유지하고 있다. 그들은 이 모델이 개인 맞춤형 치료 결정을 위한 잠재력을 보여주지만, 기존 임상 평가를 대체하는 독립적인 도구가 아닌 보완적인 도구로 간주되어야 하며, 향후 전향적 검증이 필요하다고 결론짓는다.