📄 medicine

Multimodal Machine Learning Model Integrating Preoperative Contrast-Enhanced CT Radiomics and Clinicopathological Features for Predicting Early Extrahepatic Recurrence After Hepatectomy of Hepatocellular Carcinoma

본 연구는 간 절제술 후 간세포암 환자의 조기 간외 재발을 정확하게 예측하기 위해 수술 전 CT 라디오믹스와 임상병리학적 특징을 통합한 랜덤 포레스트 기반의 다중 모달 머신러닝 모델을 개발 및 검증하였으며, 외부 검증에서 0.836의 AUC를 달est하여 개인별 맞춤형 수술 후 관리를 위한 효과적인 위험 계층화를 가능하게 하였다.

원저자: Yanze Li, Xiaolong Luo, Qilin Li, Yanwei Wang, Jiazhi Zhang, Yi Li, Bo Li, Kangyi Jiang, Xiaoli Yang

게시일 2026-06-29

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Yanze Li, Xiaolong Luo, Qilin Li, Yanwei Wang, Jiazhi Zhang, Yi Li, Bo Li, Kangyi Jiang, Xiaoli Yang

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

개요: 숨겨진 위험 예측하기

환자의 간에 종양(간세포암, HCC)이 있다고 상상해 보세요. 의사는 이 종양을 제거하기 위해 수술을 시행하는데, 이는 마치 정원에서 잡초를 뽑아내는 것과 같습니다. 보통은 매우 성공적인 결과로 이어집니다. 하지만 때때로, 그 잡초에서 나온 아주 작고 보이지 않는 씨앗들이 이미 바람에 날려 몸의 먼 곳(폐, 뼈, 또는 림프절 등)에 내려앉았을 수도 있습니다.

이 논문은 새로운 "일기 예보" 도구에 관한 것입니다. 이 도구의 목표는 수술이 끝나기도 전에, 어떤 환자가 2년 이내에 이러한 "씨앗"이 몸의 다른 부위에 안착할 가능성이 높은지를 예측하는 것입니다. 이 특정한 형태의 재발을 **조기 간외 재발(eEHR)**이라고 부릅니다. 의사들이 고위험군 환자를 조기에 식별할 수 있다면, 이들을 더 면밀히 관찰하거나 더 빨리 치료할 수 있습니다.

기존 도구들의 문제점

이전에는 의사들이 다음과 같은 표준적인 단서들을 보고 누가 위험한지 추측하려 노력했습니다:

종양의 크기가 얼마나 큰가?
환자의 혈액 검사(AFP) 수치가 높은가?
현미경으로 봤을 때 종양이 공격적으로 보이는가?

저자들은 이러한 단서들이 마치 길가에서 집을 바라보는 것과 같다고 말합니다. 집의 크기와 색깔은 볼 수 있지만, 기초의 균열이나 벽 내부의 부식은 볼 수 없습니다. 이러한 기존 방식들은 종양이 퍼질 것임을 알려줄 수 있는 "숨겨진 질감"을 놓치게 됩니다.

새로운 해결책: "슈퍼 스캐너"

연구진은 일종의 슈퍼 스파이처럼 작동하는 새로운 컴퓨터 모델("다중 모달 머신러닝 모델")을 구축했습니다. 이 모델은 두 가지 유형의 정보를 결합하여 훨씬 더 똑똑한 추측을 해냅니다:

"사람의 눈" 단서 (임상병리적 특징): 이는 의사들이 이미 가지고 있는 표준 정보입니다 (종양 크기, 혈액 검사 결과, 외과의가 종양을 완전히 제거했는지 여부 등).
"엑스레이 비전" 단서 (라디오믹스): 이 부분이 핵심입니다. 컴퓨터는 환자의 수술 전 CT 스캔(3D 엑스레이)을 가져와 종양을 수천 개의 미세한 데이터 포인트로 분해합니다. 그리고 종양의 "질감"—픽셀이 얼마나 거칠거나, 매끄러운지, 혹은 혼란스러운지—을 살펴봅니다.
- 비유: 만약 종양이 하나의 천 조각이라면, 사람 의사는 그 천이 빨간색이라는 것을 봅니다. 하지만 컴퓨터는 그 빨간 실들이 얼마나 불규칙하고 고르지 않게 짜여 있는지, 그래서 그 천이 약해서 쉽게 찢어질(퍼질) 가능성이 있는지를 봅니다.

모델 구축 방법

연구팀은 간 수술을 받은 208명의 환자로부터 데이터를 수집했습니다. 그리고 데이터를 다음과 같이 나누었습니다:

훈련 클래스 (70%): 이 환자들의 데이터를 사용하여 컴퓨터를 학습시켰습니다.
테스트 클래스 (30%): 컴퓨터가 배운 내용을 잘 기억하고 있는지 확인했습니다.
"낯선 이" 테스트 (외부 검증): 컴퓨터가 자신들의 그룹뿐만 아니라 모든 사람에게도 적용되는지 확인하기 위해, 완전히 다른 병원의 환자들을 대상으로 테스트했습니다.

그들은 **랜덤 포레스트(Random Forest)**라는 스마트한 컴퓨터 알고 চ알고리즘을 사용했습니다. 이것은 100명의 서로 다른 전문가로 구성된 위원회라고 생각하면 됩니다. 각 전문가는 데이터를 서로 다른 방식으로 바라보고, 환자가 "고위험"인지 "저위험"인지에 대해 투표합니다. 최종 답변은 다수결에 따릅니다.

연구 결과

컴퓨터는 "사람의 눈" 단서와 "엑스레이 비전" 단서를 결합하는 것이 위험을 예측하는 가장 좋은 방법임을 발견했습니다.

승리하는 팀: 두 가지 유형의 데이터를 모두 사용한 모델이 가장 정확했습니다.
성적: 테스트 그룹에서 이 모델은 약 **83~85%**의 확률로 정확한 예측을 보였습니다. 이는 표준 혈액 검사나 CT 사진만을 사용하는 것보다 훨씬 뛰어난 수치입니다.
핵심 단서: 컴퓨터는 가장 중요한 요인들이 다음과 같다는 것을 학습했습니다:
1. 종양의 크기가 특정 크기(밀란 기준 초과)보다 큰 경우.
2. 외과의가 종양 주변을 깨끗하게 절제하지 못한 경우(양성 절제연).
3. 근처에 작은 "위성" 종양들이 있는 경우.
4. CT 스캔에서 발견된 네 가지 특정한 "질감" 패턴.

결과: 환자를 두 줄로 분류하기

모델은 단순히 "예/아니오"라는 답을 주는 것이 아니라, 환자들을 두 줄로 분류했습니다:

저위험 줄: 이 환자들은 암이 간 외부로 빠르게 퍼질 가능성이 매우 낮습니다. 따라서 표준적인 정기 검진만 받아도 충분합니다.
고위험 줄: 이 환자들은 암이 퍼질 가능성이 높습니다. 모델은 이들에게 집중적인 감시(더 빈번한 스캔)와 암이 큰 문제가 되기 전에 조기에 치료할 수 있는 조치가 필요함을 시사합니다.

핵심 요약

연구진은 CT 스캔 속 종양의 숨겨진 질감을 "보는" 법을 컴퓨터에게 가르치고, 이를 표준 의료 정보와 결합함으로써, 수술 후 간 외로 암이 매우 빠르게 재발할 가능성이 있는 사람을 예측할 수 있음을 증명했습니다.

중요 참고 사항: 본 논문은 이 도구가 예측 및 위험 계층화를 위한 것임을 명시하고 있습니다. 이 도구는 의사가 누구를 더 주의 깊게 관찰해야 하는지 결정하는 데 도움을 줍니다. 이는 암 자체를 치료한다고 주장하거나, 수술을 대체한다고 주장하는 것이 아닙니다. 이는 수술 후 환자를 더 잘 관리하기 위한 의사 결정 지원 도구입니다.

기술 요약: 조기 간외 재발 예측을 위한 다중 모달 머신러닝 모델

문제 정의
간세포암(HCC)은 전 세계적으로 암 관련 사망의 주요 원인으로 남아 있다. 초기 단계 질환의 경우 수술적 절제가 선호되는 치료법이지만, 수술 후 재발률은 매우 높다(5년 이내 50~70%). 특히 공격적인 하위 집단인 조기 간외 재발(eEHR)은 수술 후 24개월 이내에 간외 부위(예: 폐, 뼈, 림프절)로 전이되는 것으로 정의된다. eEHR은 매우 불량한 예후(중앙 생존 기간 <8.8개월)와 국소 치료에 대한 제한된 반응을 동반한다. 현재의 임상 예측 모델은 주로 거시적인 임상병리학적 특징(예: 종양 크기, AFP 수치, 조직학적 등급)에 의존하고 있는데, 이는 종양의 공간적 이질성과 기저의 침습적 생물학적 행동을 포착하는 데 한계가 있다. 라디오믹스 데이터와 임상적 요인을 통합하여 eEHR 위험을 예측할 수 있는 정확한 다중 모달 프레임워크가 부족하며, 이는 개별화된 수술 후 감시 및 보조 요법의 구현을 저해하고 있다.

연구 방법론
본 회고적 연구는 2018년부터 2023년 사이에 두 센터(서남 의과대학교 부속 병원: 훈련 및 내부 검증, 러산 인민 병원: 외부 검증)에서 간 절제술을 받은 208명의 HCC 환자를 대상으로 수행되었다.

데이터 수집:
- 영상: 전처치 강화 CT 스캔(동맥기 및 문맥기)을 3D Slicer를 사용하여 처리하였다. 종양, 종양 주변 영역(10mm 확장), 간 실질에 대한 관심 영역(ROI)을 수동으로 구획하였다.
- 라디오믹스: PyRadiomics를 사용하여 6개의 뚜렷한 볼륨(동맥기 및 문맥기에서의 간, 종양, 종양 주변 영역)으로부터 형태, 1차 통계량 및 텍스처 매트릭스(GLCM, GLDM, GLRLM, GLSZM, NGTDM)를 포함하는 5,184개의 특징을 추출하였다.
- 임상병리학적 데이터: 인구통계학적 특성, 실험실 지표(AFP, PIVKA-II, 간 기능), 영상 소견 및 병리적 특징(분화도, 절제연 상태, 위성 결절)을 포함한 124개의 변수를 수집하였다.
특징 선택 및 모델 구축:
- 데이터 누수를 방지하기 위해 5-겹 중첩 교차 검증(5-fold nested cross-validation) 프레임워크 내에서 다단계 스크리닝 전략을 채택하였다.
- 임상 특징: 이진 로지스틱 회귀( $P < 0.05$ )를 거친 후 LASSO 회귀를 통해 선별하였다.
- 라디오믹스 특징: 재현성(급내 상관계수 ICC > 0.8)을 기준으로 필터링한 후, 로지스틱 회귀와 LASSO를 통해 선별하였다.
- 알고리즘: 세 가지 머신러닝 모델인 랜덤 포레스트(RF), XGBoost, 로지스틱 회귀(LR)를 구축하였다. 이 모델들은 라디오믹스 전용, 임상 전용, 그리고 융합된(다중 모달) 특징 세트에 대해 각각 학습되었다.
평가:
- 성능은 AUC, 정확도, 민감도, 특이도 및 F1-score를 사용하여 평가되었다.
- 모델 비교에는 DeLong 테스트를 활용하였다.
- 임상적 유용성은 Calibration curve와 결정 곡선 분석(DCA)을 통해 평가되었다.
- 생존 분석(Kaplan-Meier)은 위험 계층화 능력을 검증하기 위해 수행되었다.

주요 기여

다중 모달 통합: 본 연구는 단일 차원 모델의 한계를 해결하기 위해 전처치 CT 라디오믹스 특징과 핵심 임상병리학적 위험 요인을 융합한 예측 모델을 성공적으로 개발하였다.
특정 종점 집중: 일반적인 재발이 아닌, 임상적으로 중요한 시기인 2년 이내의 '조기 간외 재발(eEHR)'을 구체적으로 타겟팅하였다.
강력한 검증: 두 개의 서로 다른 의료 센터에서 엄격한 내부 검증과 독립적인 외부 검증을 거쳐 일반화 가능성을 입증하였다.
위험 계층화 시스템: 모델 출력값을 생존 결과와 직접 연결하여 고위험군과 저위험군을 구분하는 임상적으로 운용 가능한 임계치를 확립하였다.

결과

코호트 특성: 208명의 환자 중 55명(26.4%)이 eEHR을 경험하였다. 가장 흔한 전이 부위는 폐(47.3%), 림프절(21.8%), 뼈(18.2%)였다.
특징 선택:
- 세 가지 독립적인 임상병리학적 예측 인자로 밀란 기준 초과, 양성 절제연, 위성 결절의 존재가 확인되었다.
- 종양 형태, 텍스처 및 이질성을 나타내는 4개의 핵심 라디오믹스 특징이 최종 선정되었다.
모델 성능:
- 융합된 특징 세트를 사용한 랜덤 포레스트(RF) 모델이 XGBoost 및 LR보다 우수한 성능을 보였다.
- 훈련 세트: AUC 0.852.
- 외부 검증 세트: AUC 0.836, 정확도 0.875.
- 융합 모델은 외부 검증에서 단일 모달 모델(라디오믹스 전용 또는 임상 전용)보다 유의하게 높은 성능을 보였다 (DeLong test, $P < 0.05$ ).
생존 분석:
- eEHR 환자의 중앙 전체 생존 기간(OS)은 22.7개월이었으며, 비재발 환자는 63.2개월이었다.
- 모델의 최적 컷오프(0.36)를 사용하여 환자를 고위험군과 저위험군으로 계층화하였다. 고위험군은 훈련 코호트(중앙 OS 23.9개월 vs 61.1개월)와 외부 코호트(중앙 OS 21.4개월 vs 59.3개월) 모두에서 유의하게 짧은 중앙 OS 및 짧은 간외 재발 없는 생존 기간(EHRFS)을 보였다.

의의 및 주장
저자들은 개발된 RF 다중 모달 모델이 HCC 간 절제 후 eEHR 위험을 정밀하게 예측하기 위한 객관적인 근거를 제공한다고 주장한다. 고위험 환자를 정확하게 식별함으로써 본 모델은 다음을 촉진한다:

강화된 감시: 전이의 조기 발견을 위해 CT/MRI 검사 간격을 단축하거나 PET-CT를 포함하는 것을 가능하게 한다.
개인화된 보조 요법: 고위험군에 대해 전이를 지연시키거나 예방하기 위해 표적 치료 또는 면역 항암제와 같은 전신 요법을 조기에 시작하는 결정을 지원한다.
자원 최적화: 저위험 환자에 대한 과도한 스크리닝을 방지한다.

본 연구는 라디오믹스를 임상병리학적 데이터와 통합하는 것이 전통적인 평가의 한계를 극복하여 개별화된 수술 후 관리를 위한 도구를 제공한다고 결론짓는다. 저자들은 본 연구의 한계점으로 회고적 연구라는 점과 양성 eEHR 사례의 상대적으로 작은 표본 크기를 언급하며, 모델을 추가로 검증하고 정교화하기 위해 향-전향적, 다기관 연구 및 멀티 오믹스 데이터와의 통합이 필요하다고 밝혔다.