라디오믹스-임상 정보 통합 기반 비소세포암 환자 예후 예측 알고리즘

Abstract

정밀 의료(precision medicine)란 환자 각 개인을 임상 정보, 생활 환경, 습관 정보 등을 토대로 분류하고 이를 고려해 예방, 진단, 치료를 포함하는 최적의 맞춤형 의료 행위를 제공하는 차세대 의료 패러다임이다. 특히 암과 같은 주요 질환의 치료를 위해 통계적, 과학적 근거 기반을 마련하여 개개인에 맞춤 의학을 제공하는 것을 목표로 두고 있다. 정밀 의료 서비스를 제공하기 위해 다양한 환자의 정보들을 가지고 환자에 대한 의료 행위를 결정하기 위해서는 의미 있는 해석적 정보와 예측 정보와 같은 추가적인 정보가 필요해졌다. 이와 동시에 의료 영상이 진단 및 치료에 널리 이용되면서 대량의 의료 영상 정보들이 데이터베이스화 되었고, 이를 활용하여 추출한 유용한 진단표지자(biomarker) 관련 정보들을 바탕으로 환자의 예후를 예측하기 위하여 라디오믹스(radiomics)라는 새로운 분야가 대두되었다. 본 연구에서는 라디오믹스 연구 방법의 일반적인 절차에 따라 의료 영상과 더불어 임상 정보를 함께 사용하여 전 세계적으로 높은 발병률과 사망률을 보이는 폐암 환자의 절제 수술 이후 예후를 예측하는 모델을 개발한다. 이를 위해 본 논문에서는 폐암 가운데서도 비소세포암 환자들의 수술 이전의 CT 영상과 혈액 정보 등의 임상 데이터를 획득, 전처리, 레이블링하고 분석하였다. 선행된 연구들에서 밝혀진 예후와 관련된 특징 인자들을 종합적으로 사용하기 위해 다양한 매트릭스와 웨이브릿(wavelet) 필터를 사용하였으며 임상 정보와 추출한 handcrafted 특징들은 Cox 단일 변수 분석을 통해 유의미한 변수들을 선별하여 분석에 이용하였다. 분석에는 기존의 기계 학습 모델 가운데 많이 활용되며 라디오믹스 연구에서 뛰어난 성과를 보여주었던 SVM과 랜덤 포레스트를 사용하였으며 해당 연구 분야의 최신 동향을 따라 합성곱 신경망 기반의 모델을 통하여 비소세포암 환자들의 생존 기간과 재발을 예측하였다. 그 결과, 분석을 진행한 종격 세팅과 폐 세팅 모두에서 생존 기간과 재발에 대해 유의미한 인자들을 분석해낼 수 있었으며, 재발 분석에 있어서는 뛰어난 예측 성과를 얻을 수 있었다. 이는 기존에 환자의 예후에 큰 영향을 미치는 재발을 예측하는데 사용되는 표지가 없는 상황에서 의미 있는 연구 성과라고 할 수 있다.;Precision medicine is a next-generation medical paradigm which classifies patients based on information such as clinical data, living conditions, and habit and provides optimal customized medical behavior including prevention, diagnosis, and treatment. It aims to establish a statistical and scientific basis for the treatment of major diseases like cancer. Therefore, meaningful interpretative and predictive information has become needed to determine precise medical services with various patient information. At the same time, with the widespread use of medical images for diagnosis and treatment, large amounts of medical imaging information were databaseized, and a new field of radioimics emerged to predict the patient's prognosis based on useful diagnostic biomarker extracted using the information. In this study, a model is developed to predict prognosis including overall survival time and recurrence of lung cancer patients after resection with high incidence and mortality worldwide using clinical information in conjunction with medical images in accordance with the general procedure of radioimics research. clinical data such as CT images before operation and blood information of non-small cell cancer patients were acquired, preprocessed, labeled and analyzed in this paper. To comprehensively use the factors associated with the prognosis found in the preceding studies, various matrices and wavelet filters were used and Cox-single univariate analysis was used to select meaningful variables among clinical information and extracted handcrafted features. In the analysis phase, SVM (support vector machine) and random forest, which are widely used among traditional machine learning models and showed outstanding performance in radiomics studies were utilized. Also, Since Deep Learning has recently shown impressive performance in numerous fields of study, a CNN (convolutional neural network) model based on VGG16 has been used to predict the survival and recurrence of non-small cell cancer patients and the performance of each model’s outcome have been compared. As a result, significant factors were analyzed for survival period and recurrence in both lung setting and mediastinum setting and excellent predictive performance was achieved especially in the analysis of recurrence. This is a meaningful achievement in the absence of a marker to predict a recurrence which has a significant impact on the patient's prognosis.