종양 연결망 분석을 통한 유방암 신경항암 반응 예측

초록

본 연구는 종양 내부의 미세환경 간 상호작용을 그래프 이론 기반으로 모델링한 종양 연결망 프레임워크(TCF)를 제시한다. DCE‑MRI 데이터를 이용해 34명의 유방암 환자에서 치료 전·후의 연결망 지표를 계산했으며, 특히 degree centrality 변화가 치료 반응을 예측하는 데 AUC 0.83이라는 높은 성능을 보였다.

상세 분석

본 논문은 종양 이질성을 정량화하기 위해 “Tumor Connectomics Framework(TCF)”라는 새로운 분석 파이프라인을 설계하였다. 핵심 아이디어는 종양을 3차원 voxel 단위의 네트워크로 간주하고, 각 voxel 간의 기능적·형태학적 연관성을 가중치로 하는 그래프를 구축하는 것이다. 이를 위해 저자들은 동적 대비 강화(DCE‑MRI) 영상을 전처리한 뒤, 시간‑강도 곡선(TIC) 간의 상관관계를 기반으로 인접 행렬을 생성하였다. 이후 그래프 이론에서 널리 사용되는 중심성(centrality), 평균 최단 경로 길이(mean path length), 클러스터링 계수(clustering coefficient) 등 세 가지 주요 메트릭을 계산하였다.

특히, degree centrality는 각 voxel이 네트워크 내에서 직접 연결된 이웃 수를 나타내며, 종양 내부의 “핵심” 영역을 식별하는 데 유용하다. 연구진은 치료 전(Baseline)과 첫 사이클(1st cycle) 후 두 시점의 메트릭을 비교하여 퍼센트 변화를 도출했고, 이를 로지스틱 회귀와 ROC 분석에 투입하였다. 결과적으로 degree centrality 변화가 비응답자와 응답자를 구분하는 가장 강력한 바이오마커로 부각되었으며, AUC 0.83이라는 높은 예측력을 보였다.

또한, TCF는 시각화 측면에서도 장점을 제공한다. 네트워크 그래프를 3D voxel 공간에 오버레이함으로써, 치료에 따른 국소적 연결성 감소 혹은 증가 패턴을 직관적으로 확인할 수 있었다. 이는 기존의 종양 부피 감소만을 평가하는 방법에 비해 미세환경 간 상호작용을 정밀하게 포착한다는 점에서 임상적 해석 가능성을 크게 확대한다.

한계점으로는 샘플 수가 34명에 불과해 외부 검증이 부족하고, DCE‑MRI 해상도와 전처리 파라미터에 따라 인접 행렬의 민감도가 변할 수 있다는 점을 들 수 있다. 또한, 그래프 구축 시 상관계수 임계값 선택이 결과에 미치는 영향을 체계적으로 탐색하지 않은 점도 보완이 필요하다. 향후 연구에서는 다중 모달 영상(예: PET, diffusion MRI)과 결합하여 멀티스케일 연결망을 구축하거나, 딥러닝 기반 그래프 신경망(Graph Neural Network)을 적용해 예측 모델을 강화할 여지가 있다.

전반적으로 TCF는 종양 내부의 복합적 상호작용을 정량화하고, 치료 반응을 조기에 예측할 수 있는 혁신적 도구로 평가된다. 특히, 그래프 중심성 지표가 임상 의사결정에 직접 활용될 가능성을 시사함으로써, 정밀 종양학 분야에 새로운 연구 방향을 제시한다.