뇌암 등급 및 치료 반응 예측을 위한 다중파라미터 딥러닝·라디오믹스

초록

본 연구는 다중파라미터 MRI 데이터를 이용한 새로운 라디오믹스 프레임워크(mpRadiomic)를 제안한다. 24명의 뇌종양 환자(grade II 8명, grade IV 16명)에서 T1‑가중, T2‑가중, FLAIR, DWI, PWI 등 5가지 영상 정보를 통합해 텍스처 특징을 추출하고, 딥러닝 기반 분류기로 등급 구분 및 치료 반응(진행성 vs. 가성 진행성) 판별에 적용하였다. grade IV와 grade II 구분에서 민감도 93 %, 특이도 100 % (AUC 0.95)를 달성했으며, 가성 진행성과 진짜 진행성 구분에서도 AUC 0.93을 기록했다. 결과는 다중영상 텍스처가 종양의 생물학적 특성을 효과적으로 포착한다는 점을 시사한다.

상세 분석

본 논문은 기존 단일 영상 기반 라디오믹스의 한계를 인식하고, 다중파라미터 MRI(mpMRI)를 활용한 통합 텍스처 분석 프레임워크를 설계하였다. 먼저, T1‑가중 대비 강화 영상, T2‑가중 영상, FLAIR, 확산 가중 영상(DWI) 및 관류 가중 영상(PWI)이라는 다섯 가지 서로 다른 물리적 특성을 가진 시퀀스를 동일 환자에서 획득하였다. 각 시퀀스는 해상도와 신호 강도 차이가 존재하므로, 이미지 정규화와 공간 정렬을 통해 동일 좌표계에 매핑한 뒤, 3차원 볼륨 전체에 걸쳐 1,024개의 라디오믹스 피처(히스토그램, 그레이 레벨 공변량, 텍스처 행렬 등)를 추출하였다. 특징 선택 단계에서는 최소-상관 최대-분산(MRMR) 알고리즘을 적용해 중복성을 최소화하고, 종양 등급 및 치료 반응에 가장 민감한 150여 개 피처를 선별하였다.

분류 모델은 3층 컨볼루션 신경망(CNN) 구조에 전통적인 전통 머신러닝(랜덤 포레스트, 서포트 벡터 머신)과의 앙상블 방식을 도입했다. 학습 과정에서는 5‑fold 교차 검증을 적용해 과적합을 방지하고, 클래스 불균형을 보정하기 위해 SMOTE 기법을 사용하였다. 결과적으로 grade IV와 grade II를 구분하는 이진 분류에서 민감도 93 %, 특이도 100 %를 달성했으며, ROC 곡선 아래 면적(AUC)은 0.95에 이르렀다. 치료 반응 평가에서는 가성 진행성(pseudo‑progression)과 진짜 진행성(true‑progression)을 구분하는 데 AUC 0.93을 기록, 기존 임상적 판단보다 높은 정확도를 보였다.

통계적 검증에서는 DeLong 검정을 통해 AUC 차이가 유의미함을 확인했으며, 피처 중요도 분석을 통해 특히 PWI 기반 혈류량 파라미터와 DWI 기반 확산계수(ADC) 텍스처가 등급 구분에 큰 기여를 함을 밝혔다. 또한, 다중파라미터 통합이 단일 파라미터 대비 12 % 이상의 성능 향상을 제공한다는 점을 정량적으로 입증하였다. 이러한 결과는 뇌종양의 이질성을 다차원적으로 포착할 수 있는 mpRadiomic이 임상 의사결정 지원 도구로 활용될 가능성을 시사한다.