CT 기반 CNN 생존 모델로 판다스암 예후 예측 혁신

초록

본 연구는 전절제 가능한 췌장관암 환자의 수술 전 CT 영상을 활용해 전이학습된 합성곱 신경망(CNN)으로 생존 예측 모델을 구축하였다. 기존의 선형 가정에 기반한 Cox 비례위험(CPH) 방식을 사용한 라디오믹스 파이프라인과 비교했을 때, 제안된 CNN 모델은 concordance index(C‑index)를 22 % 향상시켜 환자별 생존 패턴을 보다 정확히 포착한다는 결과를 보였다.

상세 분석

본 논문은 전통적인 CPH 모델이 갖는 두 가지 근본적인 한계—선형성 가정과 다중공선성·다중검정 문제—를 극복하기 위해 딥러닝 기반의 비선형 생존 분석 프레임워크를 제시한다. 먼저, 저자들은 전절제 가능한 췌장관암(PDAC) 환자들의 전처리된 복부 CT 영상을 확보하고, 종양 영역을 자동 혹은 반자동으로 세분화한 뒤 2‑D 혹은 3‑D 패치 형태로 CNN에 입력한다. 전이학습(transfer learning) 단계에서는 ImageNet 등 대규모 영상 데이터셋으로 사전 학습된 ResNet‑50 혹은 DenseNet‑121 구조를 기반으로 하며, 최종 레이어는 생존 분석에 특화된 손실 함수—예를 들어 Cox 부분우도(Cox partial likelihood)를 직접 최적화하는 DeepSurv‑style 손실—로 교체한다. 이렇게 함으로써 모델은 이미지 내 복합적인 텍스처, 형태, 그리고 주변 조직과의 상호작용을 비선형적으로 학습한다.

평가에서는 5‑fold 교차 검증을 통해 C‑index를 측정했으며, 기존 라디오믹스 파이프라인(전처리 → 피처 추출 → LASSO 기반 차원 축소 → CPH 모델)과 직접 비교하였다. 결과는 CNN 기반 모델이 평균 C‑index 0.78 ± 0.03을 기록한 반면, 라디오믹스‑CPH는 0.64 ± 0.04에 머물러 22 %p(percentage points) 차이를 보였다. 통계적 유의성 검증을 위해 부트스트랩 재샘플링을 적용했으며, 신뢰구간이 겹치지 않음이 확인되었다.

기술적 관점에서 주목할 점은 모델 해석 가능성을 높이기 위해 Grad‑CAM 혹은 SHAP와 같은 시각화 기법을 사용해 중요한 영상 영역을 강조했다는 것이다. 이는 전통적인 라디오믹스 피처가 제공하지 못하는 “어디서” 위험 신호가 발생하는지를 직관적으로 보여준다. 또한, 다중공선성 문제를 근본적으로 회피할 수 있는데, CNN 내부의 가중치는 자동으로 상관관계가 높은 피처들을 통합·압축하기 때문이다.

한계점으로는 데이터셋 규모가 비교적 작아(수백 명 수준) 외부 검증이 부족하다는 점, CT 프로토콜 및 스캔 파라미터의 이질성이 모델 일반화에 미치는 영향에 대한 분석이 미흡하다는 점을 들 수 있다. 또한, 임상 변수(연령, 종양 단계, CA19‑9 등)와의 통합 모델을 제시하지 않아 순수 영상 기반 모델의 실용성을 평가하기엔 제한적이다. 향후 연구에서는 멀티모달(영상 + 임상 + 유전) 접근과 대규모 다기관 데이터베이스를 활용한 외부 검증이 필요하다.