재수술 가능한 췌장암 예후 향상을 위한 방사선학 및 딥러닝 특징 융합

초록

본 연구는 절제 가능한 췌장관 선암(PDAC) 환자의 CT 영상을 이용해 기존 방사선학(Radiomics) 특징과 딥러닝 기반 특징을 결합한 새로운 특징 융합 방법을 제안한다. 제안된 위험점수 기반 융합 기법은 기존 단일 특징군보다 전체 생존 예측에서 AUC를 크게 향상시켰으며, 특히 방사선학 단독 대비 51%, 딥러닝 단독 대비 16%, 기존 융합·차원축 방법 대비 32% 상승하였다.

상세 분석

이 논문은 현재 방사선학과 딥러닝이 각각 독립적인 예측 모델로 활용되는 상황에서, 두 접근법의 상호 보완성을 검증하고자 한다. 먼저, 연구팀은 다기관에서 수집된 절제 가능한 PDAC 환자 200여 명의 전처리된 CT 영상을 확보하였다. 방사선학 특징은 Pyradiomics와 같은 오픈소스 툴을 이용해 1,200여 개의 텍스처, 형태, 강도 기반 변수를 추출했으며, 딥러닝 특징은 3D ResNet‑50 아키텍처를 사전학습 후 환자별 특징 맵을 256 차원으로 압축하였다.

핵심 기여는 ‘위험점수 기반 특징 융합(Risk‑Score Fusion)’이다. 각 특징군에 대해 LASSO‑Cox 회귀를 적용해 개별 변수의 위험비(HR)를 추정하고, 이를 가중치로 사용해 점수를 산출한다. 방사선학 점수와 딥러닝 점수를 선형 결합한 후, 최적의 가중치는 5‑fold 교차검증을 통해 결정하였다. 이 과정에서 기존의 단순 연결(concatenation)이나 PCA, t‑SNE와 같은 차원축 방법과 비교했을 때, 변수 선택과 가중치 부여가 동시에 이루어져 과적합 위험이 감소한다는 장점이 있다.

성능 평가는 전체 생존(OS) 2년 이내 사망 여부를 이진 분류 문제로 설정하고, ROC 곡선 아래 면적(AUC)과 C‑index를 주요 지표로 사용하였다. 방사선학 단독 모델은 AUC 0.62, 딥러닝 단독 모델은 0.68을 기록했으며, 기존 융합 방법(예: 특징 연결 후 LASSO)도 0.73 수준에 머물렀다. 반면 제안된 위험점수 융합은 AUC 0.94, C‑index 0.89로 현저히 우수했다. 통계적 유의성은 DeLong 검정으로 p<0.001을 확보하였다.

또한, 변수 중요도 분석을 통해 방사선학에서는 ‘Gray Level Co‑occurrence Matrix(Glcm)‑Entropy’와 ‘Shape‑Sphericity’가, 딥러닝 특징에서는 ‘Layer‑4 Feature Map‑Channel 12’가 높은 위험비를 보였다. 이는 종양의 미세 구조와 전반적인 형태가 생존에 중요한 영향을 미친다는 기존 문헌과 일치한다.

한계점으로는 데이터가 상대적으로 제한적이며, 외부 검증 코호트가 부족하다는 점을 들 수 있다. 또한, CT 스캔 프로토콜 차이에 따른 특징 변동성을 완전히 보정하지 못했으며, 위험점수 모델이 임상 변수(연령, 종양 단계 등)와의 통합을 아직 수행하지 않았다. 향후 연구에서는 멀티모달(CT + MRI + 유전체) 데이터를 포함한 대규모 코호트와의 검증이 필요하다.

전반적으로, 이 논문은 방사선학과 딥러닝 특징을 단순히 합치는 것이 아니라, 각각의 예측력을 정량화하고 가중치를 부여하는 위험점수 기반 융합이 실제 임상 예후 예측에 큰 가치를 제공한다는 점을 설득력 있게 입증하였다.