MRI 방사선유전체를 이용한 GBM MGMT 메틸화 상태 비침습 예측

초록

본 연구는 82명의 교모세포종 환자를 대상으로 MRI 영상에서 추출한 약 7천 개의 방사선유전체 특성을 이용해 MGMT 프로모터 메틸화 여부를 예측하였다. 전체 종양, 강화 영역, 괴사 영역, 부종 영역을 각각 수동으로 분할하고, 라플라시안 오브 가우시안 필터와 다양한 텍스처 분석을 적용하였다. 단변량 분석에서는 전체 종양 영역의 GLCM 역분산 특성이 AUC 0.71로 가장 높은 예측력을 보였으며, 다변량 분석에서는 부종 영역에 LOG 필터를 적용한 결정트리 모델이 AUC 0.78, AdaBoost 모델이 AUC 0.74를 기록하였다. 결과는 방사선유전체와 머신러닝을 결합한 비침습적 방법이 MGMT 메틸화 상태를 예측하는 데 실용적임을 시사한다.

상세 분석

이 논문은 교모세포종(GBM) 환자의 치료 반응을 좌우하는 핵심 바이오마커인 MGMT 프로모터 메틸화 상태를, 조직검사 없이 MRI 기반 방사선유전체(Radiomics)와 머신러닝을 통해 예측하려는 시도이다. 82명의 환자를 대상으로 네 가지 해부학적 영역(전체 종양, 강화 영역, 괴사 영역, 부종 영역)을 수동으로 분할한 뒤, 각 영역마다 라플라시안 오브 가우시안(LoG) 필터와 다양한 스케일(σ=1.0~5.0 mm)을 적용해 7,000여 개의 정량적 특성을 추출하였다. 특성 추출 단계에서 GLCM, GLRLM, GLSZM 등 전통적인 텍스처 지표와 형태학적, 강도 기반 지표를 모두 포함시켜 데이터의 다양성을 확보했다.

특성 선택은 두 단계로 진행되었다. 첫 번째는 상관관계 기반 필터링으로 중복 특성을 제거하고, 두 번째는 모델 기반 선택(SelectFromModel)으로 각 분류기에 최적화된 특성 집합을 도출했다. 단변량 분석에서는 전체 종양 영역의 GLCM 역분산(Inverse Variance) 특성이 σ=4.5 mm LoG 필터 적용 시 AUC 0.71, p=0.002로 가장 유의미한 단일 지표로 확인되었다. 이는 종양 내부의 미세 텍스처 변화가 메틸화 상태와 연관될 가능성을 시사한다.

다변량 분석에서는 세 가지 주요 분류기(Decision Tree, AdaBoost, Random Forest 등)를 시험했으며, 특히 부종 영역에 LOG 필터를 적용한 후 SelectFromModel로 선택된 특성을 사용한 Decision Tree가 AUC 0.78로 최고 성능을 보였다. AdaBoost는 AUC 0.74로 그 뒤를 이었으며, Random Forest와 SVM은 상대적으로 낮은 성능을 기록했다. 부종 영역이 높은 예측력을 보인 점은 부종이 종양 미세환경, 특히 혈관 신생 및 염증 반응과 연관되어 MGMT 메틸화와 간접적으로 연결될 수 있음을 암시한다.

모델 검증은 5‑fold 교차검증을 통해 수행했으며, 과적합 방지를 위해 파라미터 튜닝과 특성 차원 축소를 병행하였다. 그러나 데이터셋 규모가 82명에 불과하고, 외부 검증 코호트가 부재한 점은 일반화 가능성을 제한한다. 또한 수동 분할에 의존함으로써 재현성 문제가 존재하고, 필터링 단계에서 선택된 σ값이 최적화된지 여부에 대한 추가 실험이 필요하다.

전반적으로 이 연구는 방사선유전체와 머신러닝을 결합한 비침습적 바이오마커 탐색에 의미 있는 기여를 했으며, 특히 부종 영역의 텍스처 특성이 MGMT 메틸화와 강한 연관성을 가질 수 있음을 제시한다. 향후 다기관 대규모 데이터와 자동화된 분할 파이프라인을 도입한다면, 임상 적용 가능성을 크게 높일 수 있을 것으로 기대된다.