PSMA 표적 방사선 치료를 위한 PBPK‑ML 기반 예측 용량학

초록

본 연구는 PSMA‑표적 방사성 치료에서 사전 PET 영상으로부터 종양 및 주요 장기의 물리·생물학적 용량을 예측하는 3단계 프레임워크를 제시한다. 640명의 가상 환자를 PBPK 시뮬레이션으로 생성하고, 15 360개의 시간‑활동곡선(TAC)을 추출해 30여 개의 동역학 특징을 만든 뒤, Random Forest·XGBoost 등 5가지 머신러닝 모델을 학습시켰다. Cu‑64‑PSMA‑617 PET이 가장 높은 예측 정확도를 보였으며, SHAP 분석을 통해 피크 흡수량·클리어런스·초기 기울기가 핵심 변수임을 확인했다.

상세 분석

이 논문은 개인화 방사성 치료(Precision RPT)의 핵심 과제인 ‘예측 용량학’을 해결하기 위해 물리 기반 모델링(PBPK)과 데이터 기반 학습(ML)을 결합한 하이브리드 접근법을 제시한다. 첫 번째 레이어에서는 기존에 검증된 PSMA‑PBPK 모델을 확장해 ¹⁸F‑DCFPyL, ⁶⁸Ga‑PSMA‑11, ⁶⁴Cu‑PSMA‑617 PET 트레이서와 ¹⁷⁷Lu‑PSMA‑I&T 치료제의 전신 및 종양 내 분포를 시뮬레이션했다. 환자별 신체지표(키, BSA)와 장기·종양별 혈류, 수용체 밀도, 내부화·방출 속도 등을 실제 문헌값 범위 내에서 랜덤 샘플링해 640명의 가상 코호트를 구축했고, 각 코호트당 24 h(≈500 h)까지의 TAC를 30 000 분 해상도로 생성했다. PET‑유사 노이즈는 로그정규분포를 가정해 평균 제곱근 비례 방식으로 삽입했으며, 치료용 TAC는 노이즈 없이 ‘진실값’으로 유지했다.

두 번째 레이어에서는 30여 개의 정량적 특징을 자동 추출했다. 피크값(AMax), 피크시점(Tmax), 평균·표준편차·중앙값·왜도·첨도·엔트로피·에너지·AUC·반감기·클리어런스 비율, 퍼센타일 구간, 상승·하강 구간의 최대·최소 기울기 등 시간‑활동곡선의 형태와 동역학을 포괄한다. 이러한 특징은 PET‑측정값을 직접적으로 반영하면서도, 물리적·생물학적 용량(AUC, 흡수선량, BED, EQD2)과의 연관성을 확보한다.

세 번째 레이어에서는 회귀 기반 머신러닝 모델을 다섯 종류(Random Forest, Extra Trees, Ridge, Gradient Boosting, XGBoost)로 구현하고, 5‑fold 교차검증을 통해 과적합을 방지했다. 성능 평가는 평균 절대 백분율 오차(MAPE)와 결정계수(R²)로 수행했으며, 종양 용량 예측에서 Cu‑64‑PSMA‑617 PET 기반 모델이 MAPE 8 % 이하, R² 0.92를 기록해 가장 우수했다. 반면 ¹⁸F‑DCFPyL은 종양 부피에 따라 성능이 변동했으며, ⁶⁸Ga‑PSMA‑11은 변동성이 가장 컸다. SHAP(Shapley Additive exPlanations) 분석 결과, AMax와 Tmax, 초기 클리어런스(첫 30 min 내 감소율), 그리고 초기 상승 기울기가 모든 장기·종양에서 용량 예측을 주도하는 변수임을 확인했다. 이는 PET 영상에서 빠른 동역학 정보를 확보하는 것이 용량 예측 정확도를 크게 높인다는 실용적 시사점을 제공한다.

이 프레임워크는 ‘디지털 트윈’ 개념을 구현한 가상 임상시험(Virtual Clinical Trial) 플랫폼으로 활용 가능하다. PBPK 모델을 통해 다양한 환자 특성(PSMA 발현, 종양 부피, 신장 기능 등)을 반영한 시뮬레이션을 수행하고, ML 모델을 이용해 사전 PET만으로 치료 후 용량을 추정함으로써, 임상시험 설계 단계에서 용량‑반응 관계를 사전 검증하거나, 실제 임상에서 환자 맞춤 용량 조절에 적용할 수 있다. 또한, 모델 파라미터와 SHAP 결과를 통해 어떤 생리학적 변수가 용량 변동에 가장 큰 영향을 미치는지 정량화함으로써, 향후 환자 선별 바이오마커 개발에도 기여한다.

한계점으로는 가상 환자 기반 연구이므로 실제 임상 데이터와의 외부 검증이 필요하고, PET‑노이즈 모델링이 ROI 수준의 평균값에 국한돼 실제 이미지 재구성 오류(점·선형 왜곡 등)를 완전히 반영하지 못한다는 점을 들 수 있다. 또한, 방사선 생물학적 파라미터(α/β 비율 등)의 가정이 고정돼 있어 다양한 종양 유형에 대한 일반화 가능성은 추가 검증이 요구된다.

전반적으로, 물리‑생리학적 메커니즘을 기반으로 한 데이터 생성과, 고성능 머신러닝을 결합한 이 연구는 PSMA‑표적 방사성 치료의 개인화와 효율적인 임상시험 설계에 새로운 길을 제시한다.