다중모드 MRI 기반 방사선학의 유방암 조직학적 등급 및 예후 평가 적용

TNM 병기 분류 외에도, 현재 유방암의 치료는 임상 실무에서 중요한 예후적 의미를 지닌 세 가지 분자적 아형으로 질병을 분류하는 기존 병리학적 특징에 기반하고 있습니다: 인간 표피 성장 인자 수용체 2(HER2) 양성, 루미널(호르몬 수용체 양성 및 HER2 음성), 그리고 삼중 음성 유방암입니다. HER2의 과발현 또는 증폭은 유방암 사례의 10-15%에서 관찰됩니다. 이 현상은 종종 더 공격적인 종양 행동과 관련이 있으면서도 HER2 표적 치료에 대한 증가된 반응성을 보여줍니다. 그러나 매우 효과적인 항-HER2 약물의 사용은 이러한 환자들의 생존 결과를 크게 향상시킬 수 있습니다. 또한, HER2의 발현 상태는 표적 치료의 필요성을 결정하는 데 중요합니다. 따라서, HER2 발현 상태에 대한 수술 전 평가는 중요한 치료적 함의를 지닙니다. 현재, 수술 전 유방암의 HER2 상태를 평가하는 임상적 방법에는 코어 바늘 생검 표본에서 수행되는 면역조직화학(IHC) 검사와 형광 제자리 혼성화(FISH) 측정이 포함됩니다. 그러나 이러한 생검 샘플링 기술은 샘플링 편향과 종양 내 이질성을 완전히 대표할 수 없는 능력 등 고유한 한계를 지니고 있습니다. 또한, 생검 절차는 환자에게 불편함을 줄 수 있으며 일정한 위험을 수반합니다. 종양 이질성은 일반적으로 종양 간의 혈관 신생, 대사, 유전자 발현 및 기타 생물학적 특성의 변이를 의미합니다. 종양 내 이질성(ITH)은 거시적 수준에서 방사선학적 이미지의 신호 차이로 나타날 수 있습니다. 연구자들은 HER2 양성(HER2+)과 HER2 음성(HER2-) 유방암 사이에 생물학적 특성과 행동에서 상당한 차이가 존재하여, ITH를 반영하는 특정 이미징 특징을 식별함으로써 이 두 종류의 종양을 구별할 수 있을 것이라고 가정했습니다.

동적 조영증강 MRI(DCE-MRI)는 의심스러운 병변에서 조영제 역학에 관한 시간적 정보를 제공하면서 허용 가능한 공간 해상도를 유지하는 효과적인 이미징 방식입니다. 이는 유방암 병변, 특히 치밀 유방 조직 내 병변을 감지하는 데 특히 민감합니다. DCE-MRI는 병변의 혈역학적 특성을 통해 비정상적인 종양 혈관 증식을 간접적으로 반영할 수 있습니다. 방사선학(Radiomics)은 시각적으로 식별하거나 정량화하기 어려운 고처리량, 정교한 방식을 사용하여 의료 이미지에서 정량적이고 재현 가능한 특징을 추출하는 신흥 기술입니다. 특정 질병과 연결될 수 있는 이러한 특징들은 통계적 또는 기계 학습(ML) 알고리즘을 사용하여 종양 진단, 등급 분류, 효능 평가 및 예후 예측을 위한 예측 모델을 생성하기 위해 분석됩니다. ML은 기존 통계 모델에 비해 두 가지 중요한 장점을 지닙니다. 목표는 진단 중 결정 시간을 줄이고 일반적으로 더 큰 진단 정확도를 달성하는 것입니다. 유방암 진단에서 입증된 바와 같이, ML은 대량의 임상 데이터에서 복잡한 패턴을 식별함으로써 암 위험 예측을 크게 개선할 수 있습니다. ML의 큰 잠재력에도 불구하고, 임상 적용에는 여전히 여러 장애물이 남아 있습니다. 주요 과제는 해석 가능성의 부족입니다. 많은 ML 모델이 "블랙박스"처럼 작동하여 임상의가 그들의 의사 결정 과정을 이해하고 신뢰하기 어렵게 만듭니다. 더욱이, 모델의 성능은 훈련 데이터의 질과 대표성에 크게 의존합니다. ML 방법은 종종 기존 임상 연구보다 더 큰 데이터 세트를 필요로 합니다.

따라서, 본 연구는 DCE-MRI 이미지를 사용하여 비침습적으로 유방암의 HER2 상태를 예측할 수 있는 방사선학 기반 ML 모델을 개발하는 것을 목표로 했습니다. 또한, Shapley Additive Explanation(SHAP) 알고리즘을 사용하여 모델에 포함된 변수들의 기여도를 분석하여, 유방암 환자들을 위한 보다 정확한 수술 전 치료 계획을 수립하는 데 유용한 통찰력을 제공했습니다.