전 슬라이드 디지털 병리 이미지와 딥러닝 기반 간세포암의 수술 후 보조 치료 예측 모델의 구축 및 임상 검증

# I. 연구 배경 및 목적 간세포암종(HCC)은 전 세계적으로 흔한 악성 종양으로, 발생률 기준으로 세계 6위, 사망률 기준으로 세계 3위를 차지합니다. 매년 약 48만 명의 사망을 초래하며, 중국은 전 세계 사례의 45% 이상을 차지하여 극히 심각한 질병 부담을 나타냅니다 1. 근치적 외과적 절제술은 조기 간암 환자가 장기 생존을 달성하는 주요 수단입니다. 그러나 수술 후 5년 재발률은 50%-70%에 달하여 환자 예후를 심각하게 제한합니다 2. 수술 후 보조 치료는 재발을 지연시키고 생존율을 향상시키는 핵심 전략이 되었습니다. 이러한 치료법 중 동맥화학색전술(TACE) 및 티로신 키나제 억제제(TKIs, 소라페닙 및 렌바티닙과 같은)는 재발 고위험 환자의 치료에 널리 사용되고 있습니다 1,3.

TACE는 종양 공급 혈관을 국소적으로 색전화하고 화학요법 약물 관류를 결합하여 허혈성 괴사를 유도하며, 중기 간암에 적합합니다 4,5. 반면, 다중 표적 TKI 약물은 혈관 내피 성장 인자 수용체(VEGFR) 및 혈소판 유래 성장 인자 수용체(PDGFR)와 같은 신호 전달 경로를 체계적으로 억제하여 항혈관생성 및 항종양 증식 효과를 발휘하며, 진행성 간암의 표준 치료가 되었습니다 3. 그럼에도 불구하고, 두 치료 방식 모두 상당한 한계가 있습니다: TACE의 객관적 반응률은 일반적으로 50%-60%에 불과하며, 일부 환자는 이익을 얻지 못하고 심지어 간 기능 손상을 경험할 수 있습니다 6. TKIs는 고위험 수술 후 환자의 무재발 생존기간(RFS)을 3-5개월 연장할 수 있지만, 선별되지 않은 인구에서의 치료 반응률은 20% 미만이며, 3-4등급 이상반응(고혈압, 수족 피부 반응 및 단백뇨와 같은)의 발생률은 50%를 초과하여, 독성 부작용에 대한 불내성으로 인해 20%의 환자가 치료를 중단하게 됩니다 3,7,8. 현재, 임상에서는 잠재적 이익 인구를 식별하기 위한 효율적이고 신뢰할 수 있는 바이오마커 시스템이 부족합니다. 결과적으로, 치료 결정은 여전히 임상 경험(예: 종양 크기 및 혈관 침습과 같은 전통적 병리학적 특징에 기반)에 의존하여, 개인화가 제한되고 의료 자원이 낭비되며 환자에게 추가적인 치료 부담을 초래합니다.

최근 연구에 따르면, 종양 면역 미세환경(TIME)은 TACE 및 TKIs의 치료 민감도에 영향을 미치는 핵심 생물학적 기초입니다 3. TIME의 구성 특성, 면역 세포 침윤(CD8⁺ T 세포, Tregs, CTLs 및 M2형 종양 관련 대식세포와 같은), 면역 체크포인트 분자의 발현(프로그램된 세포 사멸 리간드 1, PD-L1과 같은) 및 공간 구조는 치료 반응과 밀접한 관련이 있습니다 9-12. 예를 들어, 면역 염증성 TIME(높은 CD8⁺ T 세포 밀도 및 3차 림프 구조 형성)은 TACE 후 종양 괴사 및 TKI 치료 반응과 양의 상관관계를 가질 수 있습니다; 반대로, 면역 면제 또는 사막 표현형은 종종 치료 저항성을 나타냅니다 13-15. 그러나 현재 TIME 평가는 대부분 다중 면역조직화학(mIHC) 및 공간 전사체학과 같은 고해상도 기술에 의존합니다. 이러한 방법들은 미세환경을 상세히 묘사할 수 있지만, 높은 비용, 복잡한 운영, 샘플 품질에 대한 높은 요구 사항 및 낮은 표준화와 같은 적용 병목 현상을 가지고 있어 임상 보급을 제한합니다.

인공 지능, 특히 딥러닝 기술의 돌파구는 기존 헤마톡실린 및 에오신(HE) 염색 전체 슬라이드 이미징(WSI)에서 심층 병리학 정보를 추출하는 새로운 접근 방식을 제공했습니다. 수술 후 병리학적 진단을 위한 일상적인 데이터(각 HCC 환자는 추가 샘플링 또는 검사 없이 수술 후 HE 염색 WSI가 생성됨)로서, WSI는 TIME의 핵심 특성을 매핑할 수 있는 것으로 입증된 세포 형태학 및 조직 구조 세부 사항을 포함합니다. 예를 들어, 합성곱 신경망(CNN) 및 Vision Transformer(ViT)와 같은 아키텍처를 통해 CD8⁺ T 세포 침윤 밀도 및 PD-L1 발현과 관련된 형태학적 패턴을 자동으로 식별하여 "HE 형태학 → 면역 상태"의 교차 모드 예측을 가능하게 합니다 16,17. 최신 연구들은 HE-WSI 기반 딥러닝 모델이 대장암의 미세위성 불안정성(MSI)을 높은 정확도(AUC 0.88)로 예측할 수 있음 18, 비소세포폐암의 PD-L1 발현(AUC 0.80) 및 종양 돌연변이 부담(TMB, AUC 0.91)을 예측할 수 있음을 확인했습니다 19,20. 간암 분야에서도 연구들은 WSI 딥러닝을 사용하여 수술 후 재발 위험(AUC 0.82) 및 간암 조직의 면역 세포 침윤(AUC 0.78)을 예측했습니다 21,22. 그러나, "수술 후 보조 치료(TACE/TKI)의 효능 예측"이라는 임상적 고충에 초점을 맞춘 연구는 없으며, 다기관, 대규모 샘플 임상 검증이 부족합니다.

따라서, HE 염색 WSI 및 딥러닝 알고리즘을 기반으로 한 HCC 수술 후 보조 치료 예측 모델의 구축은 치료 반응에서 TIME의 기계적 역할을 분석하는 데 도움이 될 뿐만 아니라, 높은 비용, 긴 주기 및 특수 플랫폼 의존성과 같은 기존 검출 기술의 한계를 극복하여 간암 보조 치료 결정의 정밀성과 접근성 향상을 촉진합니다. 이 프로젝트는 다기관 임상병리학 데이터를 인공 지능 알고리즘과 통합하여 TACE 및 TKI 효능 예측에 적합한 디지털 병리학 모델을 구축하고 엄격한 임상 검증을 수행하고자 하며, HCC 수술 후 치료 선택을 위한 과학적이고 신뢰할 수 있는 의사 결정 도구를 제공하는 것을 목표로 합니다.

# II. 구체적 절차 및 작업 흐름 이 연구는 진단 시험과 중재 연구를 결합한 포괄적 연구로, 두 주요 부분과 여러 단계로 나뉩니다. 그 목적은 간세포암종(HCC) 수술 후 보조 치료를 위한 인공 지능 기반 예측 시스템을 개발하고 검증하는 것입니다. 전체 연구는 인공 지능(AI) 기반 의료 기기 소프트웨어(SaMD) 개발을 위한 표준화된 프로세스를 따르며, 후향적 데이터 수집, 모델 개발 및 훈련, 후향적 검증, 전향적 관찰 검증 및 최종 전향적 중재 연구를 포함합니다.

• 1부: 종양 미세환경 인식 모델 구축 및 검증

  • 개발 및 훈련 단계 공개 데이터 세트(예: 암 게놈 아틀라스, TCGA) 및 연구 센터의 후향적 데이터 세트(n=1500, 이미 400건 수집됨)가 훈련 세트로 사용됩니다. 이 단계의 핵심 작업은 헤마톡실린 및 에오신(HE) 염색 전체 슬라이드 이미지(WSIs)에서 주요 종양 미세환경 특징을 자동으로 식별, 분할 및 정량화하기 위한 딥러닝 모델(예: Vision Transformer 또는 ResNet 기반 아키텍처)을 개발하는 것입니다. 이러한 특징에는 면역 세포 침윤 정도, 기질 비율, 혈관 침습 및 괴사 영역이 포함되나 이에 국한되지 않습니다. 모든 이미지는 적어도 두 명의 고급 병리학자에 의해 맹검 방식으로 독립적으로 주석 처리됩니다. 불일치는 합의 또는 제3의 고급 병리학자의 중재를 통해 해결되어 골드 스탠다드를 형성합니다.
  • 외부 검증 단계 국내 협력 의료 센터 8-10곳의 후향적 WSI 데이터 세트를 사용하여 모델의 일반화 능력에 대한 예비 검증을 수행합니다. 이 단계는 다른 스캔 장비, 다른 슬라이드 제작 및 염색 공정, 그리고 병리학자의 다른 해석 습관 하에서 모델의 견고성을 평가하는 것을 목표로 합니다.
• 2부: 치료 반응 예측 모델 구축 및 다단계 임상 검증

이 부분은 연구의 핵심입니다. 이는 1부 모델의 출력(즉, 정량화된 종양 미세환경 특징)과 필요한 임상 변수(TNM 병기, 간 기능 Child-Pugh 분류 및 AFP 수준과 같은)를 결합하여, 다른 수술 후 보조 치료 요법(수술만, 수술 + TACE, 수술 + TACE + TKI)에 대한 환자의 반응을 예측할 수 있는 분류 모델을 구축하는 것을 목표로 합니다. 이 부분은 엄격한 계층적 검증 전략을 채택합니다:

• 모델 훈련 단계 연구 센터의 후향적 데이터(n=1500)가 사용됩니다. 포함된 환자는 다음 기준을 충족해야 합니다: ① 병리학적으로 확인된 HCC; ② 근치적 절제술을 받음; ③ 완전한 수술 후 보조 치료 및 추적 관찰 데이터 보유. 치료 반응 정의: 주요 종점은 무재발 생존기간(RFS)이며, 부차적 종점에는 전체 생존기간(OS) 및 객관적 반응률(ORR)이 포함됩니다. 다중 클래스 머신러닝 알고리즘(그레이디언트 부스팅 트리 및 딥 신경망과 같은)을 사용하여 훈련이 진행되며, 환자가 가장 이익을 얻을 가능성이 있는 치료 요법 범주를 출력합니다.
• 내부 검증 단계 센터 데이터에서 무작위 분할을 통해 독립적인 검증 세트(n≈500, 훈련 세트와 겹치지 않음)가 확보됩니다. 이는 모델의 판별 성능을 초기 평가하고 과적합을 방지하기 위해 하이퍼파라미터 조정을 수행하는 데 사용됩니다.
• 외부 검증 단계 1(후향적 검증 및 모델 보정) 전국 여러 센터(8-10개 센터, n=3000)의 후향적 데이터가 수집됩니다. 이 단계의 주요 목적은: ① 더 대규모이고 더 이질적인 외부 데이터 세트에서 모델 성능을 검증하는 것; ② 검증 결과를 기반으로 모델을 보정하거나 제한된 반복 최적화를 수행하여 최종 확정 예측 모델을 형성하는 것입니다.

외부 검증 단계 2(대규모 후향적 검증) 확정된 모델은 새로운, 초대규모(n=10,000) 후향적 데이터 세트(3-5개 센터에서)에서 검증에 사용됩니다. 이는 증거 수준을 더욱 공고히 하고 전향적 연구를 위한 견고한 기반을 제공할 것입니다.

외부 검증 단계 3(전향적 관찰 연구) 총 1000명의 적격 수술 후 HCC 환자가 10-15개 센터에서 전향적이고 연속적으로 등록됩니다. 그들의 WSI 이미지가 수집되어 모델에 입력되어 예측된 치료 요법을 얻습니다. 그러나, 이 연구 단계는 실제 임상 결정을 간섭하지 않습니다. 연구자들은 모델의 예측 결과와 실제 임상 결정을 기록하고, 추적 관찰을 통해 환자의 실제 예후를 관찰하여 모델 예측과 실제 결과 간의 일치성, 그리고 실제 환경에서 모델의 성능 감쇠를 평가합니다.

### 외부 검증 단계 4(전향적 중재 연구) 이는 연구의 최종 검증 단계입니다. 3-5개 센터와 협력하여 약 600명의 환자를 등록하는 전향적, 무작위 대조 또는 실용적 임상 시험이 수행됩니다. 환자는 무작위로 두 그룹으로 나뉩니다: ① 모델 지원 의사 결정 그룹: 임상의는 모델의 예측된 최적 치료 요법을 기반으로 환자에 대한 치료 계획을 수립합니다; ② 표준 치료 그룹: 치료 계획은 기존 지침 및 임상 경험을 기반으로 전적으로 임상의에 의해 수립됩니다. 주요 비교는 두 그룹 간의 RFS가 될 것이며, 이를 통해 모델 지원 의사 결정의 임상 유용성과 예후 개선 가치를 입증하는 최고 수준의 근거 기반 의학을 제공합니다.