Prediction of oncogene mutation status in non-small cell lung cancer A systematic review and meta-analysis with a special focus on artificial-intelligence-based methods
한 줄 요약
이 연구는 비소세포폐암(NSCLC) 환자에서 조직 생검에 의존하지 않고 영상 기반 radiomics와 artificial intelligence (AI)를 통해 oncogene mutation status (EGFR, ALK, KRAS)를 예측하는 효과성을 평가하기 위해 수행된 systematic review 및 meta-analysis이다. PRISMA 가이드라인에 따라 890편의 문헌을 스크리닝한 결과, 124편이 체계적 문헌고찰에 포함되었으며, 그중 51편이 meta-analysis에 최종入选되었다. CT 기반 radiomics 모델만 대상으로 한 정량적 분석에서 EGFR 돌연변이 예측의 sensitivity는 0.754 (95% CI 0.727–0.780), false positive rate (FPR)은 0.344 (95% CI 0.308–0.381)로 나타났다. ALK 돌연변이 예측의 sensitivity는 0.754 (95% CI 0.638–0.841), FPR은 0.225 (95% CI 0.163–0.302)였으며, KRAS 돌연변이 예측의 sensitivity는 0.475 (95% CI 0.153–0.820), FPR은 0.181 (95% CI 0.054–0.461)로 상대적으로 낮은 성능을 보였다. 임상 데이터와 radiomics를 결합한 combined models의 meta-analysis는 EGFR 돌연변이에만 가능했으며, sensitivity는 0.806 (95% CI 0.777–0.833), FPR은 0.315 (95% CI 0.270–0.364)로 radiomics 단독 모델 대비 민감도는 향상되었으나 위양성률은 유사한 수준을 유지했다. Meta-regression 분석에서는 다양한 예측 인자의 영향에 대해 통계적으로 유의미한 결과는 도출되지 않았다.
방법
이 연구는 PRISMA 및 MOOSE 가이드라인에 따라 수행되었으며, PROSPERO (CRD42022349809)에 사전 등록되었다. Medline (PubMed), Cochrane Library, EMBASE 데이터베이스에서 2024년 11월 20일까지 발표된 문헌을 검색했으며, 검색 키워드는 "Radiomics", "NSCLC", "Mutational status"였다. 언어 제한은 영어로만 적용되었고, 출판 연도, 환자 연령, 국적에는 제한이 없었다. 두 명의 검토자가 독립적으로 문헌 검색 및 선택을 수행하며 Covidence software를 활용했다.
포함된 연구의 방법론적 질은 CLAIM (Checklist for Artificial Intelligence in Medical Imaging) 기준으로 평가되었으며, bias 위험도는 QUADAS-2 도구를 사용하여 patient selection, index test, reference standard, flow and timing 네 가지 도메인에서 평가했다. 정량적 meta-analysis에는 CT scan 기반 모델만 포함되었다. 통계 분석은 R Statistical Software v4.2.2 및 mada/tidyverse 패키지를 사용했으며, sensitivity와 FPR에 대한 bivariate approach를 적용하여 summary receiver operating characteristic (sROC) 곡선을 계산했다. 주요 요약 지표로는 diagnostic odds ratio (DOR)를 사용했으며, publication bias는 Deeks’ funnel plot asymmetry test로 평가했다 (p < 0.10을 유의한 비대칭으로 간주).
대상 환자 및 데이터 규모 측면에서, 체계적 문헌고찰에 포함된 124편의 연구에는 총 45,747명의 NSCLC 환자가 포함되었다. 이 중 meta-analysis에 최종入选된 51편은 EGFR, ALK, KRAS 돌연변이 예측 모델을 개발한 연구들이었다. 영상 모달리티로는 CT가 가장 흔하게 사용되었으며 (n=86), PET/CT (n=30), PET alone (n=6) 순이었다. CT 연구 중 51편은 non-contrast-enhanced images를, 23편은 contrast-enhanced images를 사용했으며, 4편은 양자를 모두 포함했고 8편은 조영제 사용 여부를 명시하지 않았다. 종양 분할 (tumor segmentation) 방식은 manual이 73편, semi-automatic이 38편, automatic이 4편이었다.
모델링 방법론적으로, 124편 중 90편은 machine learning (ML) 알고리즘만 사용했고, 10편은 deep learning (DL)만 사용했으며, 14편은 DL 연구에서 ML을 비교군으로 사용했다. 나머지 10편은 classical statistical models를 사용했다. ML 분류기로는 logistic regression (n=56), support vector machine (SVM) (n=49), random forest (RF) (n=39)가 가장 빈번하게 사용되었다. 데이터 분할 전략으로는 training-validation split이 98편에서 주로 사용되었으며, external validation은 단 21편에서만 수행되었다.
주요 결과
Meta-analysis의 primary endpoint인 돌연변이 예측 성능은 oncogene 종류에 따라 차이를 보였다. EGFR 돌연변이 예측을 위한 radiomics-based AI 모델의 pooled sensitivity는 0.754 (95% CI 0.727–0.780)였으며, FPR은 0.344 (95% CI 0.308–0.381)였다. ALK 돌연변이 예측의 pooled sensitivity는 0.754 (95% CI 0.638–0.841), FPR은 0.225 (95% CI 0.163–0.302)로 EGFR과 유사한 민감도를 보였으나 위양성률이 낮았다. 반면, KRAS 돌연변이 예측의 pooled sensitivity는 0.475 (95% CI 0.153–0.820)로 현저히 낮았으며, FPR은 0.181 (95% CI 0.054–0.461)이었다.
Secondary endpoint로서 clinical data와 radiomics를 결합한 combined models의 성능은 EGFR 돌연변이에 대해서만 meta-analysis가 가능했다. 이 combined models의 sensitivity는 0.806 (95% CI 0.777–0.833)로 radiomics 단독 모델 (0.754)보다 높았으나, FPR은 0.315 (95% CI 0.270–0.364)로 radiomics 단독 모델 (0.344)과 큰 차이가 없었다. 이는 임상 데이터의 추가가 민감도 향상에 기여할 수 있으나 위양성률 감소에는 제한적임을 시사한다.
Meta-regression 분석을 통해 다양한 예측 인자 (예: 영상 모달리티, 분할 방식, 알고리즘 유형 등)가 모델 성능에 미치는 영향을 평가했으나, 통계적으로 유의미한 결과는 얻어지지 않았다. 또한, Deeks’ funnel plot asymmetry test를 통한 publication bias 평가에서도 EGFR, ALK, KRAS 및 combined EGFR 모델 모두에서 유의한 비대칭은 관찰되지 않았다 (p ≥ 0.10).
강점
이 연구는 NSCLC의 주요 driver mutation (EGFR, ALK, KRAS)에 대한 영상 기반 예측 모델의 성능을 체계적으로 비교 평가한 최초의 대규모 meta-analysis 중 하나이다. 총 45,747명의 환자 데이터를 포함하여 표본 규모가 크며, PRISMA 및 MOOSE 가이드라인을 엄격히 준수하고 PROSPERO에 사전 등록함으로써 방법론적 투명성과 재현성을 확보했다.
CLAIM과 QUADAS-2 도구를 사용하여 각 연구의 방법론적 질과 bias 위험도를 다각도로 평가하여 결과의 신뢰성을 높였다. 특히, sensitivity와 FPR을 bivariate approach로 분석하고 DOR를 주요 요약 지표로 사용함으로써 다양한 임계값에 강건한 진단 성능 지표를 제공했다. 또한, radiomics 단독 모델과 clinical data를 결합한 combined models의 성능 차이를 정량적으로 비교하여 임상 데이터 추가의 실제적 이점을 명확히 제시했다.
한계
Meta-analysis에 포함된 51편 중 external validation을 수행한 연구는 단 21편에 불과하며, 대부분이 training-validation split만을 사용하여 모델의 일반화 가능성 (generalizability)에 대한 증거가 제한적이다. 또한, KRAS 돌연변이 예측 모델의 경우 포함된 연구 수가 적고 heterogeneity가 높아 pooled sensitivity의 confidence interval이 넓어 (0.153–0.820) 결과 해석에 신중함이 필요하다.
Meta-regression 분석에서 통계적으로 유의미한 결과가 도출되지 않았으므로, 영상 모달리티나 알고리즘 유형 등 특정 요인이 모델 성능에 미치는 영향을 명확히 규명하지 못했다. 또한, 대부분의 연구가 단일 기관 데이터에 기반하여 수행되었을 가능성이 높으며, 다양한 scanner 제조사 및 프로토콜 간의 표준화 부족이 결과의 일관성에 영향을 미쳤을 수 있다.
해석
이 연구 결과는 NSCLC 환자에서 비침습적으로 oncogene mutation status를 예측하기 위해 radiomics와 AI가 유망한 도구임을 보여준다. 특히 EGFR과 ALK 돌연변이에 대해 높은 민감도와 수용 가능한 위양성률을 달성하여, 조직 생검이 어려운 경우나 liquid biopsy의 접근성이 제한적인 상황에서 보조적 진단 수단으로 활용될 수 있다. 그러나 KRAS 돌연변이 예측 성능은 아직 부족하며, clinical data의 추가는 EGFR 예측에서 민감도 향상에 도움이 되지만 위양성률 감소에는 기여하지 못함을 시사한다.
LLM Wiki의 oncology 및 biomedical-imaging 문헌들과 연결해 볼 때, 이 연구는 영상 기반 biomarker 개발의 현재 수준과 한계를 명확히 정의한다. 향후 연구에서는 external validation을 포함한 다기관 코호트 연구가 필요하며, 모델 성능을 향상시키기 위한 더 정교한 feature engineering 또는 deep learning 아키텍처 탐색이 요구된다. 또한, clinical decision support system으로 통합하기 위해서는 prospective study를 통한 임상 유효성 검증이 필수적이다.