Predicting response to immunotherapy in advanced non-small-cell lung cancer using tumor mutational burden radiomic biomarker
한 줄 요약
본 연구는 진행성 비소세포폐암(NSCLC) 환자에서 CT 영상을 기반으로 딥러닝을 활용한 Tumor Mutational Burden Radiomic Biomarker(TMBRB)를 개발하고 검증하는 것을 목적으로 한다. 조직 생검 없이 비침습적으로 High-TMB와 Low-TMB를 구분할 수 있는 영상 바이오마커를 제시하며, 이를 통해 anti-PD-1/PD-L1 치료 반응 예측 가능성을 평가한다. 연구진은 3D-densenet 기반의 딥러닝 모델을 구축하여 TMBRB를 도출하고, 독립적인 검증 코호트 및 면역치료 환자 군에서 임상적 예측 가치를 입증하였다. TMBRB는 기존 Radiomic model 및 histological subtype보다 우수한 분류 성능을 보였으며, immune checkpoint inhibitors (ICIs) 치료군에서 Overall Survival(OS)과 Progression-free Survival(PFS)을 유의하게 예측하는 것으로 확인되었다. 특히 ECOG PS와 결합 시 예측력이 더욱 향상되어, ICIs 치료 대상자 선별에 유용한 비침습적 도구로서의 잠재력을 시사한다.
방법
본 연구는 두 개의 데이터셋을 활용하여 진행되었다. 첫 번째 TMB data set은 2012년부터 2015년까지 상하이 폐암병원에서 수술적 절제술을 받은 lung adenocarcinoma 또는 squamous cell carcinoma 환자 327명으로 구성되었으며, training cohort (n=236), validation cohort (n=26), test cohort (n=65)로 무작위 분할되었다. High-TMB는 ≥10 mut/Mb, Low-TMB는 <10 mut/Mb로 정의하였다. 두 번째 immunotherapy data set은 2015년부터 2018년까지 anti-PD-1/PD-L1 monotherapy를 받은 advanced NSCLC 환자 123명으로 구성되었다.
CT 영상은 Siemens, Philips, GE, United Imaging 등 다양한 스캐너로 획득되었으며, slice thickness는 0.6~5 mm였다. 두 명의 흉부 방사선과 의사가 3D Slicer를 사용하여 종양 영역을 수동 분할(segmentation)하고 bounding box를 생성하였다. 데이터 증강(data augmentation)을 통해 모델의 일반화 성능을 높이고 주석 오류를 줄였다. TMBRB 모델은 feature extraction module인 3D-densenet과 classification module인 fully connected network로 구성되었다. 3D-densenet은 1020개의 deep learning features를 추출하고, classifier는 input layer, 128 nodes의 hidden layer, output layer로 이루어져 High-TMB/Low-TMB 점수를 산출하였다. 비교군으로는 전통적 Radiomic model, clinical model (histological subtype 등), 그리고 tumor size/volume 분석이 포함되었다.
Primary endpoint는 TMBRB가 High-TMB와 Low-TMB를 구분하는 성능(AUC)이며, secondary endpoint는 immunotherapy data set에서의 OS 및 PFS 예측 능력이다. 모델 성능 평가에는 ROC curve, AUC, sensitivity, specificity가 사용되었고, 모델 간 비교에는 DeLong test가 적용되었다. Decision curve analysis를 통해 임상적 net benefit을 정량화하였다. TMBRB와 실제 TMB 값 간의 상관관계는 Spearman correlation coefficient로 분석하였다. Immunotherapy cohort에서는 Kaplan-Meier curves와 log-rank test를 사용하여 OS 및 PFS를 평가하고, multivariable Cox proportional hazard model을 통해 TMBRB의 독립적 예측 인자 여부를 확인하였다. 모든 통계 분석은 R (V.3.5.2)과 Python (V.3.6.5)에서 수행되었다.
주요 결과
TMBRB는 training cohort에서 AUC 0.85 (95% CI: 0.84 to 0.87), test cohort에서 AUC 0.81 (95% CI: 0.77 to 0.85)의 성능을 보여 High-TMB와 Low-TMB를 명확히 구분하였다. 이는 histological subtype (training AUC: 0.75, test AUC: 0.71) 및 Radiomic model (training AUC: 0.75, test AUC: 0.74)보다 통계적으로 유의하게 우수한 예측력을 보였다. Decision curve analysis에서도 TMBRB가 다른 모델들보다 더 큰 net benefit을 제공함을 확인하였다. TMBRB와 실제 TMB 값 간에는 강한 양의 상관관계 (Spearman correlation coefficient: 0.57, p<0.001)가 관찰되었으며, TMB cut-off point가 3~10 mut/Mb 범위에서도 AUC >0.70을 유지하는 robustness를 보였다.
Immunotherapy data set (n=123)에서 TMBRB는 환자들을 고위험군과 저위험군으로 분류하여 OS와 PFS를 유의하게 예측하였다. OS의 경우, cut-off point 0.61에서 HR 0.54 (95% CI: 0.31 to 0.95; p=0.030)로 유의한 차이를 보였으며, median OS는 고위험군 301일, 저위험군 533일로 나타났다. PFS의 경우, cut-off point 0.46에서 HR 1.78 (95% CI: 1.07 to 2.95; p=0.023)로 유의한 차이를 보였으며, median PFS는 고위험군 134일, 저위험군 288일로 약 2배의 차이가 있었다. 또한, TMBRB와 ECOG PS를 결합한 모델은 단독 사용보다 더 우수한 stratification 성능을 보였으며 (OS: p=0.005; PFS: p=0.003), multivariable analysis에서도 두 변수 모두 통계적 유의성을 유지하였다. 시각화 분석을 통해 tumor microenvironment가 TMB 예측에 중요한 역할을 함이 확인되었다.
통계 분석
분석 설계 — 이 연구는 advanced NSCLC 환자에서 CT 영상 기반의 deep learning biomarker인 TMBRB가 High-TMB와 Low-TMB를 구분할 수 있는지, 그리고 이를 통해 ICI 치료 반응(Overall Survival, Progression-free Survival)을 예측할 수 있는지를 확인하는 것을 목적으로 한다. 연구 설계는 두 단계로 나뉜다. 첫 번째 단계는 TMB 데이터셋(n=327)을 사용하여 TMBRB 모델을 개발하고 검증하는 것으로, 이를 위해 데이터를 training cohort (n=236), validation cohort (n=26), test cohort (n=65)로 무작위 분할했다. 두 번째 단계는 별도의 immunotherapy data set (n=123)에서 TMBRB의 임상적 예측 가치를 평가하는 것이다. Primary endpoint는 TMBRB가 High-TMB와 Low-TMB를 구분하는 성능(AUC)과, ICI 치료군에서의 OS 및 PFS 예측 능력이다.
무엇을 위해 어떤 분석을 썼는가 — TMBRB 모델의 분류 성능을 평가하기 위해 Receiver Operating Characteristic (ROC) 곡선을 작성하고 Area Under the Curve (AUC), sensitivity, specificity를 계산했다. 서로 다른 모델(TMBRB, radiomic model, clinical model 등) 간의 ROC 성능 차이를 통계적으로 비교하기 위해 Delong test를 사용했다. TMBRB의 임상적 유용성을 정량화하기 위해 Decision curve analysis를 수행했다. TMBRB와 실제 TMB 값 간의 상관관계를 확인하기 위해 Spearman correlation coefficient를 계산했다. ICI 치료 반응 예측을 위해, TMBRB 점수를 기준으로 고위험군과 저위험군으로 분류한 후 Kaplan-Meier curves를 작성하여 OS와 PFS를 시각화했고, 두 군 간 생존 곡선의 유의성을 검정하기 위해 log-rank test를 적용했다. 또한, TMBRB가 다른 임상병리학적 특성(age, sex, ECOG PS 등)을 보정한 후에도 독립적인 예측 인자인지 확인하기 위해 multivariable Cox proportional hazard model을 사용했다. 모든 통계 분석은 R (V.3.5.2)와 Python (V.3.6.5) 환경에서 수행되었다.
방법론 평가 — 잘 된 점은 모델 개발과 검증을 위해 training, validation, test cohort로 데이터를 명확히 분리하여 overfitting을 방지하려는 시도를 했다는 것이다. 또한, 단순한 분류 성능(AUC)뿐만 아니라 Decision curve analysis를 통해 임상적 net benefit을 평가했고, TMBRB가 tumor size나 slice thickness에 영향을 받지 않는지 stratified analysis를 통해 robustness를 확인했다. 생존 분석에서는 HR과 95% CI를 함께 보고하여 effect size의 정량적 해석이 가능하다. 그러나 의심스러운 점은 validation cohort의 표본 수(n=26)가 매우 적어 모델 최적화 과정에서의 신뢰도가 낮을 수 있다는 것이다. 또한, multivariable Cox model에서 proportional hazards assumption을 검증했는지 여부는 원문에 명시되지 않음. 결측치 처리 방법(missing data handling)에 대한 설명도 원문에 명시되지 않음. Multiple testing 보정(예: Bonferroni correction 등)이 수행되었는지에 대한 언급도 원문에 명시되지 않음. TMBRB의 cut-off point를 결정하기 위해 X-tile을 사용했다는 점은 데이터 기반 접근이지만, 이 과정이 training data에 과적합될 위험이 있으며, 이를 외부 cohort에서 어떻게 검증했는지 상세한 절차가 부족하다.
설계에 참고할 점 — 유사한 연구를 설계할 때는 모델 개발과 임상 예측 평가의 목적에 따라 코호트를 명확히 분리하고, 특히 validation cohort의 표본 크기를 충분히 확보하여 모델 일반화 능력을 높여야 한다. 또한, 생존 분석 시 proportional hazards assumption을 반드시 검증하고, 결측치 처리 전략(예: multiple imputation)을 사전에 정의하여 투명하게 보고해야 한다. 마지막으로, 여러 변수를 동시에 분석할 경우 multiple testing 보정을 적용하여 false positive rate를 통제하는 것이 필요하다.
강점
본 연구의 주요 강점은 딥러닝 기반의 비침습적 바이오마커(TMBRB)를 개발하여 기존 조직 검사 기반의 TMB 측정의 한계를 극복했다는 점이다. 3D-densenet을 활용하여 CT 영상에서 미세한 특징을 추출함으로써, histological subtype이나 전통적 radiomics보다 우수한 분류 성능(AUC >0.80)을 달성하였다. 또한, 독립적인 test cohort와 별도의 immunotherapy cohort를 통해 모델의 일반화 가능성과 임상적 유용성을 검증하였다는 점이 설계의 엄밀성을 높인다. 특히, TMBRB가 tumor size나 slice thickness에 영향을 받지 않는다는 robustness 분석을 포함하여, 실제 임상 환경에서의 적용 가능성을 고려한 방법론적 접근이 돋보인다. 마지막으로, ECOG PS와의 조합 효과를 입증함으로써, 기존 임상 지표와 영상 바이오마커의 시너지 효과를 정량적으로 제시하였다.
한계
본 연구는 retrospective design으로 인해 선택 편향(selection bias)이나 confounding factors의 영향을 완전히 배제하기 어렵다는 방법론적 제약이 있다. TMB data set은 수술 가능한 환자들로 구성되어 있어, advanced NSCLC 전체 인구로 결과를 일반화하는 데 제한이 있을 수 있다. 또한, immunotherapy cohort는 단일 기관에서 수집된 데이터로, 다기관 검증(multi-center validation)이 이루어지지 않아 모델의 외부 유효성(external validity)에 대한 확신이 부족하다. TMBRB의 cut-off point는 X-tile을 통해 결정되었으나, 이는 데이터 의존적일 수 있으며 다른 코호트에서 동일하게 적용될지 불확실하다. 마지막으로, visual analysis를 통한 tumor microenvironment와의 연관성은 탐색적 분석 수준이며, 생물학적 기전을 직접 증명하지는 못한다.
해석
TMBRB는 advanced NSCLC 환자에서 ICIs 치료 반응을 예측하는 데 유용한 비침습적 도구로 평가된다. 특히, High-TMB와 Low-TMB를 정확히 구분할 수 있어, TMB 측정이 어려운 경우에도 영상만으로 면역치료 적합성을 간접적으로 추정할 수 있다. ECOG PS와의 조합이 OS 및 PFS 예측력을 향상시킨다는 결과는, 임상 상태와 영상 특징을 통합한 다중 모달리티 접근법의 중요성을 시사한다. 이 연구는 기존 radiomics의 한계를 딥러닝으로 극복하고, TMB라는 분자생물학적 지표와 영상 특징 간의 상관관계를 정량적으로 입증했다는 점에서 의미가 있다. 향후 다기관 전향적 연구를 통해 TMBRB의 임상 적용 가능성을 검증한다면, ICIs 치료 대상자 선별 및 개인화된 치료 전략 수립에 기여할 수 있을 것이다.