Are radiomics features universally applicable to different organs?
한 줄 요약
본 연구는 서로 다른 해부학적 환경(폐, 신장, 뇌)의 종양에서 공통적으로 적용 가능한 radiomics features가 존재하는지 탐색하였다. 폐 데이터를 기반으로 생존 분석용 radiomics score 모델을 구축하고, 이를 독립적인 폐, 신장, 뇌 테스트셋에 적용하여 high-risk와 low-risk group 분리가 가능한지 평가하였다. 그 결과, 모델은 다른 폐 데이터에서는 survival를 유의미하게 구분하였으나 신장과 뇌 종양에서는 적용되지 않았다. 조직별 intensity histogram과 파생 파라미터가 뚜렷이 달랐으며, 개별 feature는 공유되지 않았으나 texture category가 공통으로 확인되었다. 이는 radiomics 기반 생존 예측 모델이 대부분 organ-specific 특성을 강하게 반영함을 시사한다.
방법
Retrospective analysis of four publicly available datasets (two lung cancer, one kidney cancer, one brain cancer) was conducted. Training set consisted of lung primary tumors (n = 401), and independent test sets included lung (n = 59), kidney (TCGA-KIRC, n = 48), and brain (CPTAC-GBM, n = 43) cohorts. Tumors were segmented by a single expert, and 143 radiomics features per tumor were extracted using PyRadiomics and in-house MATLAB code across histogram, shape, fractal, sigmoid, texture, and filter-based categories. Feature selection employed intra-class correlation (ICC > 0.9) for stability followed by Cox-LASSO repeated 20 times to identify survival-related features. A radiomics score was constructed via linear combination of selected features using Cox regression coefficients. Patients were stratified into high- and low-risk groups using the median score as cutoff, with survival differences evaluated via Kaplan-Meier analysis and log-rank test. Organ-level intensity distributions were compared using two-sample t-tests on mean and median parameters, with z-score normalization applied for cross-modality (CT vs MRI) histogram comparison.
주요 결과
Training set에서 구축된 radiomics score는 7개의 feature로 구성되었으며, 다른 폐 데이터셋에서는 survival를 유의미하게 구분하였으나 신장(n = 48)과 뇌(n = 43) 테스트셋에서는 high-risk와 low-risk group 분리가 실패하였다. 폐 특이적 feature(2.5 percentile)를 제거해도 유사한 결과가 도출되었다. 조직별 whole organ intensity histogram은 형태와 파생 파라미터(mean, median)에서 뚜렷한 차이를 보였으며, training과 test set 간 공유되는 개별 feature는 존재하지 않았으나 texture category가 공통으로 확인되었다.
강점
서로 다른 imaging modality(CT, MRI)와 해부학적 환경을 아우르는 다중 organ cohort를 활용하여 radiomics feature의 generalization 가능성을 엄격하게 검증하였다. 안정성 평가에 RIDER dataset을 활용한 ICC 필터링과 반복 Cox-LASSO를 적용하여 feature selection의 robustness를 확보하였다. 본 연구는 cross-organ radiomics model 구축 시 organ-specific intensity distribution과 tumor microenvironment 차이를 반드시 고려해야 함을 실증적으로 보여주어, 향후 multi-center 또는 multi-organ AI imaging 연구 설계에 중요한 기준점을 제공한다.
해석
이 논문은 oncology와 biomedical-imaging 문헌에서 radiomics의 generalization gap를 명확히 규명한다. 특히 NSCLC, TCGA-KIRC, CPTAC-GBM 등 공개 cohort를 활용한 검증은 AI imaging model의 external validity 평가에 직접적으로 활용될 수 있다. 폐 중심의 texture feature가 신장이나 뇌 종양에서는 organ-specific intensity distribution과 tumor microenvironment 차이로 인해 성능 저하를 보인 점은, multi-organ disease modeling이나 transfer learning 접근 시 domain adaptation 또는 modality harmonization 기법이 필수적임을 시사한다. LLM Wiki의 imaging biomarker 및 AI prognostic model 문단에서 radiomics의 한계와 organ-specific 적용 조건을 논할 때 핵심 근거로 연결된다.