Longitudinal Blood Immune-Inflammatory and Radiomic Profiling to Decode Different Patterns of Acquired Resistance to Immunotherapy in Patients with NSCLC
한 줄 요약
이 연구는 advanced non-small cell lung cancer (NSCLC) 환자에서 immune checkpoint inhibitor (IO) 치료 후 발생하는 acquired resistance (AR)의 이질성을 해독하기 위해, oligoAR (≤3 new/progressive lesions)와 sysAR (>3 new/progressive lesions)를 구분하는 longitudinal biomarkers를 규명했다. baseline (T0)과 첫 번째 disease assessment 시점인 T1 (9~12 weeks)에서 수집된 peripheral blood (PB) immune-inflammatory profiles 및 CT-derived radiomic features (RFs)의 Δ variation을 분석하여 두 AR 패턴 간의 생물학적·영상적 차이를 정량화했다. 연구 결과, cytotoxic cells 증가와 immunosuppressive cells 감소라는 특정 PB 동역학 패턴과 함께 15개의 ΔRFs가 oligoAR와 sysAR를 명확히 구분했으며 (AUC 0.88–0.99), oligoAR 군이 sysAR 군보다 postprogression survival 기간이 현저히 길었다 (median 20.3 vs. 5.6 months). 이는 IO 치료 중기 (9~12주)에 noninvasive monitoring을 통해 AR 패턴을 조기에 식별하고, 이에 따른 therapeutic strategy (예: local therapy for oligoAR)를 결정하는 데 유용한 근거를 제시한다.
방법
본 연구는 University Hospital of Parma에서 수행된 prospective observational study (AIRC IG ID. 23606)로, 2020년 11월부터 2023년 6월까지 IO 치료 (1st line: IO alone 또는 platinum-based chemotherapy 병용; 2nd line)를 받은 metastatic NSCLC 환자 105명을 포함했다. 주요 제외 기준은 active pneumonitis, 누락된 clinical/imaging/blood 자료, prior immunotherapy 이력, 및 follow-up 기간 <6개월이었다.
데이터 수집 시점은 treatment 시작 전 baseline (T0)과 첫 번째 radiologic reassessment 시점인 T1 (9~12 weeks)였다. PB 분석에는 flow cytometry를 이용한 immunophenotyping (CD3+, CD4+, CD8+ T cells, NK cells, B lymphocytes, monocytes, Tregs 및 PD-1, granzyme B, perforin, Ki67 발현), 그리고 cytokine network (IL-1β, IL-2, IL-4, IL-6, IL-10, IL-12p70, IFNγ, TNFα, TGF-β1)와 soluble PD-L1 (sPD-L1) 측정が含まれた. Time/treatment-dependent changes는 Δ variation [% = ((T1 - T0)/T0) × 100]으로 계산했다.
Imaging 분석에서는 primary 및 merged metastatic lesions에서 CT-derived radiomic features (RFs, n=851)를 추출했으며, dimensionality reduction을 통해 최종 dataset을 생성했다. AR은 RECIST 1.1 기준에 따라 initial response (CR/PR) 또는 SD ≥6개월 이후의 progression으로 정의되었고, new/progressive lesions 수에 따라 oligoAR (≤3)와 sysAR (>3)로 분류되었다. 또한 nonresponder (NR: PD at first evaluation or SD <6 months)와 long-term/nonprogressor (LT-NP: PFS >12 months or no progression after 12 months) 군도 정의하여 비교 분석의 맥락을 마련했다. Clinicopathologic, PB, radiomic 매개변수와 survival outcomes 간의 상관관계를 통계적으로 분석하고, ROC analysis를 통해 RFs의 판별 성능을 평가했다.
주요 결과
전체 환자 중 oligoAR은 24%, sysAR는 12.4%로 발생했다. Baseline PB immune profiles은 두 군 간 유사했으나, T0에서 T1로의 변화인 Δ variation에서 뚜렷한 차이가 관찰되었다. OligoAR 군에서는 cytotoxic cells (NK cells, CD8+ granzyme B+ T cells)의 증가 (Δpos)와 immunosuppressive cells (CD14+ monocytes)의 감소 (Δneg)가 특징적으로 나타났으며, 이는 sysAR 군과 유의하게 달랐다 (P < 0.05). 또한 IL-6, TGF-β1, TNFα, sPD-L1의 차별적 modulation pattern도 oligoAR와 sysAR를 구분하는 biomarker로 확인되었다.
Survival outcome 분석에서 oligoAR 군의 postprogression survival 기간은 sysAR 군보다 현저히 길었다 (median 20.3 months vs. 5.6 months; HR, 0.22; P < 0.001). OligoAR의 involvement sites와 lesion 수는 PB immune background와 survival에 영향을 미치는 것으로 나타났다. Radiomic analysis에서는 baseline RFs보다 ΔRFs가 더 우수한 판별력을 보였다. 총 851개의 RFs 중 15개의 ΔRFs가 oligoAR와 sysAR를 명확히 구분했으며 (P range: <0.001–0.04), 상위 ΔRFs들의 ROC analysis에서 AUC는 0.88에서 0.99 범위를 기록했다.
통계 분석
분석 설계 — 이 연구는 advanced NSCLC 환자에서 IO 치료 후 나타나는 acquired resistance (AR)의 하위 유형인 oligoAR과 sysAR을 구별할 수 있는 clinicopathologic, radiomic, 그리고 peripheral blood immune-inflammatory biomarkers를 규명하는 것을 목적으로 한다. 연구 디자인은 prospective observational study이며, 2020년 11월부터 2023년 6월까지 Parma 대학병원에서 IO 치료를 받은 stage IV NSCLC 환자 105명을 대상으로 했다. 주요 데이터 수집 시점은 치료 시작 전 baseline (T0)과 첫 번째 방사선학적 평가 시점인 9~12주 후 (T1)이다. Primary endpoint는 AR 패턴(oligoAR vs sysAR)에 따른 생존 차이 및 이를 예측하는 biomarker의 식별이며, AR은 초기 반응(CR/PR) 또는 6개월 이상 지속된 SD 이후의 진행으로 정의되었고, 새로운 또는 진행성 병변의 수에 따라 oligoAR (≤3 lesions)과 sysAR (>3 lesions)로 분류되었다.
무엇을 위해 어떤 분석을 썼는가 — 환자 군 간 기저 특성의 차이를 확인하기 위해 categorical variables에는 Fisher exact test나 χ² test를, continuous variables에는 데이터가 정규분포를 따르지 않음을 Kolmogorov-Smirnov test로 확인한 후 Wilcoxon (non-independent), Mann-Whitney (independent), 또는 Kruskal-Wallis test를 사용했다. 생존 분석에서는 Kaplan-Meier method로 PFS와 OS를 추정하고, 군 간 차이를 log-rank test (Mantel-Cox)로 검정했으며, 다변량 분석을 위해 Cox regression proportional hazards models를 적용하여 HR, 95% CI, p-value를 산출했다. Radiomic features의 기술적 편향을 평가하기 위해 PCA analysis를 수행했고, radiomic 데이터의 군 간 차이를 Mann-Whitney test와 함께 median difference 기반 permutation test (1,000 permutations)로 검증하여 두 검정 모두에서 유의한 경우만 의미 있는 차이로 정의했다. 또한, 통계적으로 유의한 features의 분류 성능을 평가하기 위해 ROC curve analysis와 ROC-AUC score를 계산했다. 통계 분석에는 Jamovi version 2.3, R software version 4.3.2 (ggplot2 package), 그리고 GraphPad Prism version 7이 사용되었다.
방법론 평가 — 잘 된 점으로는, radiomic features의 중복성을 제거하기 위해 Spearman correlation (≥0.99)을 적용했고, Mann-Whitney test 외에도 permutation test를 추가하여 결과의 robustness를 높인 점이 돋보인다. 또한, Δ variation [(T1-T0)/T0]을 계산하여 동적 변화를 포착하려는 시도가 임상적으로 의미 있다. 그러나 의심스러운 점으로는, 표본 수 (n=105) 대비 분석된 변수의 수가 매우 많아 overfitting 위험이 높음에도 multivariable regression 모델에서 교란 변수(confounders)를 어떻게 선택하고 보정했는지 원문에 명시되지 않음이 문제다. 특히 radiomic features는 수백 개에 달하는데, dimensionality reduction 후 최종入选된 features의 선정 기준과 multiple testing correction (예: FDR adjustment)가 적용되었는지 불분명하다. 또한, Cox regression의 핵심 가정인 proportional hazards assumption이 검증되었는지 언급되지 않았으며, 결측치 처리 방법도 상세히 기술되어 있지 않다. 마지막으로, ROC-AUC는 보고되었으나, 모델의 외부 검증(external validation)이나 내부 검증(cross-validation) 과정이 원문에 명시되지 않음으로 인해 결과의 일반화 가능성에 의문이 남는다.
설계에 참고할 점 — 유사한 연구를 설계할 때는 radiomic features와 같은 고차원 데이터를 다룰 때 반드시 dimensionality reduction 후 feature selection 과정을 투명하게 보고하고, multiple testing 보정을 적용하여 false positive를 통제해야 한다. 또한, 생존 분석 모델의 가정(proportional hazards)을 검증하고, 표본 수에 비해 변수가 많을 경우 penalized regression (예: LASSO) 등을 고려하거나 내부 검증(cross-validation)을 수행하여 모델의 overfitting을 방지하는 것이 중요하다.
강점
이 연구의 가장 큰 강점은 IO 치료 중기 (9~12주)에 수집된 longitudinal data를 활용하여 AR 패턴을 조기에 예측할 수 있는 biomarkers를 규명했다는 점이다. 특히, PB immune-inflammatory profiles과 CT-derived radiomic features를 결합한 multimodal approach는 기존 single-modality 연구 대비 더 높은 판별 성능 (AUC 0.88–0.99)을 보였다. 또한, oligoAR와 sysAR를 명확히 구분함으로써, 각 패턴에 맞는 therapeutic strategy (예: local therapy for oligoAR)를 결정하는 데 직접적인 임상적 유용성을 제시한다.
한계
본 연구의 주요 한계는 sample size가 relatively small (n=105)하여, 특히 radiomic analysis에는 CT scans이 모두 available한 19명 (oligoAR 12명, sysAR 7명)만 포함되었기 때문에 generalizability에 제한이 있을 수 있다. 또한, single-center study로서 selection bias가 존재할 가능성이 있으며, external validation cohort가 부재하여 결과의 robustness를 완전히 입증하기 어렵다. 마지막으로, PB immune profiles과 radiomic features 간의 causal relationship을 규명하지 못했으며, observational design으로 인해 confounding factors (예: concomitant medications, performance status)의 영향을 완전히 배제하기 어려웠다.
해석
이 연구는 IO 치료 중기에 longitudinal monitoring을 통해 AR 패턴을 조기에 식별할 수 있는 noninvasive biomarkers를 제시함으로써, precision medicine 기반의 therapeutic decision-making을 지원한다. 특히, oligoAR와 sysAR를 구분하는 ΔRFs와 PB immune-inflammatory profiles은 기존 static biomarkers (예: baseline PD-L1 expression) 대비 더 dynamic한 tumor-host interaction을 반영하여, IO response prediction의 정확도를 높일 수 있다. 이러한 findings는 향후 multi-center validation study 및 prospective clinical trial에서 further exploration이 필요하며, 특히 oligoAR 환자에게 local therapy를 추가하는 combined treatment strategy의 efficacy를 평가하는 데 중요한 근거가 될 것이다.