Development of an Immune-Pathology Informed Radiomics Model for Non-Small Cell Lung Cancer
한 줄 요약
본 연구는 Non-Small Cell Lung Cancer (NSCLC) 환자의 Pretreatment CT 영상에서 추출한 Radiomics features와 국소 면역 미세환경 지표(CD3 count, % tumor PDL1 expression) 간의 연관성을 규명하고, 이를 기반으로 생존 예측 모델인 Immune-pathology informed model (IPIM)을 개발하였다. 저자들은 12가지 Radiomics features 중 재현성이 높은 4가지 feature를 사용하여 환자를 4개 Cluster(A-D)로 분류하였으며, 이 분류가 Overall survival (OS) 및 면역 병리학적 상태와 유의미하게 연관됨을 확인하였다. 특히 Cluster D는 높은 CD3 침윤과 낮은 PDL1 발현을 보이는 Immune-activated phenotype을 반영하며, 가장 우수한 생존 결과를 보였다.
방법
Retrospective study로, Definitive surgical resection을 받은 NSCLC 환자 2개 코호트(training set n=114, validation set n=176)를 분석하였다. Pretreatment CT imaging에서 12가지 Radiomics features(voxel intensity metrics 및 gray level co-occurrence metrics 포함)를 추출하였으며, 절제된 종양 조직은 Immunohistochemistry와 Automated cell counting을 통해 CD3 count (Tumor-infiltrating lymphocyte density) 및 % tumor PDL1 expression을 정량화하였다. Hierarchical clustering을 통해 8개의 Radiomics models를 생성한 후, OS와 Immune-pathology grouping 모두와 유의미하게 연관되며 재현성(Inter-reader variability <3%)이 높은 모델을 IPIM으로 선정하였다. IPIM은 Mean, Standard deviation, Uniformity, Homogeneity 등 4가지 feature로 구성되며, Multinomial regression을 통해 4개 Cluster(A-D)로 분류되었다. 주요 Endpoint는 Overall survival (OS)였으며, Concordance index (c-index) 및 Multivariate analysis를 통해 모델 성능을 평가하였다.
주요 결과
IPIM cluster 할당은 훈련 코호트(5-yr OS: A 61%, B 41%, C 50%, D 91%, P=0.04)와 검증 코호트(A 55%, B 72%, C 75%, D 86%, P=0.002) 모두에서 OS와 유의한 연관성을 보였다. 면역 병리학적 하위그룹 분석에서도 Immune-activated tumor (CD3hiPDL1lo)은 훈련/검증 코호트에서 각각 5-yr OS 80%, 95%를 보인 반면, Immune-inhibited tumor (CD3loPDL1hi)는 35%, 54%로 유의한 생존 차이(P=0.04, P=0.002)가 확인되었다. IPIM은 Cluster D에서 높은 CD3와 낮은 PDL1 발현을 보이며 Favorable immune activated state를 반영하였다. 모델의 Multivariate c-index는 0.70으로, 면역 병리학적 하위그룹 단독 c-index(훈련 0.60, 검증 0.63)보다 우수한 예측력을 보였다. 추출된 Radiomics features 중 일부는 <3% Inter-reader variability로 높은 재현성을 입증하였다.
통계 분석
분석 설계 — 이 연구는 NSCLC 환자의 국소 면역 미세환경이 환자 예후와 관련되어 있으며, 이러한 면역 특성이 정량적 영상 지표(radiomics)로 식별될 수 있다는 가설을 검증하기 위해 수행되었다. 연구 설계는 단일 기관에서 시행된 후향적 코호트 연구로, definitive surgical resection를 받은 NSCLC 환자를 대상으로 했다. 전체 표본은 training cohort (n=114)와 validation cohort (n=176)로 나뉘었으며, primary endpoint는 overall survival (OS)이었다. 추적 기간은 명시되지 않았으나, 5-year OS rates가 보고됨으로써 장기 생존 분석이 이루어졌음을 알 수 있다.
무엇을 위해 어떤 분석을 썼는가 — 연구자들은 먼저 CD3 count와 PDL1 expression의 최적 cutoff 값을 결정하기 위해 OS와의 연관성을 최대화하는 지점을 탐색했다. 이후, 12개의 prespecified radiomics features를 hierarchical clustering하여 8개의 모델을 생성했으며, 이 중 OS와 immune-pathology grouping 모두와 유의한 연관성(P < 0.05)을 보이며 재현성이 높은 특징으로 구성된 1개의 모델(IPIM)을 최종 선정했다. IPIM은 4개의 radiomics features(mean, standard deviation, uniformity, homogeneity)를 기반으로 환자를 A-D의 4개 클러스터로 분류했다. 각 클러스터 간 PDL1 및 CD3 표현형의 차이를 확인하기 위해 multinomial regression을 사용했으며, OS 차이와 임상적 교란 변수(age, stage, adjuvant therapy 등)를 보정한 후에도 IPIM 클러스터가 독립적인 예후 인자인지 확인하기 위해 multivariable Cox proportional hazards model을 적용했다. 검증 단계에서는 validation cohort에서 동일한 분석을 수행했고, stage I 환자만 대상으로 한 sensitivity analysis도 시행하여 결과의 강건성을 평가했다. 통계 software와 버전은 원문에 명시되지 않음.
방법론 평가 — 잘 된 점은 training과 validation cohort를 분리하여 모델을 개발하고 검증했다는 점이며, 특히 known prognostic factors(lesion size, N status, adjuvant therapy 등)를 multivariable Cox model에 포함시켜 교란 효과를 보정했다. 또한, radiomics가 단순히 종양 크기나 기존 staging의 surrogate가 아님을 입증하기 위해 lesion size를 모델에 포함하고 stage I 환자만 대상으로 한 sensitivity analysis를 수행하여 결과의 독립성을 강화했다. 그러나 의심스러운 점은 다음과 같다: 첫째, 12개의 radiomics features 중 어떤 기준을 통해 최종 4개를 선택했는지 feature selection 과정이 명확히 기술되지 않았으며, hierarchical clustering의 구체적 알고리즘(예: k-means, agglomerative 등)과 클러스터 수(k=4) 결정 근거가 부족하다. 둘째, multiple testing 보정이 수행되었는지 명시되지 않았다. 8개의 모델을 생성하고 각각 OS 및 pathology와 연관성을 검정하는 과정에서 type I error 증가 가능성이 있으나, 이에 대한 교정 방법(예: Bonferroni, FDR)이 언급되지 않았다. 셋째, Cox model의 가정인 proportional hazards assumption이 검증되었는지 원문에 명시되지 않음. 넷째, 결측치 처리 방법이 기술되지 않았으며, adjuvant therapy 사용 비율이 training과 validation cohort 간에 유의한 차이(43% vs 26%, P=0.001)를 보였음에도 이를 propensity score matching이나 inverse probability weighting 등으로 더 엄격하게 보정하지 않고 multivariable regression만으로 처리한 것은 residual confounding의 우려를 남긴다. 마지막으로, effect size(HR)와 95% CI는 보고되었으나, 모델의 예측 성능을 평가하는 c-index(0.61~0.73)가 다소 낮아 임상적 유용성에 한계가 있을 수 있다.
설계에 참고할 점 — 유사한 연구를 설계할 때는 radiomics feature selection 과정을 투명하게 문서화하고, multiple testing에 대한 적절한 보정 방법(FDR 등)을 적용해야 한다. 또한, cohort 간 불균형(adjuvant therapy 등)이 존재할 경우 multivariable regression 외에도 propensity score 기반의 보정 방법을 고려하여 교란 효과를 최소화하는 것이 필요하다. 마지막으로, 모델의 임상적 유용성을 높이기 위해 external validation cohort를 포함하거나, cross-validation 기법을 통해 overfitting을 방지하는 전략을 취해야 한다.
강점
이 연구의 가장 큰 강점은 Radiomics가 단순한 통계적 상관관계를 넘어, CD3 및 PDL1과 같은 구체적인 Immune-pathology biomarkers와 생물학적으로 연결된다는 점을 입증했다는 것이다. Training set과 Validation set으로 나누어 외부 검증 코호트에서 모델의 Robustness를 확인하였으며, 특히 Stage I 환자만 대상으로 한 Sensitivity analysis에서도 Cluster D가 독립적인 예후 인자임을 재확인하였다. 또한, Lesion size와 같은 Confounding factor를 Multivariate analysis에서 보정하여 Radiomics signature가 기존 Staging system을 대체하는 것이 아닌 보완적 prognostic value를 가짐을 보였다.
한계
본 연구는 Single institution에서 수행된 Retrospective study로, Selection bias의 가능성이 존재한다. Validation cohort는 Training cohort보다 Early T disease(T1) 비율이 높고 Adjuvant therapy 사용률이 낮아 두 코호트 간 임상적 특성이 완전히 균일하지 않았다. 또한, 모든 환자가 Definitive surgical resection를 받은 Cohort이므로, 수술 적응증이 없는 진행된 환자나 Non-surgical treatment만 받은 환자군으로의 Generalizability는 제한적이다. Radiomics feature 추출에 사용된 CT scanner가 단일 기관 내 장비로 한정되어 있어, 다른 제조사나 프로토콜의 영상에서의 Reproducibility는 추가 검증이 필요하다.
해석
IPIM 모델은 Pretreatment CT라는 Non-invasive 수단을 통해 종양의 국소 면역 미세환경(Immune microenvironment)을 추정할 수 있음을 시사한다. 이는 특히 Immunotherapy 시대에 Checkpoint inhibitor 치료 전 환자의 Immune status를 비침습적으로 스크리닝하는 도구로 활용될 잠재력이 있다. 기존 Radiomics 연구들이 주로 EGFR/KRAS mutation 상태나 악성/양성 결절 판별에 집중했다면, 본 연구는 Tumor-infiltrating lymphocyte (TIL)와 PDL1 발현이라는 Immune-mediated mechanism과 영상 특징을 연결한 선구적인 시도이다. 향후 Immunotherapy를 받은 환자군에서 IPIM cluster가 Treatment response나 Progression-free survival (PFS)을 예측하는지 확인한다면, Precision medicine 기반의 치료 전략 수립에 중요한 근거가 될 수 있다.