Imaging-Based Biomarkers Predict Programmed Death-Ligand 1 and Survival Outcomes in Advanced NSCLC Treated With Nivolumab and Pembrolizumab: A Multi-Institutional Study
한 줄 요약
이 연구는 advanced NSCLC에서 nivolumab 또는 pembrolizumab 치료를 받는 환자의 OS, PFS, PD-L1 발현을 예측하기 위해 baseline CT radiomics와 임상 변수를 통합한 예측 모델을 개발하고 검증하였다. 기존 IHC 기반 PD-L1 검사가 치료 반응과 내성을 완전히 예측하지 못하는 한계를 보완할 비침습적 영상 바이오마커의 필요성에서 출발하였다. 다기관 retrospective 설계를 통해 323명의 환자를 분석한 결과, radiomics와 임상 데이터를 결합한 ensemble radiomics-clinical 모델이 단일 영상 모델 대비 OS, PFS, PD-L1 예측 성능에서 일관되게 우월함을 확인하였다.
방법
- Study design: 다기관 retrospective 연구 (2015–2021년 데이터 수집).
- Cohort/patient population: advanced NSCLC로 nivolumab 또는 pembrolizumab 치료를 받은 환자 323명 (discovery cohort: CHUM n=174, validation cohort: IUCPQ n=149).
- Imaging/profiling method: 치료 시작 약 2개월 전 baseline CT 스캔에서 primary lesion을 수동 annotation하여 radiomics features 추출. ReliefF feature selection과 XGBoost 알고리즘 적용. 임상 변수와 결합한 ensemble radiomics-clinical 모델 구축.
- Endpoint/statistical method: PD-L1 발현은 22C3 clone IHC로 측정한 TPS를 기준으로 <50% vs ≥50% binary classification으로 정의. OS와 PFS는 regression-based task로 평가. 모델 성능은 validation cohort에서 concordance index (OS, PFS) 및 area under the curve (PD-L1)로 측정.
주요 결과
- Validation cohort (n=149) 기준 radiomics 단독 모델 성능: OS concordance index 0.60, PFS concordance index 0.61, PD-L1 area under the curve 0.61.
- Ensemble radiomics-clinical 모델 성능: OS concordance index 0.65, PFS concordance index 0.63, PD-L1 area under the curve 0.68로 각각 개선됨.
- 임상 변수 추가가 영상 기반 예측 모델의 분할 및 분류 성능을 일관되게 높였으며, 특히 PD-L1 ≥50% 군과 <50% 군 구분에서 유의미한 예측력 확보를 보였다.
강점
단일 기관 또는 소규모 코호트에 의존하던 기존 radiomics 연구와 달리, 두 개의 독립적인 다기관 데이터를 사용하여 discovery와 validation을 분리함으로써 모델의 generalizability와 재현성을 높였다. 비침습적 baseline CT 영상만으로 치료 반응과 생존 예후를 정량화할 수 있어, IHC 검사 결과와 상호 보완적으로 활용 가능한 임상 도구로서의 잠재력이 크다. LLM Wiki의 oncology 및 biomedical-imaging 문헌에서 radiomics 기반 바이오마커 검증 사례와 AI 예측 모델의 임상 적용 한계/장점을 논의할 때 핵심 참고 자료로 유용하다.
해석
이 연구는 NSCLC 면역관문억제제 치료 반응 예측에 있어 기존 조직 생검 중심의 PD-L1 IHC 검사를 보완할 수 있는 정량적 영상 바이오마커의 가능성을 제시한다. LLM Wiki의 oncology, imaging, AI 문헌들과 연결될 때, radiomics와 machine learning (XGBoost)을 활용한 다기관 검증 프레임워크가 어떻게 임상적 불확실성을 줄이고 환자 선별 정확도를 높일 수 있는지 보여주는 실증적 근거가 된다. 특히 PD-L1 binary classification과 OS/PFS regression task를 동시에 다루며 영상-임상 통합 모델의 성능 한계와 개선 방향을 제시함으로써, 향후 multimodal AI biomarker 개발 및 NSCLC 치료 가이드라인에 반영될 수 있는 데이터 기반 접근법의 토대를 제공한다.