Deep learning for predicting major pathological response to neoadjuvant chemoimmunotherapy in non-small cell lung cancer: A multicentre study

authors

She et al.

journal

EBioMedicine

year

2022

doi

10.1016/j.ebiom.2022.104364

category

biomedical-imaging

pdf

PDF

source

Source

요약

이 연구는 non-small cell lung cancer (NSCLC) 환자에서 neoadjuvant chemoimmunotherapy 전 Chest CT 영상을 활용한 딥러닝 모델을 구축하여 major pathological response (MPR)를 예측하고 그 생물학적 기전을 탐구하는 것을 목적으로 한다. 다중 센터 코호트를 기반으로 한 이 연구는 신요법 치료 후 curative surgery를 받은 274명의 환자를 대상으로 모델의 성능을 internal validation 및 external validation 집단을 통해 평가하였다. 딥러닝 점수(DL score)와 clinical characteristics를 결합한 combined model은 내외부 검증 모두에서 안정적인 예측 성능(AUC 0.75~0.77)을 보였으며, 높은 DL score는 종양 증식 경로의 downregulation 및 미세환경 내 antitumour immune cell infiltration 촉진과 연관되어 있음을 확인하였다.

방법

• Study design: 다중 센터(retrospective) 코호트 연구. 2019년 1월부터 2021년 12월까지 4개 센터(Shanghai Pulmonary Hospital, Ningbo Hwa Mei Hospital, The First Affiliated Hospital of Nanchang University, Sir Run Run Shaw Hospital)에서 신요법 화학면역치료 후 curative surgery를 받은 NSCLC 환자 274명을 대상으로 하였다. 결손 영상 데이터 또는 pathological N3 disease를 가진 환자는 제외하였다.
• Cohort/Population: training, internal validation, external validation 집단에 분할하여 구성하였다.
• Imaging/Profiling method: 신요법 투여 전 2주 이내에 촬영된 Chest CT 영상을 사용하였다. 종양 전체 부피를 포함하는 bounding box로 ROI를 annotating하고, ShuffleNetV2x05 기반의 features를 추출하여 DL score를 개발하였다. 생물학적 기전 탐색을 위해 RNA-sequencing 데이터가 있는 25명의 환자를 대상으로 genetic analysis를 수행하였다.
• Endpoint: 주요 병리적 반응인 MPR은 원발 종양 bed에서 viable tumour가 10% 이하인 경우로 정의하였으며, viable tumour가 관찰되지 않은 경우는 pathologic complete response (pCR)로 정의하였다. 두 명의 경력이 15년 이상인 병리 전문의가 독립적으로 평가하였다.
• Statistical method: 모델 성능은 area under the curve (AUC)와 95% confidence interval (CI)로 평가하였다. clinical characteristics를 DL score에 통합한 combined model의 성능을 비교 분석하였다.

주요 결과

• MPR 달성률은 54.0% (n = 148)였다.
• DL score의 MPR 예측 성능은 internal validation 집단에서 AUC 0.73 (95% CI: 0.58–0.86), external validation 집단에서 AUC 0.72 (95% CI: 0.58–0.85)를 보였다.
• clinical characteristics를 통합한 combined model은 internal validation에서 AUC 0.77 (95% CI: 0.64–0.89), external validation에서 AUC 0.75 (95% CI: 0.62–0.87)의 성능을 달성하였다.
• 생물학적 기전 분석(RNA-sequencing, n=25) 결과, 높은 DL score는 tumour proliferation pathways의 downregulation과 미세환경 내 antitumour immune cell infiltration 촉진과 유의미하게 연관되어 있었다.
• 신요법 화학면역치료 regimen은 pembrolizumab (200 mg) 또는 nivolumab (360 mg)에 platinum-based chemotherapy를 결합한 2~4 cycle였으며, 수술은 치료 완료 후 약 4주 후에 systematic lymph node dissection과 함께 계획되었다.

강점

이 연구는 단일 센터의 한계를 넘어 다중 센터 코호트와 external validation 집단을 통해 딥러닝 기반 예측 모델의 일반화 성능을 입증하였다. 신요법 화학면역치료 반응 예측에 있어 영상 데이터만 활용하는 것을 넘어 clinical 변수를 통합한 combined model을 제시함으로써 실제 임상 적용 가능성을 높였다. 또한, DL score가 종양 미세환경의 면역학적 변화와 생물학적으로 일관됨을 RNA-sequencing 데이터를 통해 입증하여 모델의 해석 가능성(interpretability)과 기전적 타당성을 제공하였다. LLM Wiki의 영상 기반 예측 및 신요법 치료 반응 평가 문헌에서 비침습적 biomarker 개발 및 다중 검증 설계의 모범 사례로 활용될 수 있다.

해석

본 연구는 NSCLC 신요법 화학면역치료 맥락에서 Chest CT 기반 딥러닝이 MPR 예측에 유효함을 다중 센터 검증과 생물학적 기전 분석을 통해 입증하였다. 이는 기존 radiomics 연구들이 단일 센터 및 chemotherapy 중심이었다는 한계를 넘어, chemoimmunotherapy 시대의 비침습적 반응 예측 biomarker로 딥러닝의 역할을 정립했다는 점에서 oncology 및 pulmonary imaging 문헌과 직접적으로 연결된다. 특히 DL score가 tumour proliferation pathway 억제와 antitumour immune infiltration 촉진과 연관된다는 발견은 AI 영상 분석이 단순 패턴 인식을 넘어 생물학적 미세환경 변화를 반영할 수 있음을 시사하며, LLM Wiki의 biomedical-imaging 및 targeted therapy 반응 예측 하위 문헌들과 통합되어 신요법 치료 전략 수립 및 환자 선별 알고리즘 개발의 근거 자료로 활용될 수 있다.