Deciphering the tumor microenvironment through radiomics in non-small cell lung cancer: Correlation with immune profiles

authors

Yoon et al.

journal

PloS One

year

2020

doi

10.1371/journal.pone.0231227

category

biomedical-imaging

pdf

PDF

source

Source

업데이트

2026-07-30

요약

이 연구는 non-small cell lung cancer (NSCLC) 환자에서 CT 기반 radiomics를 통해 종양 미세환경(Tumor Microenvironment) 내 Th1, Th2, cytotoxic T cells의 침윤 정도를 비침습적으로 예측하는 가능성을 평가한다. 네덜란드 MAASTRO Clinic의 Lung3 데이터셋(n=89)을 training set으로, The Cancer Genome Atlas (TCGA) 데이터셋 중 CT 영상이 확보된 60예를 test set으로 사용하여 분석을 수행했다. Gene expression data에 single-sample gene set enrichment analysis (ssGSEA)를 적용하여 immune cell signatures를 정량화하고, 이를 high/low 그룹으로 분류한 후 다양한 machine learning 알고리즘을 통해 radiomic features와의 상관관계를 모델링했다. 최종적으로 Th2 cell signature 예측 모델로 linear discriminant analysis가 선택되었으며, test set에서 AUC 0.684의 성능을 보였다. 반면, Th1 및 cytotoxic T cells에 대한 예측 성능은 통계적으로 유의미하거나 임상적으로 유용한 수준(AUC < 0.6)에 도달하지 못했다. 이 결과는 radiomics가 특히 Th2 세포 관련 종양 미세환경 특성을 반영하는 비침습적 biomarker로 활용될 수 있음을 시사한다.

방법

Study design은 retrospective cohort 분석이며, 두 개의 독립적인 공개 데이터셋을 사용했다. Training set인 Lung3 cohort는 89명의 NSCLC 환자로 구성되었으며, test set인 TCGA cohort는 squamous cell carcinoma 및 adenocarcinoma 환자 중 CT 영상이 제공된 60명으로 구성되었다. Imaging modality는 axial CT scan이었으며, Lung3 cohort의 평균 in-plane resolution은 0.913 ± 0.204 mm, slice thickness는 3.989 ± 1.236 mm였다. TCGA cohort의 평균 in-plane resolution은 0.718 ± 0.136 mm, slice thickness는 3.930 ± 1.429 mm였다. Lung3 cohort 중 62예(69.7%)가 contrast-enhanced CT로 촬영되었고, TCGA cohort 중 25예(41.7%)가 contrast-enhanced CT로 촬영되었다.

Radiomic feature extraction은 수동으로 delineation된 region of interest (ROI)를 기반으로 수행되었으며, PyRadiomics 및 MATLAB 기반 in-house code를 사용하여 총 239개의 features를 추출했다. 이는 physical (3개), histogram-based (59개), shape (10개), local (95개), filter-based/LoG filter (63개), fractal model-based (3개), sigmoid (6개) features로 분류되었다. Target variables인 immune cell signatures는 gene expression data에 ssGSEA를 적용하여 계산되었으며, Bindea et al.의 28개 immune cell gene lists 중 Th1, Th2, cytotoxic T cells signature에 초점을 맞췄다. 각 cohort별로 signature 값의 평균을 cut-off로 사용하여 high vs low 그룹으로 이진 분류했다.

Modeling 과정에서는 penalized logistic regression, sparse discriminant analysis, linear discriminant analysis, naive Bayes, classification and regression tree (CART), bagged CART, random forest 등 8가지 machine learning algorithm을 비교 평가했다. Data preprocessing 단계에서 zero variance 변수 제거, KNN 기반 NA imputation, Yeo-Johnson transformation을 통한 skewness 해결, Z-score normalization을 적용했으며, resampling은 0.632 bootstrap estimator를 사용했다. Principal component analysis (PCA)를 통해 Th1과 Th2 signature가 서로 독립적인 분포임을 확인한 후, 최종 모델 선택 시 성능뿐만 아니라 모델의 단순성(simplicity)도 고려하여 linear discriminant analysis를 Th2 예측에, penalized discriminant analysis를 Th1 예측에 각각 최종 후보로 선정했다.

주요 결과

Training set 분석에서 classification trees 및 rule-based models가 penalized linear classification models보다 우수한 성능을 보였다. 구체적으로 Th2 cell prediction의 training set AUC는 random forest (0.795), linear discriminant analysis (0.772), penalized logistic regression (0.754) 순으로 높았다. Th1 cell prediction에서는 random forest (AUC 0.751), bagged CART (0.741), penalized discriminant analysis (0.711)가 상위 성능을 보였으며, cytotoxic T cell prediction에서는 random forest (0.681), penalized discriminant analysis (0.674), bagged CART (0.647)가 상대적으로 높은 AUC를 기록했다.

Test set (TCGA cohort)에서의 최종 예측 성능은 Th2 cell signature에 한해 유의미한 결과를 보였다. 선정한 linear discriminant analysis 모델의 test set AUC는 0.684 (p=0.027)였으며, random forest (AUC 0.707, p=0.013) 및 sparse discriminant analysis (AUC 0.687, p=0.034)도 유사한 성능을 보였다. Th2 예측 모델의 주요 predictors는 skewness (total pixels), skewness (outer pixels), kurtosis, variance (subsampled from delta [inner minus outer]), informational measure of correlation (IMC)였다. 특히 outer pixel skewness는 종양 주변부(peritumoral region)의 radiologic phenotype을 반영하는 것으로 해석되었다. 반면, Th1 cell prediction의 test set AUC는 0.536~0.564 범위였으며, cytotoxic T cell prediction의 test set AUC는 0.533~0.612 범위로, 두 세포군에 대해서는 radiomics 기반 예측이 통계적으로 유의미하거나 임상적으로 신뢰할 수 있는 수준에 도달하지 못했다.

통계 분석

분석 설계 — 이 연구는 비소세포폐암(NSCLC) 환자의 CT 영상에서 추출한 radiomic features가 종양 미세환경(Tumor Microenvironment) 내 특정 면역 세포(Th1, Th2, cytotoxic T cells)의 침윤 정도를 예측할 수 있는지 확인하는 것을 목적으로 한다. 연구 설계는 두 개의 독립된 코호트(training set: Lung3 cohort, n=89; test set: TCGA cohort, n=60)를 사용하여 수행되었으며, primary endpoint는 각 면역 세포 서명(immune cell signature)의 high/low 그룹 분류 정확도(AUC)이다. 표본 수는 training set 89명, test set 60명으로 비교적 소규모이며, 추적 기간(tracking period)은 적용되지 않는 cross-sectional 예측 모델 연구이다.

무엇을 위해 어떤 분석을 썼는가 — 종양 미세환경의 면역 세포 서명을 정량화하기 위해 gene expression data에 single-sample gene set enrichment analysis (ssGSEA)를 적용했으며, 이를 R package GSVA로 구현했다. Th1, Th2, cytotoxic T cell 서명의 분포 특성을 파악하고 변수 간 독립성을 확인하기 위해 principal component analysis (PCA)를 수행했다. 예측 모델 구축을 위해 239개의 radiomic features를 사용하며, 데이터 전처리 단계에서 zero variance 제거, NA imputation (KNN), skewness 해결(Yeo-Johnson transformation), centering 및 scaling(Z-score normalization)을 recipe R package로 처리했다. 다양한 machine learning 알고리즘(penalized logistic regression, penalized discriminant analysis, sparse discriminant analysis, linear discriminant analysis, naive Bayes, CART, bagged CART, random forest)을 비교하기 위해 0.632 bootstrap estimator를 사용한 resampling을 수행했으며, 최종 모델 선택 및 성능 평가는 R (version 3.6.0)과 caret R package를 통해 진행했다.

방법론 평가 — 잘 된 점은 training set과 test set이 서로 다른 출처(Lung3 vs TCGA)에서 온 독립된 데이터임을 명시하여 external validation의 개념을 일부 반영했다는 점이다. 또한, 고차원 radiomic features에 대해 다양한 machine learning 알고리즘을 비교하고, 해석 용이성(interpretability)을 고려해 최종적으로 linear discriminant analysis를 선택한 과정이 논리적이다. 그러나 의심스러운 점은 다음과 같다. 첫째, 표본 수(n=89, 60) 대비 변수 수(239 features)가 많아 overfitting 위험이 높음에도 feature selection 방법(예: LASSO 등)에 대한 구체적인 설명이 부족하며, 단순히 알고리즘 비교만 수행했다. 둘째, Th1/Th2/cytotoxic T cell 서명의 high/low 그룹 분류 기준이 각 코호트별 평균(mean cut-off value)으로 설정되었는데, 이는 cohort 간 분포 차이(Fig 3 참조)를 반영한 것이지만, 임의적인 cutoff 사용으로 인해 결과의 재현성이 떨어질 수 있다. 셋째, multiple testing 보정(multiple testing correction)이나 model assumption 검증(예: linear discriminant analysis의 다변량 정규성 가정 등)에 대한 언급이 원문에 명시되지 않음. 넷째, 결측치 처리는 KNN imputation으로 밝혔으나, CT 영상 획득 조건(contrast-enhanced vs non-contrast)이 cohort 간 불균형(Lung3: 69.7% contrast, TCGA: 41.7% contrast)임에도 이를 보정하거나 sensitivity analysis로 검증한 흔적이 없다.

설계에 참고할 점 — 유사 연구를 설계할 때는 소규모 표본에서 고차원 변수를 다룰 경우, feature selection 단계(예: LASSO regression 또는 recursive feature elimination)를 명시적으로 포함하여 overfitting을 방지해야 한다. 또한, cutoff 값 설정 시 cohort 간 분포 차이를 고려한 median이나 percentile 기반의 표준화된 기준을 사용하거나, continuous variable로 분석하는 것이 더 robust할 수 있다. 마지막으로, 영상 획득 조건(contrast 여부)과 같은 중요한 confounder를 모델에 포함하거나 stratified analysis를 수행하여 결과의 신뢰성을 높이는 것이 필요하다.

강점

이 연구는 NSCLC라는 특정 종양 유형에 초점을 맞추어 homogeneous cohort를 구성함으로써, 기존 heterogeneous cohorts를 대상으로 한 이전 연구들보다 더 구체적인 immune microenvironment와의 상관관계를 규명했다. 239개의 다양한 radiomic features, 특히 tumor margins 및 peritumoral region을 반영하는 filter-based와 fractal model-based features를 포함하여 종양 미세환경의 공간적 이질성을 포괄적으로 분석했다. 두 개의 독립적인 공개 데이터셋(Lung3과 TCGA)을 사용하여 training과 test set을 분리함으로써 모델의 generalizability를 검증하려는 시도를 했으며, ssGSEA를 통해 28개 immune cell signatures 중 임상적 중요성이 높은 Th1, Th2, cytotoxic T cells에 집중하여 해석 가능한 biomarker 개발을 시도했다.

한계

Test set인 TCGA cohort의 표본 크기가 n=60으로 작아, 특히 Th1 및 cytotoxic T cells 예측 모델의 성능이 낮게 나온 원인이 표본 부족 때문일 가능성이 있다. Training set (Lung3)과 test set (TCGA) 간에 CT 촬영 조건(contrast-enhanced vs non-contrast 비율) 및 immune cell signature 분포의 차이(shift to the right)가 존재하여, cut-off 값을 각 cohort별로 별도로 설정해야 했으며 이는 모델의 외부 검증 robustness를 약화시킬 수 있다. Th1 및 cytotoxic T cells 예측 성능이 낮아 임상적 유용성이 제한적이며, 최종 선택된 linear discriminant analysis 모델의 AUC 0.684도 진단 정확도 측면에서 아직 개선의 여지가 크다. 또한, radiomic features와 immune cell signatures 간의 인과관계보다는 상관관계만 확인되었을 뿐, 생물학적 기전에 대한 직접적인 검증은 수행되지 않았다.

해석

이 연구는 CT radiomics가 NSCLC의 종양 미세환경, 특히 Th2 세포 침윤 패턴을 비침습적으로 예측할 수 있는 잠재력을 보여주며, 이는 immunotherapy 반응성 평가에 새로운 biomarker로 활용될 가능성을 시사한다. Outer pixel skewness와 같은 peritumoral features의 중요성은 종양과 주변 정상 폐 조직 간의 상호작용이 immune microenvironment 형성에 관여함을 반영하며, 향후 radiomics 기반 면역 프로파일링 연구에서 tumor margin 분석의 중요성을 강조한다. Th1 및 cytotoxic T cells 예측의 실패는 현재 radiomic features가 type 1 immune response를 충분히 포착하지 못하거나, 해당 세포군의 공간적 분포가 CT 영상 해상도로는 구분하기 어려울 수 있음을 시사한다. 본 결과는 LLM Wiki 내 oncology 및 biomedical-imaging 문헌에서 radiomics와 immune checkpoint blockade therapy 반응성 예측을 연결하는 초기 근거로 위치하며, 더 큰 cohort와 다중 기관 데이터를 통한 외부 검증이 필요한 과도기적 연구로 해석된다.