Biomedical Imaging 종합 리뷰

category

overviews

개요

본 리뷰는 Biomedical Imaging 카테고리에서 추출된 50편의 핵심 논문을 바탕으로, 정량 영상 바이오마커(QIBs)와 Radiomics의 표준화, 폐 질환 및 종양의 영상학적 평가, 그리고 다중 오믹스 데이터 통합을 통한 치료 반응 예측에 대한 최신 경향을 종합한다. 연구들은 단순한 해부학적 관찰을 넘어, 영상 데이터를 통해 종양 미세환경(TME), 유전자 돌연변이 상태, 면역 침윤 정도 등을 비침습적으로 정량화하는 방향으로 진화하고 있다 [1, 4, 7]. 특히 Radiomics 워크플로우의 재현성 확보와 임상 번역을 위한 품질 관리 기준(RQS, RRLs) 제정이 강조되며, Deep Learning과 전통적인 Handcrafted features의 결합이 진단 및 예후 예측 성능을 향상시키는 것으로 나타났다 [3, 26, 38]. 또한, 폐 결절(GGNs)의 관리 지침 개정과 영상 기반 생물학적 연령(Biological Age) 추정 등 예방 및 조기 발견 영역에서의 적용도 확대되고 있다 [30, 36].

주요 주제

Radiomics 표준화 및 품질 관리 프레임워크 Radiomics 연구의 과학적 무결성과 임상적 유용성을 보장하기 위해 RSNA/QIBA는 국제 계량학 표준(BIPM, NIST, ISO) 기반의 통계 방법론과 연구 설계 프레임워크를 제시하며 QIBs의 기술적 성능(선형성, 편향, 재현성 등)을 평가하는 기준을 마련했다 [1]. 또한, Reporting quality와 Reproducibility 부족 문제를 해결하기 위해 16개 핵심 구성 요소로 이루어진 Radiomics Quality Score (RQS)가 제안되었으며, 이후 RQS 2.0과 Radiomics Readiness Levels (RRLs)은 Handcrafted radiomics와 Deep learning-based radiomics를 구분하고 Fairness, Explainability, Harmonization 등을 포함하는 임상 번역 평가 기준을 제시한다 [3, 26]. PyRadiomics와 같은 오픈소스 플랫폼은 다양한 영상 형식(CT, PET, MRI)을 지원하며 전처리 및 알고리즘 정의의 표준화를 통해 재현성 문제를 해결하고 있다 [43].

폐 결절(Nodules) 및 GGNs의 진단 및 관리 전략 폐 ground-glass nodules (GGNs)의 성장 평가 시 mass measurement가 직경(diameter)이나 부피(volume) 측정보다 intra- 및 interobserver variability가 현저히 낮으며, 악성 GGNs의 성장을 더 일찍 감지할 수 있음이 확인되었다 [10]. Fleischner Society 2017 가이드라인은 solid nodules의 routine follow-up 기준 크기를 6 mm로 상향 조정하고 subsolid nodules의 total follow-up 기간을 5년으로 연장하여 unnecessary follow-up examinations를 줄이는 방향으로 개정되었다 [30]. NSCLC 치유적 절제술 후 남아있는 동시성 GGNs의 자연 경과 연구에서, 초기 CT에서 큰 GGN 크기, part-solid GGN 존재, 흡연력(≥ 10 pack-years)이 GGN 성장의 독립적인 위험 요인으로 확인되었으며, 성장 예측의 최적 cut-off 값은 8 mm로 도출되었다 [28].

NSCLC에서의 영상 기반 유전자 돌연변이 및 면역치료 반응 예측 CT 기반 radiomics와 AI를 활용한 meta-analysis 결과, EGFR 돌연변이 예측의 sensitivity는 0.754로 확인되었으며, 이는 조직 생검 없이 oncogene mutation status (EGFR, ALK, KRAS)를 비침습적으로 평가하는 가능성을 시사한다 [15]. Ground-glass opacity (GGO)를 보이는 폐 선암 환자에서 preoperative CT 영상과 gradient boosting decision tree (GBDT) 알고리즘을 활용한 radiomics 모델이 EGFR 돌연변이 상태를 비침습적으로 예측하는 데 임상적 유용성을 입증(AUC 0.822/0.803)했다 [7]. 또한, 진행성 NSCLC 환자에서 3D-densenet 기반 딥러닝 모델로 개발된 Tumor Mutational Burden Radiomic Biomarker(TMBRB)는 High-TMB와 Low-TMB를 구분하여 anti-PD-1/PD-L1 치료 반응 예측에 기존 radiomic model보다 우수한 성능을 보였다 [18]. CT radiomics features를 활용하여 tumor-infiltrating lymphocyte (TIL) enrichment score (TILes)를 비침습적으로 예측할 수 있으며, 이는 immune checkpoint inhibitor (ICI) 치료 결과와 연관이 있음이 확인되었다 [34].

폐 손상(Lung Injury), ILD 및 약물 부작용 관리 Drug-induced interstitial lung disease (DIILD) 진단을 위해 임상 검사, HRCT, 폐기능 검사(Spirometry/DLCO) 및 감염 배제 검사를 통합적으로 활용하며, 중증(Grade 3-4) 시 항암제 중단과 스테로이드/산소 요법이 필요함 [9]. Trastuzumab deruxtecan (T-DXd) 관련 ILD/pneumonitis는 배타적 진단이며, alveolar macrophages를 통한 off-target uptake 등 직접적 세포독성 및 면역매개성 기전을 고려한 적극적인 모니터링과 다학제 임상 가이드라인이 제시됨 [2]. Immune checkpoint inhibitors (ICIs) 치료 중 발생하는 ICI-related pneumonitis (ICI-P)의 발생률은 Real-world setting에서 5-19%로 보고되며, Chest computed tomography (CT) 상 Organizing pneumonia (OP)-like pattern이 가장 특징적인 소견이다 [23]. Nivolumab 치료 환자에서 발생한 PD-1 inhibitor–related pneumonitis의 가장 흔한 radiographic pattern은 cryptogenic organizing pneumonia (COP)로, 모든 tumor type과 treatment regimen에서 일관되게 관찰됨 [33].

다중 모달리티 데이터 통합 및 예후 예측 모델 Advanced non-small cell lung cancer (NSCLC) 환자에서 whole transcriptome sequencing 기반 TME score와 CT radiomics(rTME)를 결합한 다중 오믹스 모델을 통해 immune checkpoint inhibitor (ICI) 치료 반응을 예측함 [4]. 중환자실(ICU) 환자에서 chest radiographs와 clinical parameters를 통합하는 transformer-based neural network는 attention mechanism을 활용하여 unimodal 모델보다 최대 25가지 pathologic conditions 진단 성능이 통계적으로 유의미하게 높음을 보였다 [24]. Advanced NSCLC 환자에서 nivolumab 또는 pembrolizumab 치료에 대한 OS, PFS, PD-L1 표현을 예측하기 위해 baseline CT radiomics와 임상 변수를 결합한 ensemble 모델이 radiomics 단독 모델보다 우월한 성능을 보임 [47].

방법론적 경향

연구 설계 및 Cohort 특징 대부분의 연구는 retrospective cohort 또는 multicentre validation study 형태로 수행되었다. 특히 폐 결절 및 NSCLC 관련 연구에서는 preoperative CT, baseline CT, 그리고 치료 전후의 enhanced CT 영상을 주요 데이터 소스로 활용했다 [7, 10, 35, 46]. 일부 연구는 incidental pulmonary nodules에 대한 malignancy probability estimation을 위해 screening data only와 screening + clinical data를 구분하여 deep learning 모델(DL1, DL2)의 성능과 일관성을 평가하는 multicentre 설계를 채택했다 [13].

영상 분석 및 알고리즘 접근법 Radiomics 파이프라인 내 feature normalization 방법(z-Score, Min-Max 등)은 평균적으로 예측 성능(AUC)에 미미한 영향을 미치지만 dataset 의존성이 강하며, 선택된 feature set 간 agreement가 낮을 수 있음이 확인되었다 [12]. Deep Learning 모델로는 ResNet34 (DLAD-10), 3D-densenet, ResNet-152 등이 널리 사용되었으며, 특히 transformer-based neural network는 multimodal data 통합에서 attention mechanism의 장점을 활용했다 [24, 32, 35]. 또한, Delta-radiomics features와 haematological index의 동적 변화를 결합하여 neoadjuvant immunochemotherapy 후 pathological complete response (PCR)을 예측하는 모델이 개발되었다 [46].

Endpoint 및 통계적 평가 지표 주요 endpoint로는 Overall survival (OS), Progression-free survival (PFS), Disease-free survival (DFS), 그리고 treatment response (pCR, ICI 반응 등)이 포함되었다 [22, 45, 47]. 진단 정확도 평가에는 sensitivity, specificity, AUC/AUROC가 주로 사용되었으며, 예를 들어 DLAD-10 알고리즘은 critical abnormality 분류 정확도(95.0%)가 pooled radiologists(84.4%)보다 유의하게 높게 나타났다 [32]. 또한, CT numbers(Hounsfield units)를 physical density(g/cm³)로 변환하여 in vivo 조직 또는 종양의 mass를 gram 단위로 추정하는 방법이 제시되었으며, scanner 간 변동 보정을 위해 표준화된 calibration phantom의 필요성이 강조되었다 [31].

임상적·연구적 시사점

비침습적 정밀의학(Precision Medicine)의 가능성 영상 바이오마커는 조직 생검 없이도 EGFR 돌연변이 상태 [7, 15], Tumor Mutational Burden (TMB) [18], 그리고 종양 미세환경(TME) 내 면역 세포 침윤 정도 [34, 48]를 예측할 수 있어 personalized medicine에 기여한다. 특히, NSCLC 환자에서 CT radiomics와 임상 변수를 결합한 ensemble 모델은 ICI 치료 반응 및 예후(OS, PFS) 예측에서 단독 모델보다 우월한 성능을 보여, 치료 전략 수립에 유용한 도구가 될 수 있다 [47]. 또한, CXR 이미지로부터 딥러닝으로 추정된 CXR-Age는 chronological age보다 all-cause mortality 및 cardiovascular mortality를 더 잘 예측하여, 생물학적 노화 및 사망 위험 평가의 새로운 지표로 활용될 수 있다 [36].

표준화 부족과 일반화(Generalizability)의 한계 Radiomics 연구의 주요 한계는 organ-specific 특성과 dataset 의존성이다. 폐암 데이터셋으로 학습된 survival 예측 모델은 다른 폐 데이터셋에서는 적용되었으나, 신장과 뇌 종양에서는 적용되지 않아 organ-specific 한계가 있음을 보였다 [27]. 또한, intra-patient inter-tumor heterogeneity를 정량화하는 연구에서 robust radiomics index는 patient 및 organ 수준에서 유의미한 변이를 보였으나, tumor subsampling strategy에 따라 측정값이 영향을 받을 수 있음이 확인되었다 [19]. 이는 모델의 외부 검증(external validation)과 harmonization 프로토콜의 중요성을 시사한다.

남은 Gap 및 향후 방향 DIILD와 ICI-P와 같은 약물 유발 폐 손상의 영상학적 패턴은 비교적 명확하지만, 특이적인 임상·영상학적 징후가 부재한 경우가 많아 진단의 어려움이 여전히 존재한다 [40]. 또한, PET 반응 평가 기준인 PERCIST version 1.0이 기존 RECIST/RECIST 1.1의 한계를 극복하기 위해 제안되었으나, 고형암 치료 반응(특히 disease stabilization 목표)을 더 정확히 평가하기 위한 대사적 정량 기준의 광범위한 임상 적용과 검증이 필요하다 [44]. 마지막으로, Radiomics Quality Score (RQS)와 같은 표준화 프레임워크가 제시되었음에도 불구하고, 실제 임상 현장에서의 reproducibility와 fairness를 보장하기 위한 대규모 다기관 연구 및 전향적 임상 시험이 지속적으로 요구된다 [3, 26].

참고 논문

1. Quantitative Imaging Biomarkers: A Review of Statistical Methods for Technical Performance Assessment — David L. Raunig, Lisa M. McShane, Gene Pennello, Constantine Gatsonis, Paul L. Carson, James T. Voyvodic, Richard L. Wahl, Brenda F. Kurland, Adam J. Schwarz, Mithat Gönen, Gudrun Zahlmann, Marina Kondratovich, Kevin O'Donnell, Nicholas Petrick, Patricia E. Cole, Brian Garra, Daniel C. Sullivan, 2017, Stat Methods Med Res
2. Multidisciplinary clinical guidance on trastuzumab deruxtecan (T-DXd) – related interstitial lung disease/pneumonitis — Focus on proactive monitoring, diagnosis, and management — Sandra M. Swain, Mizuki Nishino, Lisa H. Lancaster, Bob T. Li, Andrew G. Nicholson, Brian J. Bartholmai, Jarushka Naidoo, Eva Schumacher-Wulf, Kohei Shitara, Junji Tsurutani, Pierfranco Conte, Terufumi Kato, Fabrice Andre, Charles A. Powell, 2022, Cancer Treatment Reviews
3. Radiomics: the bridge between medical imaging and personalized medicine — Philippe Lambin, Ralph T.H. Leijenaar, Timo M. Deist, Jurgen Peerlings, Evelyn E.C. de Jong, Janita van Timmeren, Sebastian Sanduleanu, Ruben T.H.M. Larue, Aniek J.G. Even, Arthur Jochems, Yvonka van Wijk, Henry Woodruff, Johan van Soest, Tim Lustberg, Erik Roelofs, Wouter van Elmpt, Andre Dekker, Felix M. Mottaghy, Joachim E. Wildberger, Sean Walsh, 2017, Nature Reviews Clinical Oncology
4. Unraveling the tumor-microenvironment through a radiogenomic-based multiomic approach to predict outcomes of immunotherapy in non-small cell lung cancer — Dong Young Jeong, Cheol Yong Joe, Sang Min Lee, Sehhoon Park, Seung Hwan Moon, Joon Young Choi, Jonghoon Kim, Se-Hoon Lee, Ho Yun Lee, 2025, Computer Methods and Programs in Biomedicine
5. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach — Aerts et al., 2014, NATURE COMMUNICATIONS
6. Pulmonary Intravascular Lymphomatosis: Clinical, CT, and PET Findings, Correlation of CT and Pathologic Results, and Survival Outcome — Cha et al., 2016, Radiology
7. Predicting EGFR mutation status in lung adenocarcinoma presenting as ground-glass opacity utilizing radiomics model in clinical translation — Cheng et al., 2022, European Radiology
8. Combined fluoroscopy-and CT-guided transthoracic needle biopsy using a C-arm cone-beam CT system: comparison with fluoroscopy-guided biopsy — Cheung et al., 2011, Korean Journal of Radiology
9. Drug-induced interstitial lung disease during cancer therapies expert opinion on diagnosis and treatment — Conte et al., 2022
10. Pulmonary Ground-Glass Nodules Increase in Mass as an Early Indicator of Growth — De Hoop et al., 2010, Radiology
11. Complications of Lung Transplantation: Update on Imaging Manifestations and Management — DeFreitas et al., 2021, Radiology: Cardiothoracic Imaging
12. The effect of feature normalization methods in radiomics — A. Demircioglu, 2024, Insights Imaging
13. Multicentre performance and consistency of two deep learning models for malignancy probability estimation of incidental pulmonary nodules — Dinnessen et al., 2026, European Radiology
14. Organization and Fibrosis as a Response to Lung Injury in Diffuse Alveolar Damage, Organizing Pneumonia, and Acute Fibrinous and Organizing Pneumonia — Seth J. Kligerman, MD; Teri J. Franks, MD; Jeffrey R. Galvin, MD, 2013, RadioGraphics
15. Prediction of oncogene mutation status in non-small cell lung cancer A systematic review and meta-analysis with a special focus on artificial-intelligence-based methods — Fuster-Matanzo et al., 2024, European Radiology
16. Computed tomography–based biomarker provides unique signature for diagnosis of COPD phenotypes and disease progression — Galbán et al., 2012
17. Imaging the hallmarks of cancer — Grimm et al., 2026, Nature Reviews Cancer
18. Predicting response to immunotherapy in advanced non-small-cell lung cancer using tumor mutational burden radiomic biomarker — He et al., 2020, Journal for Immunotherapy of Cancer
19. Investigation of radiomics based intra-patient inter-tumor heterogeneity and the impact of tumor subsampling strategies — Henry et al., 2022, Scientific Reports
20. Criteria for the diagnosis of extranodal extension detected on radiological imaging in head and neck cancer: Head and Neck Cancer International Group consensus recommendations — Henson et al., 2024, The Lancet Oncology
21. Surgically resected T1‐ and T2‐stage esophageal squamous cell carcinoma T and N staging performance of EUS and PET — Jeong et al., 2018, Cancer Medicine
22. Surgically Resected Esophageal Squamous Cell Carcinoma Patient Survival and Clinicopathological Prognostic Factors — Jeong et al., 2020, Scientific Reports
23. Immune checkpoint inhibitor-related pneumonitis From guidelines to the front lines — Karayama, 2025, Respiratory Investigation
24. Multimodal deep learning for integrating chest radiographs and clinical parameters: a case for transformers — Khader et al., 2023, Radiology
25. Genetic features of pulmonary adenocarcinoma presenting with ground-glass nodules the differences between nodules with and without growth — Kobayashi et al., 2015, Annals of Oncology
26. Radiomics Quality Score 2.0: towards radiomics readiness levels and clinical translation for personalized medicine — Lambin et al., 2025, Nature Reviews Clinical Oncology
27. Are radiomics features universally applicable to different organs? — Lee et al., 2021, Cancer Imaging
28. Natural Progression of Ground-glass Nodules after Curative Resection for Non-small Cell Lung Cancer — Lee et al., 2021, J Korean Med Sci
29. Discrepancy of epidermal growth factor receptor mutation in lung adenocarcinoma presenting as multiple ground-glass opacities — Liu et al., 2016, European Journal of Cardio-Thoracic Surgery
30. Guidelines for Management of Incidental Pulmonary Nodules Detected on CT Images From the Fleischner Society 2017 — MacMahon et al., 2017, Radiology
31. Mass estimates by computed tomography: physical density from CT numbers — R. T. Mull, 1984, American Journal of Roentgenology
32. Development and validation of a deep learning algorithm detecting 10 common abnormalities on chest radiographs — Nam et al., 2021, European Respiratory Journal
33. PD-1 Inhibitor–Related Pneumonitis in Advanced Cancer Patients Radiographic Patterns and Clinical Course — Nishino et al., 2016, Clin Cancer Res
34. Changhee Park1‡, Dong Young Jeong2‡, Yeonu Choi2, — Changhee Park, Dong Young Jeong, Yeonu Choi, You Jin Oh, Jonghoon Kim, Jeongun Ryu, Kyunghyun Paeng, Se-Hoon Lee, Chan-Young Ock, Ho Yun Lee, 2022, Frontiers in Immunology
35. Non-invasive prediction for pathologic complete response to neoadjuvant chemoimmunotherapy in lung cancer using CT-based deep learning: a multicenter study — Qu et al., 2024, Frontiers in Immunology
36. Deep Learning to Estimate Biological Age From Chest Radiographs — Raghu et al., 2021, JACC Cardiovascular Imaging
37. Which definition of a central tumour is more predictive of occult mediastinal metastasis in nonsmall cell lung cancer patients with radiological N0 disease — Shin et al., 2019, Eur Respir J
38. Radiomics in Oncology: A Practical Guide — Shur et al., 2021, RadioGraphics
39. Imaging Phenotyping Using Radiomics to Predict Micropapillary Pattern within Lung Adenocarcinoma — Song et al., 2017, Journal of Thoracic Oncology
40. Drug-induced interstitial lung disease — Spagnolo et al., 2022, Eur Respir J
41. Radiogenomic-based multiomic analysis reveals imaging intratumor heterogeneity phenotypes and therapeutic targets — Su et al., 2023, Science Advances
42. Development of an Immune-Pathology Informed Radiomics Model for Non-Small Cell Lung Cancer — Tang et al., 2018, Scientific Reports
43. Computational Radiomics System to Decode the Radiographic Phenotype — Van Griethuysen et al., 2017, Cancer Research
44. From RECIST to PERCIST: Evolving Considerations for PET response criteria in solid tumors — Wahl et al., 2009, Journal of Nuclear Medicine
45. Spatial interplay patterns of cancer nuclei and tumor-infiltrating lymphocytes (TILs) predict clinical benefit for immune checkpoint inhibitors — Wang et al., 2022, Science Advances
46. Delta-radiomics features combined with haematological index predict pathological complete response after neoadjuvant immunochemotherapy in resectable non-small cell lung cancer — Xiong et al., 2025, Clinical Radiology
47. Imaging-Based Biomarkers Predict Programmed Death-Ligand 1 and Survival Outcomes in Advanced NSCLC Treated With Nivolumab and Pembrolizumab: A Multi-Institutional Study — Yolchuyeva et al., 2023, JTO Clinical and Research Reports
48. Deciphering the tumor microenvironment through radiomics in non-small cell lung cancer: Correlation with immune profiles — Yoon et al., 2020, PloS One
49. Combining radiomic phenotypes of non-small cell lung cancer with liquid biopsy data may improve prediction of response to EGFR inhibitors — Yousefi et al., 2021, Scientific Reports
50. Clinical effect of Almonertinib in treating epidermal growth factor receptor mutation-positive residual ground-glass opacities after stage I lung cancer resection — Zhang, 2024, Am J Transl Res