통계 방법론 리뷰

개념 — Kaplan-Meier method는 시간-사건(time-to-event) 데이터에서 특정 시점까지의 생존 확률을 추정하는 비모수적 방법이다. 이 라이브러리의 논문들은 주로 Overall Survival (OS), Progression-free Survival (PFS), Recurrence-free Survival (RFS), Disease-free survival (DFS), Cancer-specific survival (CSS)과 같은 endpoint를 시각화하고 비교하기 위해 사용했다 [2, 3, 4, 7, 9, 10].

언제 쓰나 — 이 방법론은 주로 Retrospective cohort study 또는 Multi-institutional study에서 치료 반응, 예후 인자, 또는 영상 바이오마커(Radiomics)의 임상적 유용성을 평가할 때 선택되었다 [1, 2, 4, 6, 8, 9, 10, 11]. 특히 Advanced NSCLC 환자에서의 Immunotherapy (ICI) 반응 예측 [1, 3, 10], 폐암 수술 후 예후 분석 [4, 5, 8], 그리고 다양한 치료법(SLR, SBRT, IGTA) 간의 생존 효능 비교 [12] 상황에서 광범위하게 적용되었다.

이 라이브러리에서의 사용 — 연구자들은 주로 Radiomics score, TMBRB (Tumor Mutational Burden Radiomic Biomarker), CXR-Age (Biological Age from Chest X-ray), 또는 PD-L1 TPS와 같은 변수를 기준으로 High-risk/Low-risk 군이나 특정 하위 그룹으로 분류한 후, 각 군의 생존 곡선을 작성했다 [3, 6, 7, 8, 9, 10]. 표본 규모는 단일 기관 연구에서 수십 명(예: n=42 [2], n=40 [11])부터 다기관 메타분석이나 대규모 코호트에서 수천 명(예: N=24,934 pre-training [7], PSM cohort n=4,218 [12])까지 다양했다. 보고 방식은 주로 Log-rank test를 통해 그룹 간 통계적 유의성을 검정하고, Hazard Ratio (HR)이나 Time-dependent AUC (iAUC)와 함께 생존 곡선을 제시하는 것이 공통적인 패턴이었다 [4, 7, 9, 10, 12].

설계 시 주의점 — 추적 관찰 기간(Follow-up period)의 정의(진단 시점부터 사망 또는 마지막 관찰일까지)와 중위 추적 기간(Median follow-up)을 명확히 보고해야 한다 [2, 4, 7]. 또한, Radiomics 기반 연구에서는 종양 분할(Segmentation)의 재현성(Intraclass correlation coefficient 등)과 데이터 전처리(Standard-Scaler, Z-score normalization) 과정을 투명하게 기술하여 결과의 신뢰성을 확보해야 한다 [6, 8, 10, 11]. 선택 편향(Selection bias)을 통제하기 위해 Propensity Score Matching (PSM)이나 엄격한 포함/배제 기준(예: CT 품질, PD-L1 데이터 누락 여부)을 적용하는 것이 중요하며, 이를 통해 도출된 생존 분석 결과의 일반화 가능성을 높일 수 있다 [1, 2, 12].

근거 논문

1. Unraveling the tumor-microenvironment through a radiogenomic-based multiomic approach to predict outcomes of immunotherapy in non-small cell lung cancer — Computer Methods and Programs in Biomedicine · 2025
2. Pulmonary Intravascular Lymphomatosis: Clinical, CT, and PET Findings, Correlation of CT and Pathologic Results, and Survival Outcome — Radiology · 2016
3. Predicting response to immunotherapy in advanced non-small-cell lung cancer using tumor mutational burden radiomic biomarker — Journal for Immunotherapy of Cancer · 2020
4. Surgically Resected Esophageal Squamous Cell Carcinoma Patient Survival and Clinicopathological Prognostic Factors — Scientific Reports · 2020
5. Genetic features of pulmonary adenocarcinoma presenting with ground-glass nodules the differences between nodules with and without growth — Annals of Oncology · 2015
6. Are radiomics features universally applicable to different organs? — Cancer Imaging · 2021
7. Deep Learning to Estimate Biological Age From Chest Radiographs — JACC Cardiovascular Imaging · 2021
8. Imaging Phenotyping Using Radiomics to Predict Micropapillary Pattern within Lung Adenocarcinoma — Journal of Thoracic Oncology · 2017
9. Radiogenomic-based multiomic analysis reveals imaging intratumor heterogeneity phenotypes and therapeutic targets — Science Advances · 2023
10. Imaging-Based Biomarkers Predict Programmed Death-Ligand 1 and Survival Outcomes in Advanced NSCLC Treated With Nivolumab and Pembrolizumab: A Multi-Institutional Study — JTO Clinical and Research Reports · 2023
11. Combining radiomic phenotypes of non-small cell lung cancer with liquid biopsy data may improve prediction of response to EGFR inhibitors — Scientific Reports · 2021
12. Sublobar resection, stereotactic body radiotherapy, and thermal ablation for early-stage non-small cell lung cancer a systematic review and meta-analysis — Lung Cancer · 2026

개념 — Cox proportional hazards model은 시간까지의 사건 발생(예: 사망, 재발) 위험을 추정하며, Hazard ratio (HR)을 통해 특정 변수가 생존 기간에 미치는 영향을 정량화한다. 이 모델은 censoring된 데이터를 처리할 수 있어, 추적 관찰 중 사건의 유무나 시점이 불완전한 임상 연구에서 표준적인 생존 분석 도구로 사용된다.

언제 쓰나 — 본 라이브러리의 논문들은 주로 retrospective cohort study 또는 observational cohort study 설계에서 이 모델을 적용했다 [1, 3, 4, 6, 8, 9, 10, 12]. 특히 NSCLC, 유방암, HNSCC 등 다양한 종양학 연구에서 Overall Survival (OS), Progression-free Survival (PFS), Recurrence-free Survival (RFS)과 같은 time-to-event endpoints를 분석할 때 선택되었다 [3, 5, 7, 9, 10, 11, 12]. 또한 radiomics features나 biomarker가 예후에 미치는 독립적인 영향을 평가하기 위해 단변량(Univariate) 및 다변량(Multivariate) 분석의 핵심 방법으로 활용되었다 [3, 6, 8, 11].

이 라이브러리에서의 사용 — 연구자들은 주로 training cohort와 validation cohort로 데이터를 분할하여 모델의 일반화 가능성을 검증하는 전략을 취했다 [1, 5, 9, 10, 12]. 분석 과정에서는 radiomics features를 추출한 후, LASSO regression이나 stepwise selection 등을 통해 유의미한 변수를 선별하고, 이를 Cox model에 입력하여 HR과 95% Confidence Interval (CI)을 계산했다 [6, 8, 9, 10, 12]. 결과 보고 시에는 Kaplan-Meier curves와 함께 log-rank test p-value를 제시하며, 다변량 분석에서는 age, stage 등 임상 변수들을 covariate로 포함하여 confounding을 통제하려는 시도가 관찰된다 [3, 7, 11].

설계 시 주의점 — Cox model의 핵심 가정인 proportional hazards assumption이 충족되는지 확인해야 하며, 이를 위반할 경우 모델의 해석력이 떨어질 수 있다. 본 논문들에서는 radiomics features의 추출 과정(예: segmentation reproducibility, intensity normalization)이 결과에 큰 영향을 미치므로, 전처리 단계의 표준화(z-score normalization 등)와 재현성 평가(Intraclass correlation coefficient)가 필수적이다 [2, 6, 8]. 또한 multi-center study인 경우 기관 간 편차를 통제하기 위해 external validation cohort를 반드시 포함해야 하며, missing data(예: PD-L1 TPS 누락) 처리 방식도 명확히 보고해야 한다 [1, 9, 12].

근거 논문

1. Unraveling the tumor-microenvironment through a radiogenomic-based multiomic approach to predict outcomes of immunotherapy in non-small cell lung cancer — Computer Methods and Programs in Biomedicine · 2025
2. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach — NATURE COMMUNICATIONS · 2014
3. Pulmonary Intravascular Lymphomatosis: Clinical, CT, and PET Findings, Correlation of CT and Pathologic Results, and Survival Outcome — Radiology · 2016
4. Combined fluoroscopy-and CT-guided transthoracic needle biopsy using a C-arm cone-beam CT system: comparison with fluoroscopy-guided biopsy — Korean Journal of Radiology · 2011
5. Predicting response to immunotherapy in advanced non-small-cell lung cancer using tumor mutational burden radiomic biomarker — Journal for Immunotherapy of Cancer · 2020
6. Are radiomics features universally applicable to different organs? — Cancer Imaging · 2021
7. Deep Learning to Estimate Biological Age From Chest Radiographs — JACC Cardiovascular Imaging · 2021
8. Imaging Phenotyping Using Radiomics to Predict Micropapillary Pattern within Lung Adenocarcinoma — Journal of Thoracic Oncology · 2017
9. Radiogenomic-based multiomic analysis reveals imaging intratumor heterogeneity phenotypes and therapeutic targets — Science Advances · 2023
10. Development of an Immune-Pathology Informed Radiomics Model for Non-Small Cell Lung Cancer — Scientific Reports · 2018
11. Spatial interplay patterns of cancer nuclei and tumor-infiltrating lymphocytes (TILs) predict clinical benefit for immune checkpoint inhibitors — Science Advances · 2022
12. Imaging-Based Biomarkers Predict Programmed Death-Ligand 1 and Survival Outcomes in Advanced NSCLC Treated With Nivolumab and Pembrolizumab: A Multi-Institutional Study — JTO Clinical and Research Reports · 2023

개념 — 이 방법은 Kaplan-Meier method로 추정된 생존 곡선(Survival curves) 간의 통계적 차이를 검정하여, 특정 그룹(예: 치료군 vs 대조군, biomarker high vs low) 간에 Overall Survival (OS), Progression-free Survival (PFS), Recurrence-free survival (RFS), 또는 Disease-free survival (DFS)과 같은 time-to-event endpoint에서 유의한 차이가 존재하는지 평가한다 [2][4][6].

언제 쓰나 — 이 라이브러리의 논문들은 주로 Retrospective cohort study 설계에서, 환자군을 임상적 특징(폐 침윤 유무 [2]), 영상학적 biomarker (Radiomics score, TMBRB [3][6][10], SUVmax [4]), 또는 병리학적 하위 유형(Micropapillary pattern 비율 [8])에 따라 이분법적 또는 다중 군으로 분류한 후, 각 군의 예후 차이를 비교할 때 선택했다. 특히 Advanced NSCLC 환자에서 Immunotherapy (ICI)나 EGFR inhibitors 치료 반응 및 생존율을 예측하는 모델의 유효성을 검증하는 단계에서 핵심적으로 활용되었다 [1][3][7][10][11].

이 라이브러리에서의 사용 — 연구자들은 주로 Primary endpoint인 OS, PFS, RFS, DFS에 대해 Kaplan-Meier 곡선을 작성한 후 Log-rank test를 적용하여 p-value를 산출했다 [2][4][6][9][10]. 표본 규모는 소규모 코호트(n=42 [2], n=40 [11])부터 대규모 다기관 코호트(N=2,026 [12], N=40,967 [7])까지 다양하며, Training/Validation cohort로 데이터를 분할하여 모델 성능을 평가한 후 최종 검증 단계에서 생존 분석을 수행하는 패턴이 공통적으로 관찰된다 [3][6][9][10]. 보고 방식은 주로 그룹 간 생존 곡선의 시각적 비교와 함께 Log-rank test의 p-value를 명시하여 통계적 유의성을 제시했다 [2][4][8].

설계 시 주의점 — 이 방법론을 적용할 때는 추적 관찰 기간(Follow-up period)의 정의(진단 시점부터 사망 또는 마지막 관찰일까지 [2])와 중위 추적 기간(Median follow-up)을 명확히 보고해야 한다 [4][7]. 또한, Radiomics features나 Biomarker를 기준으로 High-risk/Low-risk 군으로 분류할 때 Cut-off 값 설정의 타당성 및 재현성을 고려해야 하며, 특히 소규모 표본이나 불균형한 그룹 크기에서 검정력이 저하될 수 있음을 인지해야 한다 [2][8]. 다변량 분석(Cox proportional hazards model)과의 연계성을 고려하여, Log-rank test가 단변량 비교에 국한되지 않도록 연구 설계 시 교란 변수(Control variables)를 통제하는 전략이 필요하다 [4][10].

근거 논문

1. Unraveling the tumor-microenvironment through a radiogenomic-based multiomic approach to predict outcomes of immunotherapy in non-small cell lung cancer — Computer Methods and Programs in Biomedicine · 2025
2. Pulmonary Intravascular Lymphomatosis: Clinical, CT, and PET Findings, Correlation of CT and Pathologic Results, and Survival Outcome — Radiology · 2016
3. Predicting response to immunotherapy in advanced non-small-cell lung cancer using tumor mutational burden radiomic biomarker — Journal for Immunotherapy of Cancer · 2020
4. Surgically Resected Esophageal Squamous Cell Carcinoma Patient Survival and Clinicopathological Prognostic Factors — Scientific Reports · 2020
5. Genetic features of pulmonary adenocarcinoma presenting with ground-glass nodules the differences between nodules with and without growth — Annals of Oncology · 2015
6. Are radiomics features universally applicable to different organs? — Cancer Imaging · 2021
7. Deep Learning to Estimate Biological Age From Chest Radiographs — JACC Cardiovascular Imaging · 2021
8. Imaging Phenotyping Using Radiomics to Predict Micropapillary Pattern within Lung Adenocarcinoma — Journal of Thoracic Oncology · 2017
9. Radiogenomic-based multiomic analysis reveals imaging intratumor heterogeneity phenotypes and therapeutic targets — Science Advances · 2023
10. Imaging-Based Biomarkers Predict Programmed Death-Ligand 1 and Survival Outcomes in Advanced NSCLC Treated With Nivolumab and Pembrolizumab: A Multi-Institutional Study — JTO Clinical and Research Reports · 2023
11. Combining radiomic phenotypes of non-small cell lung cancer with liquid biopsy data may improve prediction of response to EGFR inhibitors — Scientific Reports · 2021
12. Recurrence Risk Following Percutaneous Transthoracic Needle Biopsy in Patients Undergoing Sublobar Resection for Stage I Lung Cancer — Radiology · 2025

개념 — 이 방법은 특정 event가 발생할 확률을 추정할 때, 다른 경쟁 사건(competing events)이 발생하여 관찰이 중단되는 경우를 고려하는 분석 기법이다. Kaplan-Meier method는 competing risk를 무시하고 overestimate할 수 있으므로, Cumulative Incidence Function (CIF)을 사용하여 실제 누적 발생률을 더 정확하게 추정한다 [8]. 또한 Cause-specific hazard model과 Subdistribution hazard model(Fine-Gray model)을 통해 경쟁 사건의 영향을 통제하거나 직접 모델링하여 인과 관계를 규명한다 [8].

언제 쓰나 — 연구 대상이 특정 질환(예: NSCLC, Heart Failure)으로 인해 다양한 원인의 사망이나 재발 위험에 노출되어 있을 때 사용한다 [1, 3, 6, 7, 8]. 특히 primary endpoint가 재발(recurrence), pneumonitis 발생, 또는 특정 원인 사망(cardiovascular mortality)인 경우, 다른 원인 사망(death from other causes)이 competing risk로 작용하므로 이 분석이 필수적이다 [1, 3, 6]. 또한 retrospective cohort study나 real-world data 기반 연구에서 long-term survival이나 treatment-related adverse events(TRAEs)를 평가할 때 적용된다 [5, 6, 7].

이 라이브러리에서의 사용 — 대부분의 논문은 NSCLC 환자의 재발(recurrence), 방사선 폐렴(radiation pneumonitis), 또는 전인 사망(all-cause mortality)을 primary/secondary endpoint로 설정하고 CIF를 통해 누적 발생률을 보고했다 [1, 3, 6]. 표본 규모는 수백 명(예: N=190 [2], N=497 [3])에서 수천 명(N=1439 [6, 7], N=40,967 [1])까지 다양하며, median follow-up 기간은 4.0년 [3]에서 16.9년 [1]에 이른다. 분석 도구로는 Kaplan-Meier method와 함께 Cause-specific hazard model 또는 Subdistribution hazard model을 사용하여 Hazard Ratio (HR)과 95% CI를 산출했다 [8]. 일부 연구는 meta-analysis 수행 시 competing risk를 고려한 연구만 포함하는 엄격한 inclusion criteria를 적용하기도 했다 [4].

설계 시 주의점 — Kaplan-Meier method를 사용할 경우 competing event가 있는 환자의 censoring 처리로 인해 발생률이 과대평가될 수 있으므로, CIF 기반의 Cumulative Incidence를 보고해야 한다 [8]. 또한 Cause-specific hazard model은 경쟁 사건의 위험을 제거하는 것이 아니라, 해당 사건이 발생하기 전까지의 조건부 위험을 추정하므로 해석에 주의가 필요하다 [8]. 연구 설계 시 competing event를 명확히 정의(예: non-cancer death vs. cancer death)하고, 분석 방법(CIF vs. Kaplan-Meier)과 모델 선택(Cause-specific vs. Subdistribution)을 논문에서 명시적으로 기술해야 한다 [4, 8]. 마지막으로, propensity score matching (PSM) 등 교란 변수 보정 후에도 competing risk 분석을 적용하여 결과의 robustness를 확인하는 것이 권장된다 [5].

근거 논문

1. Deep Learning to Estimate Biological Age From Chest Radiographs — JACC Cardiovascular Imaging · 2021
2. Dosimetric predictors of pneumonitis in locally advanced non-small cell lung cancer patients treated with chemoradiation followed by durvalumab — Lung Cancer · 2022
3. Recurrence After Complete Resection for Non-Small Cell Lung Cancer in the National Lung Screening Trial — The Annals of Thoracic Surgery · 2023
4. Recurrence-Free Survival in Patients With Surgically Resected Non-Small Cell Lung Cancer: A Systematic Literature Review and Meta-Analysis — Chest · 2024
5. Long-term survival comparison of first-line pembrolizumab versus pembrolizumab plus chemotherapy for patients with advanced non-small cell lung cancer: A multicenter propensity-matched cohort study — Lung Cancer · 2025
6. Durvalumab After Chemoradiotherapy for Locally Advanced NSCLC A Real-World Analysis Using a Nationwide Claims Database in Japan — Clinical Lung Cancer · 2026
7. Durvalumab After Chemoradiotherapy for Locally Advanced NSCLC A Real-World Analysis Using a Nationwide Claims Database in Japan — Clinical Lung Cancer · 2026
8. Introduction to the Analysis of Survival Data in the Presence of Competing Risks — Circulation · 2016

개념 — Landmark analysis는 치료 시작 후 특정 시점(landmark time)까지 생존한 환자군만을 추출하여, 그 시점에서의 상태(classifying event, 예: 반응 여부, 독성 발생 등)을 기준으로 군을 분류하고 이후의 임상 결과(outcome)를 비교하는 방법이다 [8]. 이 접근법은 follow-up 중 발생하는 사건이 치료 효과에 미치는 영향을 평가할 때, 특히 guarantee-time bias(GTB)와 같은 선택 편향을 통제하기 위해 사용된다 [8].

언제 쓰나 — 이 라이브러리의 논문들은 주로 retrospective observational study 또는 multicenter cohort study에서 treatment initiation 이후의 특정 사건(예: irAE 발생, early discontinuation, pathological response)이 장기 생존(OS, PFS)에 미치는 영향을 평가할 때 landmark analysis를 적용했다 [2][4][6]. 특히, 치료 시작 시점이 환자마다 다르거나, follow-up 중 발생하는 intermediate event가 최종 endpoint와 인과 관계가 있을 것으로 의심되는 상황에서 이 방법이 선택되었다 [8].

이 라이브러리에서의 사용 — 실제 적용에서는 landmark time을 고정된 시점(예: 치료 시작 후 3개월, 6개월 등)으로 설정하고, 해당 시점까지 생존한 환자만 분석 집단에 포함시켰다 [8]. Endpoint는 주로 Overall survival(OS) 또는 Progression-free survival(PFS)이었으며, classifying event로는 immune-related adverse events(irAE), treatment discontinuation, 또는 pathological response 등이 사용되었다 [2][4][6]. 보고 방식에서는 landmark time의 선택 근거와 해당 시점까지 생존한 환자 수를 명시하며, GTB 보정 효과를 강조하는 경우가 많았다 [8].

설계 시 주의점 — Landmark analysis는 landmark time 이전에 사건이 발생한 환자를 제외하므로, 표본 크기가 감소하고 정보 손실이 발생할 수 있다 [8]. 또한, landmark time의 선택이 임의적이면 결과 해석에 편향이 생길 수 있으므로, 사전에 정의된 임상적 근거(예: 치료 반응 평가 시점)를 바탕으로 시간을 설정해야 한다 [8]. 분석 시에는 baseline characteristics의 균형성을 확인하고, 필요한 경우 propensity score matching(PSM) 등 추가 보정 방법을 병행하여 confounding을 통제해야 한다 [5].

근거 논문

1. Clinical outcomes and neuroendocrine features of transformed versus primary small-cell lung cancer — Lung Cancer · 2025
2. Association of immune-related adverse events with durvalumab efficacy after chemoradiotherapy in patients with unresectable Stage III non-small cell lung cancer — British Journal of Cancer · 2024
3. Efficacy of neoadjuvant immunochemotherapy and survival surrogate analysis of neoadjuvant treatment in IB–IIIB lung squamous cell carcinoma — Scientific Reports · 2024
4. Exploring causes and consequences of early discontinuation of durvalumab after chemoradiotherapy for non-small cell lung cancer — Clinical and Translational Radiation Oncology · 2023
5. Long-term survival comparison of first-line pembrolizumab versus pembrolizumab plus chemotherapy for patients with advanced non-small cell lung cancer: A multicenter propensity-matched cohort study — Lung Cancer · 2025
6. Derived neutrophil-to-lymphocyte ratio has the potential to predict safety and outcomes of durvalumab after chemoradiation in non-small cell lung cancer — Scientific Reports · 2024
7. The efficacy profiles of concurrent chemoradiotherapy with intensity-modulated radiotherapy followed by durvalumab in patients with unresectable stage III non – small cell lung cancer: A multicenter retrospective cohort study — Clinical and Translational Radiation Oncology · 2022
8. Challenges of Guarantee-Time Bias — J Clin Oncol · 2013

개념 — 이 방법론은 진단 테스트나 예측 모델이 특정 임계값(cut-off)에서 양성 및 음성을 구분하는 능력을 시각화하고 정량화하는 도구이다. 주로 Receiver Operating Characteristic (ROC) 곡선을 작성하여 Area Under the Curve (AUC)를 계산함으로써, 모델의 전체적인 분류 성능(classification performance)과 판별력(discriminatory power)을 평가한다 [3][5][9].

언제 쓰나 — 이 라이브러리의 논문들은 주로 binary classification 문제(예: 악성/양성 구분 [4], pCR 달성 여부 [12], High-TMB/Low-TMB 구분 [5])에서 모델의 예측 정확도를 검증할 때 선택했다. 또한, 서로 다른 진단 방법(EUS vs PET [6])이나 임상적 병기(staging)와 영상 biomarker(SUVmax [7]) 간의 예측 성능을 비교 평가하는 상황에서도 널리 사용되었다.

이 라이브러리에서의 사용 — 대부분의 연구는 ROC curve를 통해 AUC, sensitivity, specificity를 함께 보고하며 [5][8], 모델의 일반화(generalization) 능력을 확인하기 위해 training, validation, test set으로 데이터를 무작위 분할(random split)하거나 external validation cohort를 활용했다 [2][9][12]. 성능 평가의 신뢰성을 높이기 위해 fivefold stratified cross-validation with repeats [3]이나 bootstrap resampling [9]을 적용하여 AUC의 통계적 변동성을 추정하는 방식이 공통적으로 나타났다.

설계 시 주의점 — 고차원 데이터(high-dimensional data)나 deep learning 모델 개발 시 overfitting을 방지하기 위해 충분한 표본 규모와 독립적인 검증 집단(independent validation cohort) 구성이 필수적이다 [2][3][9]. 또한, scanner 간 변이(inter-scanner variability)나 segmentation 방법의 bias가 결과에 영향을 줄 수 있으므로, imaging protocol의 표준화와 phantom study 수행 등을 통해 전제 조건을 통제해야 한다 [1]. 마지막으로, 여러 모델 간 AUC 차이의 통계적 유의성을 검증하기 위해 DeLong’s test와 같은 적절한 통계 검정을 적용하고 보고해야 한다 [12].

근거 논문

1. Radiomics: the bridge between medical imaging and personalized medicine — Nature Reviews Clinical Oncology · 2017
2. Predicting EGFR mutation status in lung adenocarcinoma presenting as ground-glass opacity utilizing radiomics model in clinical translation — European Radiology · 2022
3. The effect of feature normalization methods in radiomics — Insights Imaging · 2024
4. Multicentre performance and consistency of two deep learning models for malignancy probability estimation of incidental pulmonary nodules — European Radiology · 2026
5. Predicting response to immunotherapy in advanced non-small-cell lung cancer using tumor mutational burden radiomic biomarker — Journal for Immunotherapy of Cancer · 2020
6. Surgically resected T1‐ and T2‐stage esophageal squamous cell carcinoma T and N staging performance of EUS and PET — Cancer Medicine · 2018
7. Surgically Resected Esophageal Squamous Cell Carcinoma Patient Survival and Clinicopathological Prognostic Factors — Scientific Reports · 2020
8. Immune checkpoint inhibitor-related pneumonitis From guidelines to the front lines — Respiratory Investigation · 2025
9. Multimodal deep learning for integrating chest radiographs and clinical parameters: a case for transformers — Radiology · 2023
10. Natural Progression of Ground-glass Nodules after Curative Resection for Non-small Cell Lung Cancer — J Korean Med Sci · 2021
11. Development and validation of a deep learning algorithm detecting 10 common abnormalities on chest radiographs — European Respiratory Journal · 2021
12. Non-invasive prediction for pathologic complete response to neoadjuvant chemoimmunotherapy in lung cancer using CT-based deep learning: a multicenter study — Frontiers in Immunology · 2024

개념 — Sensitivity와 Specificity는 진단 검사나 예측 모델이 참 양성(True Positive)과 참 음성(True Negative)을 얼마나 정확하게 식별하는지를 정량화하는 지표이다. 이는 ROC 곡선 분석의 핵심 구성 요소로, Area Under the Curve (AUC)와 함께 분류 성능(Classification performance)을 평가하는 데 사용된다 [4, 8, 11]. 특히 Medical Imaging 및 Radiomics 연구에서 이 지표들은 모델이 질병 존재 여부나 유전자 변이 상태(Mutation status)를 구분하는 임상적 유용성을 판단하는 기준이 된다 [1, 6, 9].

언제 쓰나 — 이 라이브러리의 논문들은 주로 영상 기반 진단(Diagnosis) 또는 예측(Prediction) 모델의 성능을 검증할 때 Sensitivity/Specificity를 주요 평가 지표로 채택했다. 예를 들어, 폐 결절의 악성 여부(Malignancy probability) [5], EGFR 유전자 변이 상태 [1], 혹은 면역치료 반응(Response to immunotherapy) [8]과 같은 이진 분류(Binary classification) 문제에서 활용되었다. 또한, 기존 진단 방법(예: Fluoroscopy-guided biopsy)과 새로운 기술(Combined fluoroscopy-and CT-guided biopsy)의 진단 정확도를 비교할 때 Primary endpoint로 설정되기도 했다 [2].

이 라이브러리에서의 사용 — 실제 적용 방식은 연구 설계에 따라 다양하지만, 공통적으로 ROC 분석을 통해 Sensitivity와 Specificity를 계산하고 보고한다. 단일 기관 또는 다기관 코호트 연구에서는 Training set과 Validation/Test set으로 데이터를 분할한 후, Test set에서 최종 성능 지표를 산출하는 방식이 일반적이다 [1, 8, 11]. 일부 연구는 Cross-validation (예: fivefold stratified cross-validation)을 반복하여 안정화된 AUC 및 Sensitivity/Specificity 값을 도출하기도 한다 [4]. 보고 방식에서는 단순히 점수만 제시하는 것을 넘어, 특정 Cut-off value에서의 민감도와 특이도, 그리고 이를 뒷받침하는 Confidence interval이나 Bootstrap resampling 결과를 함께 제시하는 경향이 있다 [11].

설계 시 주의점 — 연구 설계 시 Reference standard (예: 병리학적 확인 Pathological confirmation)의 명확한 정의가 선행되어야 하며, 이는 Sensitivity/Specificity 계산의 타당성을 결정한다 [1, 9]. 또한, 데이터 분할 과정(Training/Validation/Test split)에서 동일 환자의 중복을 방지하고, External validation cohort를 활용하여 모델의 일반화 성능(Generalizability)을 검증하는 것이 필수적이다 [1, 5, 8]. Bias 통제 측면에서는 Operator bias나 Temporal confounding과 같은 교란 요인을 최소화하기 위해 엄격한 Inclusion/Exclusion criteria를 설정해야 한다 [2, 9]. 마지막으로, Radiomics 연구의 경우 Feature normalization 방법이나 모델 아키텍처가 Sensitivity/Specificity 결과에 미치는 영향을 고려하여 보고해야 하며, RQS (Radiomics Quality Score) 가이드라인을 준수하는 것이 중요하다 [4, 12].

근거 논문

1. Predicting EGFR mutation status in lung adenocarcinoma presenting as ground-glass opacity utilizing radiomics model in clinical translation — European Radiology · 2022
2. Combined fluoroscopy-and CT-guided transthoracic needle biopsy using a C-arm cone-beam CT system: comparison with fluoroscopy-guided biopsy — Korean Journal of Radiology · 2011
3. Complications of Lung Transplantation: Update on Imaging Manifestations and Management — Radiology: Cardiothoracic Imaging · 2021
4. The effect of feature normalization methods in radiomics — Insights Imaging · 2024
5. Multicentre performance and consistency of two deep learning models for malignancy probability estimation of incidental pulmonary nodules — European Radiology · 2026
6. 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 — European Radiology · 2024
7. Imaging the hallmarks of cancer — Nature Reviews Cancer · 2026
8. Predicting response to immunotherapy in advanced non-small-cell lung cancer using tumor mutational burden radiomic biomarker — Journal for Immunotherapy of Cancer · 2020
9. Surgically resected T1‐ and T2‐stage esophageal squamous cell carcinoma T and N staging performance of EUS and PET — Cancer Medicine · 2018
10. Immune checkpoint inhibitor-related pneumonitis From guidelines to the front lines — Respiratory Investigation · 2025
11. Multimodal deep learning for integrating chest radiographs and clinical parameters: a case for transformers — Radiology · 2023
12. Radiomics Quality Score 2.0: towards radiomics readiness levels and clinical translation for personalized medicine — Nature Reviews Clinical Oncology · 2025

개념 — C-index (Concordance index)는 예측 모델이 두 임의의 환자 간 사건 발생 순서(예: 사망 또는 진행)를 얼마나 정확하게 구분하는지를 측정하는 지표로, 0.5(무작위 추측)에서 1.0(완벽한 예측) 사이의 값을 가진다 [2, 9]. 이 지수는 특히 Survival analysis에서 모델의 판별 능력(discriminative ability)을 평가하는 데 핵심적으로 사용되며, Kaplan-Meier 곡선이나 Hazard ratio만으로는 파악하기 어려운 모델의 전반적인 정합성을 수치화한다 [2, 9].

언제 쓰나 — 이 라이브러리의 논문들은 주로 Radiomics, Deep learning, 또는 Biomarker 기반의 예측 모델을 개발하고 검증할 때 C-index를 활용했다 [2, 3, 4, 5, 9, 12]. 특히 Overall survival (OS), Progression-free survival (PFS), All-cause mortality와 같은 시간 의존적(Time-to-event) endpoint를 가진 연구에서 모델 성능을 비교하거나 보고하는 표준 지표로 선택되었다 [2, 3, 4, 9, 10]. 또한, 단일 기관 코호트나 다기관 pooled data에서 개발된 모델의 일반화 가능성(Generalizability)을 외부 검증 집단(External validation cohort)에서 확인하는 단계에서도 필수적으로 적용되었다 [2, 4, 9].

이 라이브러리에서의 사용 — 연구자들은 주로 Training/Validation 또는 Derivation/External validation 코호트로 데이터를 분할한 후, 각 단계에서 C-index를 계산하여 모델 성능을 보고했다 [2, 3, 4, 9, 12]. 예를 들어, Deep learning 기반 생물학적 나이 추정 모델은 PLCO 및 NLST 데이터셋에서 All-cause mortality 예측에 대해 C-index를 사용하여 Chronological age와의 우월성을 입증했다 [2]. Radiomics 모델 연구에서는 OS와 PFS 예측 성능을 C-index로 정량화하며, 일부 연구는 Clinical variables만 포함한 모델과 Radiomics features를 추가한 모델 간의 C-index 차이를 통해 추가적인 prognostic value를 증명하기도 했다 [4, 12]. 표본 규모는 수십 명从小规模 코호트(예: n=40)에서 수천 명의 대규모 데이터셋(N>1,000)에 이르기까지 다양하지만, C-index 보고 방식은 일관되게 모델의 판별력을 나타내는 핵심 지표로 사용되었다 [2, 5, 9].

설계 시 주의점 — C-index는 모델의 판별력만 보여주며, Calibration(예측 확률과 실제 발생률의 일치도)이나 Clinical utility를 직접 반영하지 않으므로, 단독으로 모델 성능을 평가하는 것은 제한적일 수 있다 [2, 9]. 또한, Overfitting이 발생한 경우 Training set에서 높은 C-index를 보이지만 External validation set에서 성능이 급격히 떨어질 수 있으므로, 독립적인 검증 코호트에서의 C-index 보고가 필수적이다 [2, 4, 9]. 연구 설계 시에는 결측치 처리(Missing value imputation)와 Feature selection 과정(예: Elastic Net, XGBoost)이 C-index에 미치는 영향을 투명하게 보고해야 하며, 특히 Small sample size의 경우 C-index의 신뢰구간을 함께 제시하는 것이 바람직하다 [5, 12]. 마지막으로, C-index 비교 시 통계적 유의성 검정(예: DeLong test 등, 비록 명시되지 않았으나 일반적인 관행)을 수행하여 모델 간 차이의 임상적 의미를 해석해야 한다.

근거 논문

1. Investigation of radiomics based intra-patient inter-tumor heterogeneity and the impact of tumor subsampling strategies — Scientific Reports · 2022
2. Deep Learning to Estimate Biological Age From Chest Radiographs — JACC Cardiovascular Imaging · 2021
3. Development of an Immune-Pathology Informed Radiomics Model for Non-Small Cell Lung Cancer — Scientific Reports · 2018
4. Imaging-Based Biomarkers Predict Programmed Death-Ligand 1 and Survival Outcomes in Advanced NSCLC Treated With Nivolumab and Pembrolizumab: A Multi-Institutional Study — JTO Clinical and Research Reports · 2023
5. Combining radiomic phenotypes of non-small cell lung cancer with liquid biopsy data may improve prediction of response to EGFR inhibitors — Scientific Reports · 2021
6. Hyperprogressive disease in non-small cell lung cancer treated with immune checkpoint inhibitor therapy, fact or myth? — Frontiers in Oncology · 2022
7. Comparison of the morphologic criteria (RECIST) and metabolic criteria (EORTC and PERCIST) in tumor response assessments: a pooled analysis — The Korean Journal of Internal Medicine · 2019
8. Comparability of PD‐L1 immunohistochemistry assays for non‐small‐cell lung cancer a systematic review — Histopathology · 2020
9. Interpretable multimodal deep learning for time-resolved survival prediction after hepatocellular carcinoma resection — npj Digital Medicine · 2026
10. Efficacy of neoadjuvant immunochemotherapy and survival surrogate analysis of neoadjuvant treatment in IB–IIIB lung squamous cell carcinoma — Scientific Reports · 2024
11. A Prospective, Molecular Epidemiology Study of EGFR Mutations in Asian Patients with Advanced Non–Small-Cell Lung Cancer of Adenocarcinoma Histology (PIONEER) — Journal of Thoracic Oncology · 2014
12. Combined circulating tumor antigen model demonstrates additional prognostic value in first-line treatment of non-small cell lung cancer — Journal for ImmunoTherapy of Cancer · 2026

개념 — Calibration은 예측 모델이 산출한 확률값(predicted probability)과 실제 관측된 사건 발생률(observed event rate) 간의 일치도를 평가하는 지표이다 [10]. 이는 단순히 분류의 정확도(Discrimination, 예: AUC)뿐만 아니라, 개별 환자의 위험도가 과대 또는 과소 추정되지 않았는지 확인하는 'Calibration-in-the-large', 'Weak calibration'(intercept와 slope), 그리고 'Moderate/Strong calibration' 등 다층적인 개념으로 구성된다 [10]. 특히 의료 영상 및 임상 데이터 기반 예측 모델에서 Calibration은 임상적 의사결정의 신뢰성을 보장하기 위한 필수 요소로 간주된다 [10].

언제 쓰나 — 이 라이브러리의 논문들은 고차원 Radiomics 특징 추출 후 Overfitting 방지를 위해 Dimensionality reduction(LASSO regression 등)을 적용한 상황에서 모델의 일반화 성능을 검증할 때 Calibration을 사용한다 [2, 6]. 또한, Deep learning 기반의 Survival prediction이나 Multimodal fusion 모델에서 예측된 위험 궤적(risk trajectory)이 실제 임상 결과와 얼마나 부합하는지 평가하기 위해 필수적으로 적용된다 [8, 9]. 특히 External validation cohort나 Phantom study를 통해 Scanner 간 변이(Inter-scanner variability)나 데이터셋 간 이질성을 보정할 때 Calibration curve의 정확도가 핵심 평가 기준으로 선정된다 [3, 10].

이 라이브러리에서의 사용 — 실제 적용 방식에서는 Brier score와 Expected calibration error(ECE)를 정량적 지표로 활용하며, 시각적으로는 Calibration curve를 통해 예측값과 관측값의 편차를 확인한다 [2, 10]. 표본 규모는 단일 기관 코호트(n=339~511)부터 다기관 대규모 데이터셋(MIMIC-IV, n=31,088)까지 다양하지만, 공통적으로 Training set과 Validation/Test set으로 데이터를 분할하여 모델의 Robustness를 검증한다 [4, 6, 11]. Endpoint는 이진 분류(pCR 달성 여부, 재입원 여부)부터 시간-사건 분석(Survival prediction, PFS/OS)까지 포괄하며, Calibration은 이러한 다양한 예측 목표에 대해 모델의 임상적 유용성(Clinical utility)을 입증하는 데 사용된다 [4, 7, 8].

설계 시 주의점 — Radiomics 파이프라인에서는 Feature normalization methods(z-Score, Min-Max 등)의 선택이 모델의 Calibration 성능과 Feature selection 결과에 직접적인 영향을 미치므로, 표준화된 전처리 프로토콜을 명확히 보고해야 한다 [2]. 또한, Segmentation 방법(Manual vs Semi-automatic)이나 Scanner 간 변이에 의한 Bias를 줄이기 위해 Phantom study 수행 또는 Multiple segmentation 접근법을 고려해야 하며, 이는 Calibration의 정확도에 기여한다 [1, 3]. 마지막으로, 모델 업데이트 전후의 Calibration curve 변화를 시각적으로 비교하고, Intercept와 Slope의 통계적 유의성을 함께 보고함으로써 예측 모델의 실제 임상 적용 가능성을 입증해야 한다 [10].

근거 논문

1. Radiomics: the bridge between medical imaging and personalized medicine — Nature Reviews Clinical Oncology · 2017
2. The effect of feature normalization methods in radiomics — Insights Imaging · 2024
3. Mass estimates by computed tomography: physical density from CT numbers — American Journal of Roentgenology · 1984
4. Non-invasive prediction for pathologic complete response to neoadjuvant chemoimmunotherapy in lung cancer using CT-based deep learning: a multicenter study — Frontiers in Immunology · 2024
5. Imaging Phenotyping Using Radiomics to Predict Micropapillary Pattern within Lung Adenocarcinoma — Journal of Thoracic Oncology · 2017
6. Delta-radiomics features combined with haematological index predict pathological complete response after neoadjuvant immunochemotherapy in resectable non-small cell lung cancer — Clinical Radiology · 2025
7. Association between diabetes mellitus and reduced efficacy of pembrolizumab in non-small cell lung cancer — Cancer · 2023
8. Interpretable multimodal deep learning for time-resolved survival prediction after hepatocellular carcinoma resection — npj Digital Medicine · 2026
9. Risk factors and prognostic indicators for progressive fibrosing interstitial lung disease: a deep learning-based CT quantification approach — European Radiology · 2025
10. Calibration: the Achilles heel of predictive analytics — BMC Medicine · 2019
11. MoE-Health: A Mixture of Experts Framework for Robust Multimodal Healthcare Prediction — arXiv preprint arXiv:2508.21793 · 2025
12. Making the Most Out of the Limited Context Length: Predictive Power Varies with Clinical Note Type and Note Section — arXiv preprint arXiv:2307.07051 · 2023

개념 — 이 라이브러리의 논문들은 Multivariable regression을 사용하여 여러 독립 변수(임상, 영상, 유전체 등)가 종양학적인 결과(Overall Survival, Progression-free Survival, Pathologic complete response 등)에 미치는 영향을 동시에 추정하고 교란 요인을 통제한다. 이는 단일 변수 분석의 한계를 넘어, 특정 biomarker나 치료 방식이 예후에 미치는 독립적인 예측력을 규명하기 위한 핵심 통계적 도구로 활용된다.

언제 쓰나 — 연구자들은 주로 retrospective cohort study 설계에서, 다양한 임상 및 영상학적 변수가 혼재된 데이터셋을 분석할 때 이 방법을 선택한다 [1, 3, 4, 6, 7, 8, 9, 11, 12]. 특히 NSCLC, esophageal squamous cell carcinoma, pulmonary intravascular lymphomatosis 등 복잡한 종양학 질환에서, radiomics features, SUVmax, tumor size, PD-L1 TPS 등의 연속형 또는 범주형 변수들이 생존율이나 진단 정확도에 어떻게 기여하는지를 평가할 때 필수적으로 적용된다 [2, 5, 6, 10].

이 라이브러리에서의 사용 — 실제 적용에서는 Kaplan-Meier method와 log-rank test로 초기 그룹 간 차이를 확인한 후, 유의미한 변수들을 Cox proportional hazards regression 또는 Logistic regression 모델에 포함시켜 다변량 분석을 수행한다 [3, 6, 7]. 보고 방식은 주로 Hazard Ratio (HR)와 Odds Ratio (OR)를 제시하며, 95% Confidence Interval과 p-value를 함께 명시하여 통계적 유의성을 입증한다 [1, 4, 9]. 일부 연구에서는 time-dependent AUC나 Decision curve analysis를 결합하여 모델의 임상적 유용성과 예측 성능을 종합적으로 평가하기도 한다 [6, 12].

설계 시 주의점 — 이 논문들에서 드러나는 주요 전제 조건은 변수 간 다중공선성(multicollinearity)을 확인하고, Shapiro-Wilk test 등으로 정규성을 검증하는 단계가 선행되어야 한다는 것이다 [7, 12]. 흔한 함정으로는 temporal confounding(시술 기간의 차이로 인한 편향)이나 operator bias가 존재할 수 있으므로, 이를 통제하기 위해 단일 기관 데이터나 엄격한 포함/배제 기준을 설정해야 한다 [4, 8]. 또한, 결측치 처리(예: PD-L1 누락 제외)와 표본 크기(n=744, n=1337 등)가 분석의 신뢰도에 직접적인 영향을 미치므로, 충분한 power를 확보하고 internal/external validation cohort를 구성하여 결과의 일반화 가능성을 높이는 것이 중요하다 [1, 5, 9].

근거 논문

1. Unraveling the tumor-microenvironment through a radiogenomic-based multiomic approach to predict outcomes of immunotherapy in non-small cell lung cancer — Computer Methods and Programs in Biomedicine · 2025
2. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach — NATURE COMMUNICATIONS · 2014
3. Pulmonary Intravascular Lymphomatosis: Clinical, CT, and PET Findings, Correlation of CT and Pathologic Results, and Survival Outcome — Radiology · 2016
4. Combined fluoroscopy-and CT-guided transthoracic needle biopsy using a C-arm cone-beam CT system: comparison with fluoroscopy-guided biopsy — Korean Journal of Radiology · 2011
5. Predicting response to immunotherapy in advanced non-small-cell lung cancer using tumor mutational burden radiomic biomarker — Journal for Immunotherapy of Cancer · 2020
6. Surgically Resected Esophageal Squamous Cell Carcinoma Patient Survival and Clinicopathological Prognostic Factors — Scientific Reports · 2020
7. Natural Progression of Ground-glass Nodules after Curative Resection for Non-small Cell Lung Cancer — J Korean Med Sci · 2021
8. Discrepancy of epidermal growth factor receptor mutation in lung adenocarcinoma presenting as multiple ground-glass opacities — European Journal of Cardio-Thoracic Surgery · 2016
9. Non-invasive prediction for pathologic complete response to neoadjuvant chemoimmunotherapy in lung cancer using CT-based deep learning: a multicenter study — Frontiers in Immunology · 2024
10. Deep Learning to Estimate Biological Age From Chest Radiographs — JACC Cardiovascular Imaging · 2021
11. Which definition of a central tumour is more predictive of occult mediastinal metastasis in nonsmall cell lung cancer patients with radiological N0 disease — Eur Respir J · 2019
12. Imaging Phenotyping Using Radiomics to Predict Micropapillary Pattern within Lung Adenocarcinoma — Journal of Thoracic Oncology · 2017

개념 — 이 라이브러리 내 논문들은 Logistic regression을 주로 이진 분류(binary classification) 문제, 즉 특정 임상적 또는 병리학적 상태(예: EGFR mutation status [1], malignancy [2], pCR 달성 여부 [8, 11])의 존재 여부를 예측하거나 검정하는 도구로 사용한다. 또한, 고차원 데이터(radiomics features)에서 변수 선택(feature selection)을 수행하기 위해 LASSO regression과 같은 정규화 기법을 결합하여 최종 예측 모델에 포함될 핵심 변수들을 선별하는 과정에서도 활용된다 [11].

언제 쓰나 — 연구자들은 주로 retrospective cohort study 또는 case-control design에서, 명확한 이진 endpoint(예: MP ≥ 5% vs < 5% [10], PD-L1 TPS ≥ 50% vs < 50% [12])를 설정할 때 이 방법을 선택한다. 특히 radiomics 기반 연구에서는 수백 개의 고차원 특징 변수들 중에서 예측력 있는 변수들을 초기 단계에서 선별하거나, 최종적인 임상-영상 융합 모델(clinical-radiomics model)을 구축하여 진단 정확도(AUC)를 평가하는 맥락에서 광범위하게 적용되었다 [1, 3, 8, 10, 11].

이 라이브러리에서의 사용 — 대부분의 연구는 표본을 training set과 validation set(또는 external cohort)으로 나누어 모델의 일반화 성능을 검증하는 방식을 취했다 [1, 4, 8, 11, 12]. 변수 선택 단계에서는 univariate analysis를 통해 유의한 변수를 추려낸 후 multivariable logistic regression을 적용하거나, LASSO regression을 사용하여 overfitting을 방지하고 핵심 features만 남기는 전략이 공통적으로 관찰된다 [10, 11]. 결과 보고는 주로 ROC curve와 AUC 값을 중심으로 하며, sensitivity, specificity, calibration(Brier score 등) 및 Decision curve analysis를 통해 임상적 유용성을 종합적으로 평가하는 것이 표준적인 흐름이다 [3, 8, 10, 12].

설계 시 주의점 — 고차원 radiomics data를 다룰 때는 변수 간 다중공선성(multicollinearity)과 overfitting 위험이 높으므로, LASSO regression이나 cross-validation(예: fivefold stratified cross-validation [3])을 통한 엄격한 검증 절차가 필수적이다. 또한, cohort 구성 시 temporal confounding[2]이나 operator bias[2, 10]를 통제하기 위해 inclusion/exclusion criteria를 명확히 정의하고, segmentation의 재현성(ICC ≥ 0.8 [11])을 사전에 확인해야 한다. 최종 모델의 성능 보고 시에는 단순히 AUC뿐만 아니라 calibration plot과 clinical utility 분석을 포함하여 결과의 신뢰성을 입증해야 한다 [3, 10].

근거 논문

1. Predicting EGFR mutation status in lung adenocarcinoma presenting as ground-glass opacity utilizing radiomics model in clinical translation — European Radiology · 2022
2. Combined fluoroscopy-and CT-guided transthoracic needle biopsy using a C-arm cone-beam CT system: comparison with fluoroscopy-guided biopsy — Korean Journal of Radiology · 2011
3. The effect of feature normalization methods in radiomics — Insights Imaging · 2024
4. Multicentre performance and consistency of two deep learning models for malignancy probability estimation of incidental pulmonary nodules — European Radiology · 2026
5. 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 — European Radiology · 2024
6. Natural Progression of Ground-glass Nodules after Curative Resection for Non-small Cell Lung Cancer — J Korean Med Sci · 2021
7. Discrepancy of epidermal growth factor receptor mutation in lung adenocarcinoma presenting as multiple ground-glass opacities — European Journal of Cardio-Thoracic Surgery · 2016
8. Non-invasive prediction for pathologic complete response to neoadjuvant chemoimmunotherapy in lung cancer using CT-based deep learning: a multicenter study — Frontiers in Immunology · 2024
9. Which definition of a central tumour is more predictive of occult mediastinal metastasis in nonsmall cell lung cancer patients with radiological N0 disease — Eur Respir J · 2019
10. Imaging Phenotyping Using Radiomics to Predict Micropapillary Pattern within Lung Adenocarcinoma — Journal of Thoracic Oncology · 2017
11. Delta-radiomics features combined with haematological index predict pathological complete response after neoadjuvant immunochemotherapy in resectable non-small cell lung cancer — Clinical Radiology · 2025
12. Imaging-Based Biomarkers Predict Programmed Death-Ligand 1 and Survival Outcomes in Advanced NSCLC Treated With Nivolumab and Pembrolizumab: A Multi-Institutional Study — JTO Clinical and Research Reports · 2023

개념 — Propensity score matching (PSM) 또는 weighting은 관찰 연구(observational study)에서 치료군 간 기저 특성(baseline characteristics)의 불균형을 보정하여 선택 편향(selection bias)을 최소화하는 방법이다. 이를 통해 무작위 대조 시험(RCT)에 가까운 인과 추론(causal inference)이 가능하도록 한다. 본 라이브러리의 논문들은 주로 두 가지 치료법(예: 수술 vs 비수술, monotherapy vs combination therapy)의 임상적 결과(clinical outcomes)를 비교할 때 이 방법을 적용하여 confounding by indication을 통제하였다.

언제 쓰나 — RCT 수행이 윤리적·실무적으로 어려운 후향적 코호트 연구(retrospective cohort study) 또는 다기관 실세계 데이터(real-world data) 분석에서 주로 선택되었다 [2, 5, 10, 11]. 특히 치료군 간 연령(age), 폐기능(FEV1, DLCO), ECOG-PS 등 중요한 prognostic factors에 유의한 차이가 있을 때 적용하여 비교의 타당성을 확보했다 [5, 10]. 또한, meta-analysis에서 직접 비교가 가능한 연구만 선별하거나 [2], 대규모 registry data에서 특정 치료 패턴(treatment patterns)의 효과를 평가할 때 활용되었다 [11].

이 라이브러리에서의 사용 — 대부분의 연구는 1:1 nearest-neighbor matching을 기본으로 하되, caliper size 설정에 차이가 있었다. 예를 들어, [10]은 caliper size 0.2를 사용했고, [11]은 더 엄격한 0.05를 적용하여 without replacement로 매칭했다. Primary endpoint는 주로 overall survival (OS), progression-free survival (PFS), disease-free survival (DFS) 또는 pathologic complete response (pCR)과 같은 임상적 결과였다 [7, 10, 11]. 표본 규모는 단일 기관 연구에서는 수백 명 수준(예: [5] n=219)에서부터 다기관 연구에서는 천 명 이상(예: [11] n=1092 initial, matched n=690)까지 다양했다. 보고 방식은 매칭 후 잔여 불균형(residual imbalance)을 확인하고, Kaplan-Meier curve와 log-rank test를 통해 생존 차이를 시각화 및 검정하는 것이 공통적이었다 [8, 10].

설계 시 주의점 — PSM 적용 전에는 반드시 confounders로 포함할 변수(age, sex, stage, performance status 등)를 사전에 정의하고, 매칭 후 표준화된 평균 차이(standardized mean difference) 등을 통해 균형이 달성되었는지 검증해야 한다 [10, 11]. Caliper size의 선택은 중요하며, 너무 느슨하면 편향이 남고 너무 엄격하면 표본 손실(sample loss)이 발생할 수 있으므로 연구 설계 시 신중히 결정해야 한다 [10 vs 11]. 또한, 매칭된 cohort에서의 분석 결과만 보고하는 것이 아니라, 매칭 전후의 특성 비교표를 반드시 제시하여 투명성을 확보해야 한다. 마지막으로, PSM은 측정되지 않은 confounder(unmeasured confounding)를 통제할 수 없으므로, 해석 시 이 한계를 명시해야 한다 [2, 5].

근거 논문

1. Development of an Immune-Pathology Informed Radiomics Model for Non-Small Cell Lung Cancer — Scientific Reports · 2018
2. Sublobar resection, stereotactic body radiotherapy, and thermal ablation for early-stage non-small cell lung cancer a systematic review and meta-analysis — Lung Cancer · 2026
3. Recurrence Risk Following Percutaneous Transthoracic Needle Biopsy in Patients Undergoing Sublobar Resection for Stage I Lung Cancer — Radiology · 2025
4. Clinical outcomes and neuroendocrine features of transformed versus primary small-cell lung cancer — Lung Cancer · 2025
5. Clinical Outcomes of Pencil Beam Scanning Proton Therapy in Locally Advanced Non-Small Cell Lung Cancer Propensity Score Analysis — Cancers · 2021
6. Surgical Attrition After Neoadjuvant Chemoimmunotherapy for Stage II–III Non–Small Cell Lung Cancer: A Real-World Experience and Predictors — Lung Cancer · 2026
7. Efficacy of neoadjuvant immunochemotherapy and survival surrogate analysis of neoadjuvant treatment in IB–IIIB lung squamous cell carcinoma — Scientific Reports · 2024
8. Dissection of Progressive Disease Patterns for a Modified Classification for Immunotherapy — JAMA Oncology · 2025
9. Deep learning for predicting major pathological response to neoadjuvant chemoimmunotherapy in non-small cell lung cancer: A multicentre study — EBioMedicine · 2022
10. Long-term survival comparison of first-line pembrolizumab versus pembrolizumab plus chemotherapy for patients with advanced non-small cell lung cancer: A multicenter propensity-matched cohort study — Lung Cancer · 2025
11. Treatment patterns and clinical outcomes of patients with resectable non–small cell lung cancer receiving neoadjuvant immunochemotherapy: A large-scale, multicenter, real-world study (NeoR-World) — The Journal of Thoracic and Cardiovascular Surgery · 2024
12. A radiological predictor for pneumomediastinum/pneumothorax in COVID-19 ARDS patients — Journal of Critical Care · 2021

개념 — Subgroup analysis는 전체 연구 집단 내에서 사전 정의된 하위 집단(예: 연령, 성별, 병기, 바이오마커 발현 수준)으로 데이터를 분할하여, 특정 하위 그룹에서 치료 효과나 임상적 결과(endpoint)가 어떻게 달라지는지 추정하거나 검정하는 방법이다. 이는 일차적인 가설 검증보다는 탐색적(exploratory) 분석이나 생물학적 이질성(biological heterogeneity)을 규명하기 위해 사용되며, 주로 Hazard ratio (HR), Odds ratio, 또는 반응률(response rate)의 차이를 평가한다.

언제 쓰나 — 이 라이브러리의 논문들은 치료 반응에 영향을 미칠 수 있는 임상적·병리학적 변수가 존재할 때 subgroup analysis를 적용했다. 예를 들어, [6] PACIFIC trial에서는 age (<65 vs ≥65 years), sex, smoking history와 같은 demographic 요인으로 stratification하여 분석했으며, [12] KEYNOTE-001 연구에서는 PD-L1 발현 수준(PD-L1 high)이 치료 반응(objective response rate)과 연관되는지 확인하기 위해 subgroup을 정의했다. 또한, [3] NSCLC 연구에서는 radiological N0 disease라는 특정 임상 상황(CT 및 PET-CT 기준)을 가진 환자군을 선별하여 occult mediastinal metastasis의 예측 인자를 분석했고, [5]와 [8]은 각각 TILs 공간적 패턴이나 TAMs 침윤 밀도 같은 미세환경 biomarker에 따라 하위 집단을 나누어 Prognosis(OS, PFS)와의 연관성을 규명했다.

이 라이브러리에서의 사용 — 실제 적용 방식은 연구 설계(RCT vs Observational)와 endpoint의 성격에 따라 다양하게 나타났다. RCT인 [6], [9], [10], [11]에서는 무작위 배정(randomization) 후 stratified log-rank test나 Kaplan-Meier curves를 사용하여 treatment arm 간 차이를 하위 집단별로 비교했다. 반면, 관찰성 연구인 [1], [2], [3], [5], [7], [8]은 retrospective cohort design을 기반으로 Chi-square test, Kruskal–Wallis test, 또는 univariate survival analysis를 통해 biomarker 발현이나 임상 특성에 따른 결과 차이를 분석했다. 보고 방식에서는 [4] PERCIST 가이드라인 개발처럼 문헌 고찰과 전문가 합의를 통해 cutoff 값(SUV 변화율 ≥30%)을 정의하기도 했고, [12]와 같이 ROC curves를 사용하여 최적의 cutoff 값을 도출한 후 training/validation group으로 나누어 검증하는 방식도 사용되었다. 표본 규모는 소규모 단일 기관 연구([7] n=40)부터 다기관 대규모 RCT([6], [10] n>300)까지 다양했으며, endpoint로는 Overall Survival (OS), Progression-Free Survival (PFS), Event-Free Survival (EFS), Pathological Complete Response (pCR) 등이 주로 사용되었다.

설계 시 주의점 — 이 논문들에서 드러나는 주요 전제 조건과 함정은 다음과 같다. 먼저, observational study인 [1]에서는 temporal confounding(시술 기간의 차이)이 subgroup 간 비교에 영향을 줄 수 있음을 명시하며, operator bias를 통제하기 위해 experienced radiologist 한 명의 사례로 제한하는 등 편향을 최소화하려는 노력이 필요함을 보여준다. 또한, [4]와 [12]에서 보듯 biomarker cutoff 값을 정의할 때는 test-retest variability나 통계적 변동성(variability)을 고려해야 하며, ROC curve 분석 등을 통해 객관적인 기준을 설정해야 한다. subgroup analysis는 종종 exploratory nature를 가지므로([9], [10]), 다중 비교(multiple comparisons)로 인한 type I error 증가 가능성을 인지하고, prespecified hypothesis인지 여부를 명확히 보고해야 한다. 마지막으로, [3]과 같이 inclusion/exclusion criteria(예: radiological N0 정의)를 엄격하게 설정하지 않으면 subgroup의 동질성이 깨져 결과 해석이 왜곡될 수 있으므로, 정의의 일관성이 중요하다.

근거 논문

1. Combined fluoroscopy-and CT-guided transthoracic needle biopsy using a C-arm cone-beam CT system: comparison with fluoroscopy-guided biopsy — Korean Journal of Radiology · 2011
2. Pulmonary Ground-Glass Nodules Increase in Mass as an Early Indicator of Growth — Radiology · 2010
3. Which definition of a central tumour is more predictive of occult mediastinal metastasis in nonsmall cell lung cancer patients with radiological N0 disease — Eur Respir J · 2019
4. From RECIST to PERCIST: Evolving Considerations for PET response criteria in solid tumors — Journal of Nuclear Medicine · 2009
5. Spatial interplay patterns of cancer nuclei and tumor-infiltrating lymphocytes (TILs) predict clinical benefit for immune checkpoint inhibitors — Science Advances · 2022
6. Overall Survival with Durvalumab after Chemoradiotherapy in Stage III NSCLC — The New England Journal of Medicine · 2018
7. Perioperative Pembrolizumab for Locally Advanced Thymic Epithelial Tumors: A Single-Arm, Phase 2 Trial — Journal of Thoracic Oncology · 2025
8. PD-L1 Expression is Highly Associated with Tumor-Associated Macrophage Infiltration in Nasopharyngeal Carcinoma — Cancer Management and Research · 2020
9. Association between pathologic response and survival after neoadjuvant therapy in lung cancer — Nature Medicine · 2024
10. Neoadjuvant Nivolumab plus Chemotherapy in Resectable Lung Cancer — New England Journal of Medicine · 2022
11. Overall Survival with Neoadjuvant Nivolumab plus Chemotherapy in Lung Cancer — New England Journal of Medicine · 2025
12. Pembrolizumab for the treatment of non-small-cell lung cancer — New England Journal of Medicine · 2015

개념 — 이 라이브러리의 연구들은 주로 기존 문헌의 결과를 체계적으로 종합하여 특정 임상 질문(예: 치료 효능, 예후 인자, 진단 정확도)에 대한 정량적 또는 질적 결론을 도출하는 것을 목표로 한다. 이는 개별 원시 데이터 수집이 아닌, Meta-analysis를 통한 pooled estimate 산출[2][5][9][10]이나, 다양한 정의 및 기준의 비교를 위한 Narrative/Mini Review 형식의 서술적 종합[1][6][7][8][11]을 포함한다. 특히 Radiomics나 AI 기반 연구의 방법론적 품질을 평가하기 위한 메타-평가 도구 개발[3]과 같은 방법론적 가이드라인 제시도 중요한 개념 중 하나이다.

언제 쓰나 — 이 논문들은 특정 질환(주로 NSCLC, HNSCC 등)에서 치료 전략 비교[5][9], 예후 인자 규명[10], 또는 진단 기준 간 일치도 평가[12]가 필요한 상황에서 선택되었다. 또한, 기존 연구들 간의 정의 불일치(예: Hyperprogressive Disease의 다양한 정의)[7]나 방법론적 한계(예: Radiomics 연구의 보고 품질 부족)[3]를 해결하기 위해 체계적인 문헌 검토가 요구될 때 적용된다. PRISMA 및 MOOSE 가이드라인 준수[2]와 PROSPERO 사전 등록[2]은 체계적 문헌고찰 및 메타분석 수행 시 필수적인 전제 조건으로 나타났다.

이 라이브러리에서의 사용 — 실제 적용 방식은 연구 목적에 따라 크게 두 가지로 나뉜다: 첫째, 정량적 Meta-analysis는 R Statistical Software를 활용하여 sensitivity/specificity의 bivariate approach[2], Freeman-Tukey double-arcsine transformation을 통한 비율 통합[9], 또는 survival curve 재구성을 통한 joint analysis of survival proportions[10]을 수행했다. 둘째, 질적 Review는 특정 endpoint(예: pCR, MPR, EFS)[6]나 진단 기준(RECIST vs PERCIST)[12]의 장단점을 비교하며, κ statistics로 일치도를 평가하거나[12], RQS 점수와 publication year 간의 Pearson correlation을 분석하는 등[3] 문헌 자체의 특성을 메타-분석하기도 했다. 표본 규모는 단일 연구의 환자 수(예: 4,218명)[5]부터 메타-평가 대상인 수천 건의 논문 데이터[3]까지 다양하며, 보고 방식은 hazard ratio, odds ratio, concordance rate 등 endpoint에 맞는 통계 지표를 명시적으로 제시했다.

설계 시 주의점 — 이 논문들에서 드러나는 핵심 주의점은 선택 편향(selection bias) 최소화와 방법론적 엄격성이다. 예를 들어, 치료군 간 비교 시 propensity score-matched (PSM) 연구만 포함시켜 편향을 통제[5]하거나, AI 기반 연구의 질을 CLAIM 및 QUADAS-2 도구로 평가[2]하는 등 표준화된 품질 평가 도구의 사용이 중요하다. 또한, Hyperprogressive Disease와 같이 정의가 이질적인 개념을 다룰 때는 각 정의(TGR, TGK, RECIST 등)의 장단점과 발생률 편차를 명확히 구분하여 서술해야 함을 강조한다[7]. 마지막으로, Meta-analysis 수행 시 heterogeneity를 고려한 통계 모델(예: multivariate model for joint analysis)[10] 선택과, 결과 해석 시 clinical significance와 statistical significance(p value)를 함께 고려하는 것이 필수적이다[11].

근거 논문

1. Complications of Lung Transplantation: Update on Imaging Manifestations and Management — Radiology: Cardiothoracic Imaging · 2021
2. 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 — European Radiology · 2024
3. Radiomics Quality Score 2.0: towards radiomics readiness levels and clinical translation for personalized medicine — Nature Reviews Clinical Oncology · 2025
4. Guidelines for Management of Incidental Pulmonary Nodules Detected on CT Images From the Fleischner Society 2017 — Radiology · 2017
5. Sublobar resection, stereotactic body radiotherapy, and thermal ablation for early-stage non-small cell lung cancer a systematic review and meta-analysis — Lung Cancer · 2026
6. The rapidly evolving paradigm of neoadjuvant immunotherapy across cancer types — Nature Cancer · 2025
7. Hyperprogressive disease in non-small cell lung cancer treated with immune checkpoint inhibitor therapy, fact or myth? — Frontiers in Oncology · 2022
8. Pathological extranodal extension in head and neck cancer: A prognostic biomarker with therapeutic ramifications and diagnostic pitfalls — Pathology - Research and Practice · 2025
9. Attrition with adjuvant, neoadjuvant, and perioperative immunotherapy-based treatment protocols in patients with resectable non-small-cell lung cancer. A meta-analysis of prospective trials — Lung Cancer · 2025
10. Systematic review and meta-analysis of the prognostic impact of lymph node micrometastasis and isolated tumour cells in patients with stage I-IIIA non-small cell lung cancer — Histopathology · 2023
11. Eradicating micrometastases with immune checkpoint blockade: Strike while the iron is hot — Cancer Cell · 2021
12. Comparison of the morphologic criteria (RECIST) and metabolic criteria (EORTC and PERCIST) in tumor response assessments: a pooled analysis — The Korean Journal of Internal Medicine · 2019

개념 — 이 방법론은 모델의 일반화 성능을 평가하고 과적합(overfitting)을 방지하기 위해 데이터를 반복적으로 분할하여 훈련 및 검증하는 과정이다. 주로 radiomics 또는 deep learning 모델의 예측 정확도(AUC, sensitivity, specificity)를 추정하거나, 고차원 데이터에서 중요한 특징(feature selection)을 선별하는 데 활용된다. 또한, 시간 경과에 따른 생존 분석(Time-to-event analysis)이나 이진 분류(Binary classification) 문제에서 모델의 안정성을 검증하는 핵심 도구로 사용된다.

언제 쓰나 — 연구자들은 high-dimensional data(특성 수가 표본 수보다 많은 경우)를 다룰 때 [2] 또는 radiomics 파이프라인에서 feature normalization methods의 영향을 규명할 때 [2] 이 방법을 선택했다. 또한, neoadjuvant chemoimmunotherapy 후 pCR이나 MPR과 같은 치료 반응을 예측하는 모델 개발 시 [3], [8], [10] 모델의 robustness를 확인하기 위해 적용되었다. 특히, 단일 기관 데이터로 internal validation을 수행하거나 [1], [6], [8] 외부 검증 cohort가 별도로 존재할 때 그 성능 차이를 평가하는 맥락에서 사용된다.

이 라이브러리에서의 사용 — 대부분의 연구는 fivefold stratified cross-validation with 100 repeats [2] 또는 training/validation set으로의 무작위 분할(예: 7:3 비율 [8])을 통해 모델을 구축했다. Primary endpoint로는 AUC [1], [2], [3], [5], sensitivity/specificity [2], 그리고 survival outcomes(OS, PFS) [6], [7], [9] 등이 보고되었다. 표본 규모는 N=44 [10]부터 N=636 [1]까지 다양했으며, LASSO regression [8]이나 hierarchical clustering [6]과 결합하여 최종 예측 변수를 선정하는 방식으로 적용되었다. 일부 연구에서는 DeLong’s test [3]나 Kaplan-Meier 추정 [7], [12]을 통해 통계적 유의성이나 생존 곡선의 차이를 추가로 검증했다.

설계 시 주의점 — Radiomics 연구에서는 feature당 10~15개의 sample을 확보하는 Rule of 10(또는 15)를 준수해야 한다 [4]. 또한, ROI segmentation의 재현성을 ICC(Intraclass correlation coefficient) ≥ 0.8로 확인한 stable features만 선별해야 한다 [5], [8]. 데이터 전처리 단계에서 Standard-Scaler나 z-Score normalization을 적용하는지 명시하고 [2], [9], 결측치 처리(multiple imputation) [12]를 적절히 수행해야 한다. 마지막으로, 모델 성능 비교 시 DeLong’s test [3] 등을 사용하여 통계적 유의성을 검증하고, calibration(Brier score, expected calibration error) [2]을 함께 보고하여 모델의 임상적 유용성을 입증해야 한다.

근거 논문

1. Predicting EGFR mutation status in lung adenocarcinoma presenting as ground-glass opacity utilizing radiomics model in clinical translation — European Radiology · 2022
2. The effect of feature normalization methods in radiomics — Insights Imaging · 2024
3. Non-invasive prediction for pathologic complete response to neoadjuvant chemoimmunotherapy in lung cancer using CT-based deep learning: a multicenter study — Frontiers in Immunology · 2024
4. Radiomics in Oncology: A Practical Guide — RadioGraphics · 2021
5. Imaging Phenotyping Using Radiomics to Predict Micropapillary Pattern within Lung Adenocarcinoma — Journal of Thoracic Oncology · 2017
6. Development of an Immune-Pathology Informed Radiomics Model for Non-Small Cell Lung Cancer — Scientific Reports · 2018
7. Spatial interplay patterns of cancer nuclei and tumor-infiltrating lymphocytes (TILs) predict clinical benefit for immune checkpoint inhibitors — Science Advances · 2022
8. Delta-radiomics features combined with haematological index predict pathological complete response after neoadjuvant immunochemotherapy in resectable non-small cell lung cancer — Clinical Radiology · 2025
9. Imaging-Based Biomarkers Predict Programmed Death-Ligand 1 and Survival Outcomes in Advanced NSCLC Treated With Nivolumab and Pembrolizumab: A Multi-Institutional Study — JTO Clinical and Research Reports · 2023
10. Dynamic (18) F-FDG PET/CT can predict the major pathological response to neoadjuvant immunotherapy in non-small cell lung cancer — Thorac Cancer · 2022
11. Multimodal integration of radiology, pathology and genomics for prediction of response to PD-(L)1 blockade in patients with non-small cell lung cancer — Nature Cancer · 2022
12. Surgical Attrition After Neoadjuvant Chemoimmunotherapy for Stage II–III Non–Small Cell Lung Cancer: A Real-World Experience and Predictors — Lung Cancer · 2026

개념 — External validation은 개발된 예측 모델(특히 Radiomics 또는 Deep Learning 기반)이 훈련 데이터셋 외의 독립적인 환경에서도 얼마나 잘 일반화되는지 평가하는 과정이다. 이는 모델의 과적합(Overfitting)을 방지하고, 실제 임상 현장에서의 유용성과 견고성(Robustness)을 입증하기 위한 핵심 단계로 기능한다 [1][8].

언제 쓰나 — 이 라이브러리의 논문들은 주로 다기관(Multi-center) 연구 설계 시, 서로 다른 의료 기관이나 공개 데이터셋(Public dataset)에서 수집된 독립적인 코호트를 사용하여 모델을 검증할 때 External validation을 적용했다 [2][3][9][11][12]. 특히 Scanner 간 변이(Inter-scanner variability)나 인구통계학적 차이를 통제하기 위해, 훈련 세트와 완전히 분리된 외부 데이터셋을 확보한 경우에 필수적으로 수행되었다 [1][8].

이 라이브러리에서의 사용 — 실제 적용 방식은 크게 두 가지로 나뉜다. 첫째, 다른 기관의 환자 데이터를 External validation cohort로 사용하는 방식(예: [2]의 150명, [3]의 72명, [12]의 75명)이며, 둘째는 공개된 대규모 데이터셋(PadChest 등)이나 다른 장기의 데이터를 사용하여 보편성을 테스트하는 방식([9][11])이다. Endpoint로는 진단 정확도(AUC, Sensitivity, Specificity) [4][8][11], 생존 분석(Overall survival) [3][9], 또는 치료 반응(pCR) [12] 등이 주로 사용되었다. 보고 방식에서는 모델 성능 지표뿐만 아니라, 데이터 전처리 과정과 검증 세트의 구성 기준을 상세히 명시하는 공통점이 있다 [1][5].

설계 시 주의점 — External validation을 설계할 때는 Scanner 간 변이와 영상 획득 프로토콜의 표준화를 반드시 고려해야 하며, Phantom study를 통해 보정 곡선(Calibration curve)을 확립하는 것이 권장된다 [1][10]. 또한, 검증 세트에서 누락된 임상 데이터(예: PD-L1)가 결과에 미치는 영향을 명시하고, 훈련 세트와 검증 세트 간 기저 특성의 차이를 통계적으로 비교해야 한다 [2][12]. 마지막으로, 모델의 일반화 성능을 평가할 때 Bootstrap resampling이나 DeLong’s test 등을 통해 통계적 유의성을 엄격하게 검증하는 과정이 필수적이다 [8][12].

근거 논문

1. Radiomics: the bridge between medical imaging and personalized medicine — Nature Reviews Clinical Oncology · 2017
2. Unraveling the tumor-microenvironment through a radiogenomic-based multiomic approach to predict outcomes of immunotherapy in non-small cell lung cancer — Computer Methods and Programs in Biomedicine · 2025
3. Predicting EGFR mutation status in lung adenocarcinoma presenting as ground-glass opacity utilizing radiomics model in clinical translation — European Radiology · 2022
4. Combined fluoroscopy-and CT-guided transthoracic needle biopsy using a C-arm cone-beam CT system: comparison with fluoroscopy-guided biopsy — Korean Journal of Radiology · 2011
5. 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 — European Radiology · 2024
6. Investigation of radiomics based intra-patient inter-tumor heterogeneity and the impact of tumor subsampling strategies — Scientific Reports · 2022
7. Criteria for the diagnosis of extranodal extension detected on radiological imaging in head and neck cancer: Head and Neck Cancer International Group consensus recommendations — The Lancet Oncology · 2024
8. Multimodal deep learning for integrating chest radiographs and clinical parameters: a case for transformers — Radiology · 2023
9. Are radiomics features universally applicable to different organs? — Cancer Imaging · 2021
10. Mass estimates by computed tomography: physical density from CT numbers — American Journal of Roentgenology · 1984
11. Development and validation of a deep learning algorithm detecting 10 common abnormalities on chest radiographs — European Respiratory Journal · 2021
12. Non-invasive prediction for pathologic complete response to neoadjuvant chemoimmunotherapy in lung cancer using CT-based deep learning: a multicenter study — Frontiers in Immunology · 2024

개념 — Inter-observer agreement는 두 명 이상의 관찰자(예: radiologists, pathologists)가 동일한 영상 또는 조직 표본을 평가할 때 그 판단의 일치 정도를 정량화하는 지표이다. 이 라이브러리에서는 주로 Cohen’s kappa ($\kappa$)와 Intraclass correlation coefficient (ICC)를 사용하여 주관적 판독의 신뢰도와 재현성을 검증한다 [2, 6, 8]. 이를 통해 연구 결과의 객관성을 확보하고, 관찰자 간 편차가 임상적 결론에 미치는 영향을 통제한다.

언제 쓰나 — 이 방법은 영상 소견(예: ENE 존재 여부, 종양 분할)이나 조직병리학적 판독과 같이 관찰자의 주관적 판단이 개입되는 endpoint를 평가할 때 필수적으로 사용된다 [2, 6, 8, 10]. 특히 Radiomics 연구에서 ROI segmentation의 정확성이나 feature 추출의 안정성을 확인하기 위해 ICC를 적용하며 [6, 8], 전문가 패널을 통한 진단 기준 수립 시 합의도(agreement)를 측정하는 데에도 활용된다 [2]. 또한, 다수 관찰자가 독립적으로 영상을 판독한 후 그 결과의 일관성을 입증해야 하는 코호트 연구에서 광범위하게 선택된다 [10, 11].

이 라이브러리에서의 사용 — 실제 적용 방식은 연구 설계에 따라 다르나, 공통적으로 소규모 서브샘플(subsample)을 추출하여 pilot assessment를 수행한 후 전체 분석으로 확장하는 패턴이 보인다. 예를 들어, [6]과 [8]에서는 각각 49명과 30명의 무작위 표본에서 두 명의 radiologist가 독립적으로 segmentation을 수행하고 ICC를 계산하여 신뢰도를 확인했다. 보고 방식은 주로 ICC 값(예: $\ge$ 0.8)이나 kappa 값을 명시하며, [2]의 경우 Likert scale 기반 응답에 대한 합의도(threshold ≥80%)를 primary endpoint로 설정하기도 했다. 표본 규모는 전체 코호트(n=339~511 등) 중 일부를 추출하여 평가하거나, 모든 대상자에 대해 두 명의 관찰자가 판독하는 방식([10, 11])으로 다양하게 적용되었다.

설계 시 주의점 — 연구 설계 시 관찰자 간 일치도 평가를 위한 서브샘플의 크기 및 선정 방법(무작위 추출 등)을 명확히 정의해야 한다 [6, 8]. 또한, ICC나 kappa 값이 특정 임계치(예: ICC $\ge$ 0.8)를 충족하는지 확인하여 unreliable features나 판독 결과를 배제하는 과정이 필요하다 [8]. 보고 시에는 단순히 통계값만 제시하는 것을 넘어, 관찰자의 전문성 수준(experienced radiologists), 판독 프로토콜의 표준화 여부, 그리고 불일치 경우의 해결 방안(consensus reading 등)을 함께 기술해야 한다 [2, 6, 10]. 마지막으로, Radiomics와 같은 고차원 데이터 분석에서는 segmentation 오류가 feature 추출에 미치는 영향을 최소화하기 위해 초기 단계에서 agreement 검정을 수행하는 것이 중요하다 [6, 8].

근거 논문

1. Pulmonary Intravascular Lymphomatosis: Clinical, CT, and PET Findings, Correlation of CT and Pathologic Results, and Survival Outcome — Radiology · 2016
2. Criteria for the diagnosis of extranodal extension detected on radiological imaging in head and neck cancer: Head and Neck Cancer International Group consensus recommendations — The Lancet Oncology · 2024
3. Surgically resected T1‐ and T2‐stage esophageal squamous cell carcinoma T and N staging performance of EUS and PET — Cancer Medicine · 2018
4. Are radiomics features universally applicable to different organs? — Cancer Imaging · 2021
5. Radiomics in Oncology: A Practical Guide — RadioGraphics · 2021
6. Imaging Phenotyping Using Radiomics to Predict Micropapillary Pattern within Lung Adenocarcinoma — Journal of Thoracic Oncology · 2017
7. Computational Radiomics System to Decode the Radiographic Phenotype — Cancer Research · 2017
8. Delta-radiomics features combined with haematological index predict pathological complete response after neoadjuvant immunochemotherapy in resectable non-small cell lung cancer — Clinical Radiology · 2025
9. Pathological extranodal extension in head and neck cancer: A prognostic biomarker with therapeutic ramifications and diagnostic pitfalls — Pathology - Research and Practice · 2025
10. Radiologic Extranodal Extension of Metastatic Lymph Nodes in Patients With Non-Small Cell Lung Cancer: Prognostic Utility and Diagnostic Performance — American Journal of Roentgenology · 2023
11. Radiologic Extranodal Extension of Metastatic Lymph Nodes in Patients With Non–Small Cell Lung Cancer: Prognostic Utility and Diagnostic Performance — American Journal of Roentgenology · 2023
12. JOURNAL CLUB Doubling Time of Thymic Epithelial Tumors Correlates With World Health Organization Histopathologic Classification — AJR: American Journal of Roentgenology · 2017