Key Reviews

비소세포폐암(NSCLC)의 치료 패러다임은 조직학적 분류를 넘어 분자생물학적 표적에 기반한 정밀의학으로 급격히 전환되었다. 이 분야의 핵심은 Epidermal Growth Factor Receptor (EGFR) 돌연변이이며, 이는 특히 선암(adenocarcinoma) 병리학에서 높은 빈도로 관찰된다. 전 세계 메타분석에 따르면 NSCLC 환자 중 EGFR 돌연변이 보유률은 평균 32.3%로, 아시아 지역에서는 47%까지 상승하는 반면 유럽에서는 14.1%에 그치는 지리적 및 인종적 편차가 뚜렷하다 [21, 22]. 또한 여성(43.7%)과 비흡연자(49.3%)에서 돌연변이 빈도가 현저히 높으며, 이는 임상적으로 Tyrosine Kinase Inhibitors (TKIs) 투여 결정의 근거가 된다 [22]. EGFR 돌연변이 양성 환자에서는 초기 치료로 화학요법 대신 TKI를 사용하는 것이 생존율 향상에 더 효과적임이 입증되어, 모든 NSCLC 환자에 대한 돌연변이 검사가 필수적인 표준 관행으로 자리 잡았다 [15]. 이러한 분자 표적 치료의 경제적 타당성도 중요한 고려 사항이다. Next-Generation Sequencing (NGS)을 활용한 다중 유전자 패널 검사는 단일 유전자 검사나 순차적 검사 대비 비용 효율성이 높다는 경제학적 평가들이 대부분 지지하고 있으나, 아시아 일부 설정에서는 비용 편익 분석 결과가 부정적일 수 있어 지역별 의료 시스템 차이를 고려해야 한다 [27].

EGFR 외에도 미세위성 불안정성(Microsatellite Instability, MSI) 및 DNA mismatch repair (dMMR) 결손은 면역치료 반응 예측의 중요한 biomarker로 부상하고 있다. ESMO 권고안에 따르면, MLH1, MSH2, MSH6, PMS2 단백질의 상실을 확인하는 면역조직화학(IHC) 검사가 dMMR/MSI 평가의 1차 방법으로 권장되며, PCR 기반 미세위성 변이 분석이나 NGS를 통한 Tumor Mutational Burden (TMB) 및 PD-L1 발현량과의 연계 분석이 정밀의료 구현을 위한 핵심 도구로 제시된다 [10]. TMB는 특히 Checkpoint Inhibitors (CPIs)에 대한 민감성을 예측하는 강력한 지표로, clonal TMB가 총 TMB보다 더 우수한 예측 인자임이 pan-cancer 분석을 통해 확인되었다 [16]. 또한, RNA sequencing (RNA-seq) 기술의 발전은 유전자 융합(gene fusions) 및 비암호화 RNA(non-coding RNAs)를 포함한 전사체 수준의 진단적 정보를 제공하며, 이는 조직 생검의 한계를 보완하는 liquid biopsy 플랫폼으로 확장되고 있다 [19]. 최근 liquid biopsy는 circulating tumor DNA (ctDNA)뿐만 아니라 extracellular vesicles (EVs) 및 DNA fragmentomics와 같은 차세대 기술을 통합하여 실시간 분자 모니터링을 가능하게 하며, AI 및 machine learning과의 결합을 통해 진단 정확도를 한층 높이는 방향으로 진화하고 있다 [25].

사용자 라이브러리는 이미 TMB radiomic biomarker를 이용한 면역치료 반응 예측, PD-L1 발현량 및 생존 결과에 대한 영상 기반 biomarker 연구, 그리고 Nivolumab plus Ipilimumab 조합에서의 고 TMB 환자군 치료 효과 등 분자 표적 및 면역 바이오마커와 관련된 다수의 논문을 포함하고 있다. 그러나 EGFR 돌연변이의 지리적/인종적 빈도 차이에 따른 글로벌 치료 접근법의 표준화 문제, 또는 NGS 기반 검사의 경제적 타당성에 대한 지역별 비교 분석(특히 아시아 vs 서구)에 대한 심층적인 논의는 아직 라이브러리 내에서 명시적으로 다루어지지 않은 gap으로 보인다.

Immune Checkpoint Inhibitors (ICIs), specifically anti-CTLA-4 and anti-PD-1/PD-L1 agents, have revolutionized the treatment landscape of advanced NSCLC by harnessing the host immune system to target tumor cells. The clinical impact of ICIs is profound, with significant extensions in overall survival (OS) observed across various cancer types, including NSCLC [3]. However, the efficacy of ICIs is not universal; resistance mechanisms remain a critical barrier. Systematic pan-tumor analyses indicate that clonal Tumor Mutational Burden (TMB) is the strongest predictor of CPI response, followed by total TMB and CXCL9 expression in the tumor microenvironment [16]. Furthermore, specific genomic alterations such as 9q34 (TRAF2) loss are associated with response, while CCND1 amplification correlates with resistance [16]. The interaction between ICIs and other systemic therapies or comedications also modulates efficacy. For instance, concomitant use of statins has been associated with improved ICI effectiveness (pooled HR for OS: 0.8) due to mevalonate pathway inhibition enhancing antitumor immunity, whereas Proton Pump Inhibitors (PPIs) consistently reduce ICI efficacy (pooled HR ~1.18) likely through gut microbiome dysbiosis [28]. Corticosteroid use presents a more complex picture, where baseline high-dose usage may negatively impact outcomes, necessitating careful management of immune-related adverse events (irAEs) without compromising therapeutic benefit [28].

The safety profile of ICIs is characterized by unique immune-related adverse events (irAEs) that require distinct management strategies compared to traditional chemotherapy toxicities. Renal toxicity is a significant concern, with acute interstitial nephritis (AIN) being the primary adverse effect associated with PD-1 inhibitors, occurring later (3-10 months) than CTLA-4 inhibitor-induced renal injury (2-3 months) [1]. The incidence of renal toxicities may be higher than initially thought, ranging from 9.9% to 29%, highlighting the need for vigilant monitoring and early intervention with steroids [1]. Musculoskeletal irAEs, particularly ICI-induced arthritis, affect up to 7% of patients, with lung cancer being a common underlying malignancy (27.7% of cases in one review) [30]. These rheumatic irAEs pose diagnostic challenges and require specific therapeutic implications to manage joint symptoms without discontinuing life-prolonging immunotherapy [30]. Additionally, the timing and type of ICI administration influence toxicity; for example, adjuvant ICIs across solid tumors show benefits in recurrence-free survival but carry risks of attrition due to toxicity, necessitating careful patient selection and monitoring protocols [29].

In the context of NSCLC specifically, the integration of ICIs into treatment algorithms has expanded from metastatic settings to earlier stages. Neoadjuvant combinations of Nivolumab plus chemotherapy have demonstrated significant improvements in pathological complete response (pCR) and overall survival in resectable lung cancer [31]. Similarly, adjuvant Durvalumab after chemoradiotherapy in Stage III NSCLC has become a standard of care, with ongoing research focusing on de-escalating treatment duration to minimize toxicity while maintaining efficacy [29]. However, phenomena such as hyperprogressive disease and pseudoprogression complicate the assessment of treatment response, requiring advanced imaging techniques and biomarkers to distinguish true progression from inflammatory changes [31]. The interplay between tumor-intrinsic factors (like TMB) and microenvironmental features (such as CXCL9 expression and T-cell infiltration markers like CCR5 and CXCL13) underscores the complexity of predicting ICI sensitivity, suggesting that future strategies must combine multiple biomarkers for optimal patient stratification [16].

사용자 라이브러리는 이미 Durvalumab consolidation therapy, Neoadjuvant Nivolumab plus Chemotherapy, 그리고 Hyperprogressive disease 및 Pseudoprogression과 관련된 논문을 포괄적으로 수집하고 있다. 또한, Immune-related adverse events (irAEs)와 Durvalumab 효능 간의 연관성 연구도 포함되어 있다. 그러나 ICI 치료 중 동반 약물(Statins, PPIs, Corticosteroids)이 면역치료 효능 및 독성에 미치는 구체적인 상호작용 메커니즘과 임상적 관리 가이드라인에 대한 종합적인 분석은 현재 라이브러리에서 명시적으로 다루어지지 않은 부분으로, 이는 실제 임상 현장에서의 polypharmacy 관리에 중요한 gap이다.

Local therapies remain the cornerstone of curative intent treatment for early-stage and locally advanced NSCLC. In early-stage disease, Video-Assisted Thoracic Surgery (VATS) lobectomy has emerged as a preferred surgical approach over open lobectomy due to its comparable oncological outcomes with reduced morbidity. Meta-analyses of randomized and non-randomized studies indicate that VATS lobectomy does not differ significantly from open surgery in terms of postoperative mortality, prolonged air leak, arrhythmia, or pneumonia [23]. Crucially, VATS is associated with a reduced rate of systemic recurrence (P = .03) and improved 5-year mortality rates (P = .04), suggesting potential long-term survival benefits without compromising locoregional control [23]. For patients who are not candidates for lobectomy, sublobar resection, Stereotactic Body Radiotherapy (SBRT), and thermal ablation offer alternative local treatment options, with systematic reviews evaluating their efficacy in early-stage NSCLC management [Library Item: Sublobar resection...]. The choice of surgical extent is further guided by the presence of occult lymph node involvement, which can be quantified to predict prognosis in clinically node-negative patients [Library Item: Quantifying the rate...].

For locally advanced NSCLC (Stage III), the integration of radiotherapy and chemotherapy is critical. A landmark meta-analysis of individual patient data demonstrated that concomitant radiochemotherapy provides a significant survival benefit over sequential therapy, with a hazard ratio (HR) for overall survival of 0.84 (95% CI, 0.74 to 0.95; P = .004) [5]. This translates to an absolute survival benefit of 5.7% at 3 years and 4.5% at 5 years [5]. Concomitant treatment also significantly reduces locoregional progression (HR, 0.77; P = .01), although it does not differ from sequential therapy in preventing distant progression [5]. However, this survival advantage comes at the cost of increased acute toxicity, particularly grade 3-4 esophageal toxicity, which rises from 4% to 18% (Relative Risk 4.9) with concomitant treatment [5]. Despite this, there is no significant difference in acute pulmonary toxicity between the two approaches [5]. The timing of treatment initiation is also crucial; delays in cancer treatment are associated with increased mortality, with each four-week delay increasing the hazard ratio for overall survival significantly across various indications, emphasizing the need for efficient care pathways to minimize wait times [6].

Preoperative (neoadjuvant) chemotherapy has also been shown to improve outcomes in resectable NSCLC. A systematic review and meta-analysis of individual participant data from 15 randomized controlled trials revealed a significant survival benefit with preoperative chemotherapy, yielding an HR of 0.87 (95% CI 0.78-0.96; p=0.007) [18]. This corresponds to a 13% reduction in the relative risk of death and an absolute 5-year survival improvement from 40% to 45% [18]. The benefit was consistent regardless of the chemotherapy regimen, platinum agent used, or whether postoperative radiotherapy was administered [18]. More recently, the addition of immunotherapy to neoadjuvant chemotherapy has further enhanced pathological complete response (pCR) rates and survival outcomes, as seen in trials combining Nivolumab with chemotherapy [Library Item: Neoadjuvant Nivolumab...]. The integration of these local and systemic therapies requires precise staging and assessment of lymph node status, including the prognostic impact of micrometastasis and isolated tumor cells, which can influence treatment decisions in Stage I-IIIA NSCLC [Library Item: Systematic review... micrometastasis].

사용자 라이브러리는 VATS lobectomy의 안전성 및 효능, Neoadjuvant chemotherapy 및 immunotherapy 조합, 그리고 Lymph node involvement와 Micrometastasis의 예후적 중요성에 대한 논문을 이미 포함하고 있다. 그러나 Concomitant versus Sequential radiochemotherapy의 독성 프로파일(특히 식도염)과 생존 이득 간의 정량적 비교 분석, 또는 치료 지연(delay)이 NSCLC 특정 하위 그룹에서의 사망률에 미치는 구체적인 영향(HR 값 등)에 대한 심층적인 메타분석 결과는 현재 라이브러리에서 명시적으로 정리되지 않은 gap으로 보인다.

The integration of advanced imaging analytics and artificial intelligence (AI) is transforming the diagnostic and prognostic landscape of NSCLC. Radiomics, which involves the extraction of quantitative features from medical images, offers a non-invasive method to characterize tumor heterogeneity and predict treatment response. However, the clinical utility of radiomic models is contingent upon their reproducibility and repeatability. Systematic reviews highlight that radiomic features are sensitive to variations in image acquisition settings, reconstruction algorithms, preprocessing steps, and software used for feature extraction [17]. First-order features tend to be more reproducible than shape or textural metrics, with entropy being a consistently stable feature [17]. To address these challenges, deep learning-based segmentation models have been developed to improve the accuracy and efficiency of image analysis. For instance, U-Net family models and transformer-based architectures demonstrate high performance in segmenting tumor structures, with Dice scores ranging from 0.82 to 0.83 across different imaging modalities like CT and MRI [32]. These AI-driven tools are increasingly being applied to predict pathological complete response (pCR) to neoadjuvant chemoimmunotherapy, utilizing delta-radiomics features combined with hematological indices to enhance predictive accuracy [Library Item: Delta-radiomics...].

Liquid biopsy represents another frontier in NSCLC management, offering real-time molecular insights without the need for invasive tissue biopsies. Emerging platforms leverage circulating tumor DNA (ctDNA), extracellular vesicles (EVs), and other biofluids to monitor disease progression and treatment response. EVs, as natural drug delivery systems, possess unique characteristics that make them promising vehicles for targeted therapy and diagnostic biomarkers [8]. Recent reviews emphasize the expansion of liquid biopsy applications in lung cancer, including its integration with machine learning and multi-omics approaches [25]. Technologies such as label-free circulating tumor cell (CTC) isolation, DNA fragmentomics, and end-motif profiling are being explored to overcome the limitations of traditional tissue-based diagnostics [25]. Furthermore, RNA sequencing (RNA-seq) is being translated into clinical diagnostics to detect disease-associated mutations, gene expression disruptions, and non-coding RNAs, providing a comprehensive view of the tumor's molecular landscape [19]. The combination of radiomics and liquid biopsy data through AI algorithms holds potential for creating robust predictive models that can guide personalized treatment strategies.

Despite these advancements, challenges remain in standardizing these technologies for routine clinical use. The reproducibility of radiomic features across different institutions and imaging protocols needs to be rigorously validated [17]. Similarly, the sensitivity and specificity of liquid biopsy assays must be improved to ensure reliable detection of low-abundance biomarkers [25]. Economic evaluations suggest that while NGS-based testing is generally cost-effective, variations in healthcare systems and prevalence of actionable alterations can impact its feasibility [27]. Therefore, future research should focus on developing standardized protocols for image processing and liquid biopsy analysis, as well as conducting large-scale prospective trials to validate the clinical utility of these emerging technologies in NSCLC care.

사용자 라이브러리는 이미 Radiomics features의 universality, Deep learning을 이용한 pCR 예측, Immune-pathology informed radiomics model, 그리고 Delta-radiomics와 hematological index의 조합에 대한 논문을 포함하고 있다. 또한, Liquid biopsy의 전반적인 발전 방향에 대한 논의도 일부 존재할 수 있으나, Radiomic features의 재현성(reproducibility)에 영향을 미치는 구체적인 기술적 변수(이미지 획득 설정, 전처리 알고리즘 등)에 대한 체계적인 검토 결과나, EVs를 이용한 약물 전달 시스템의 구체적 메커니즘 및 임상 적용 가능성에 대한 심층 분석은 현재 라이브러리에서 명시적으로 다루어지지 않은 gap으로 보인다.

아래 논문 중 필요한 것을 Zotero에 담아 두면 다음 실행부터 이 목록에서 빠집니다.

Deep learning은 의료 영상 분석 분야에서 전통적인 hand-crafted feature extraction 방식의 한계를 극복하고, 데이터로부터 계층적 특징 표현(hierarchical feature representations)을 학습함으로써 진단 성능을 혁신적으로 향상시켰습니다 [6]. 특히 흉부 X선(Chest radiographs)과 CT 스캔에서 폐결절의 악성 확률 추정, 10가지 이상의 일반적 이상 징후 감지, 그리고 간세포암(HCC) 절제술 후 생존 예측 등 다양한 임상 시나리오에서 높은 정확도를 달성하고 있습니다 [6]. 사용자의 라이브러리에 포함된 연구들은 이러한 기술이 단일 모달리티를 넘어 다중 모달리티(Multimodal) 통합으로 진화하고 있음을 보여줍니다. 예를 들어, 흉부 X선 영상과 임상 매개변수를 결합한 Transformer 기반 모델은 진단의 정밀도를 높였으며 [6], CT 기반 deep learning 알고리즘은 비소세포폐암(NSCLC) 환자에서 neoadjuvant chemoimmunotherapy에 대한 주요 병리학적 반응(major pathological response)을 예측하는 데 성공적으로 적용되었습니다. 이는 치료 반응 예측이 단순한 영상 분석을 넘어 임상 데이터와의 융합을 통해 더 강력한 prognostic tool로 자리 잡고 있음을 시사합니다.

간 질환 진단 분야에서도 deep learning의 역할이 두드러집니다. 대사 이상 관련 지방성 간질환(MASLD) 및 비알코올성 지방간염(MASH)의 경우, 침습적인 liver biopsy 대신 AI 기반 영상 모델(초음파, CT, MRI, 탄성영상)이 steatosis 진단에서 AUROC 0.85~0.99, fibrosis staging에서 0.82~0.97의 우수한 성능을 보였습니다 [29]. 또한 디지털 병리학(Digital pathology)을 통해 liver biopsy 이미지를 deep learning으로 분석한 결과, 간병리 전문의(hepatopathologist)와 동등한 진단 정확도를 달성하기도 했습니다 [29]. 이는 영상 기반 AI가 조직학적 gold standard를 대체하거나 보완할 수 있는 잠재력을 가지고 있음을 의미합니다. 특히 HCC 위험 분류 및 감시(surveillance)에서도 AI 기술이 중요한 도구로 부상하고 있습니다 [29].

그러나 이러한 기술의 임상적 번역(clinical translation)을 위해서는 표준화와 검증이 필수적입니다. Radiomics Quality Score 2.0과 같은 프레임워크는 radiomics 연구의 준비 수준(readiness levels)을 평가하여 개인 맞춤형 의학(personalized medicine)으로의 이행을 촉진합니다 [6]. 사용자의 라이브러리에는 폐결절 악성도 추정, HCC 생존 예측, 간질성 폐질환(fibrosing interstitial lung disease)의 진행 위험 인자 분석 등 이미 다수의 deep learning 기반 영상 연구가 포함되어 있습니다. 이는 사용자가 의료 영상 진단 및 예후 예측 분야에 대한 포괄적인 이해를 가지고 있음을 나타냅니다. 다만, 아직 라이브러리에는 MASLD/MASH와 같은 대사성 간질환에 특화된 영상 AI 연구나, 디지털 병리학과 deep learning의 결합에 대한 구체적인 논문이 명시적으로 보이지 않아, 이 부분에서의 gap이 존재할 수 있습니다.

Deep learning의 또 다른 핵심 영역은 다양한 데이터 소스(영상, 임상 기록, 유전체, 생활습관 등)를 통합하여 질병의 진단, 예후, 치료 반응을 예측하는 것입니다. 단일 데이터 유형에 의존하는 전통적인 접근법과 달리, deep learning은 구조화되지 않은 데이터(unstructured data)와 구조화된 데이터(structured data) 간의 복잡한 비선형 관계를 포착할 수 있습니다 [6]. 사용자의 라이브러리에는 "Multimodal deep learning for integrating chest radiographs and clinical parameters: a case for transformers"라는 제목의 논문이 포함되어 있어, 영상과 임상 데이터를 결합한 Transformer 아키텍처의 중요성을 강조하고 있습니다. 이는 단순한 영상 분석을 넘어 환자의 전체적인 임상 맥락을 고려한 정밀 예측 모델을 구축하려는 최신 트렌드를 반영합니다.

예측 모델의 개발과 검증 과정에서는 방법론적 엄격성이 요구됩니다. CHARMS(Critical Appraisal and Data Extraction for Systematic Reviews of prediction Modelling Studies) 체크리스트와 PROBAST 도구는 예측 모델 연구의 편향 위험을 평가하고 체계적 문헌고찰을 수행하는 데 필수적인 기준을 제공합니다 [23]. COVID-19 진단 및 예후 예측 모델에 대한 체계적 검토에서는 232개의 예측 모델이 분석되었으며, 가장 빈번하게 사용된 예측 인자(predictors)는 vital signs, age, comorbidities, 그리고 image features였습니다 [11]. 이는 deep learning 기반 영상 특징(image features)이 임상 변수와 함께 통합될 때 진단 및 예후 예측의 정확도가 크게 향상될 수 있음을 시사합니다. 또한, NSCLC에서 tumor mutational burden(TMB) radiomic biomarker를 사용하여 면역치료(immunotherapy) 반응 예측을 시도한 연구는 유전체 정보와 영상 특징(radiomics)을 결합한 다중 모달리티 접근법의 임상적 유용성을 보여줍니다 [6].

사용자의 라이브러리에는 "Predicting response to immunotherapy in advanced non-small-cell lung cancer using tumor mutational burden radiomic biomarker" 및 "Non-invasive prediction for pathologic complete response to neoadjuvant chemoimmunotherapy in lung cancer using CT-based deep learning"과 같은 논문들이 포함되어 있습니다. 이는 사용자가 이미 영상 기반 biomarker와 치료 반응 예측에 대한 심층적인 연구를 수집하고 있음을 의미합니다. 그러나 아직 라이브러리에는 MASLD/MASH 진단을 위한 machine learning 알고리즘(혈액 검사, 대사체학, 장내 미생물군집 데이터 통합)에 대한 구체적인 논문이 명시적으로 보이지 않습니다 [29]. 이는 대사성 간질환 분야에서 다중 모달리티 데이터(영상+생화학적 지표+omics)를 통합한 예측 모델 연구가 사용자의 라이브러리에서 상대적으로 부족할 수 있음을 시사합니다.

최근 Deep learning 분야에서는 Transformer 아키텍처를 기반으로 한 대규모 언어 모델(LLM, Large Language Models)과 생성형 AI(Generative AI)의 발전이 주목받고 있습니다 [31]. 이러한 기술은 텍스트 생성, 문헌 검토, 코드 생성, 데이터 분석 등 다양한 의료 연구 및 실무 영역에서 활용되고 있습니다. ChatGPT와 같은 LLM은 의료 교육, 연구, 실무에서 과학적 글쓰기 개선, 연구 형평성 증진, 워크플로우 간소화, 비용 절감, 문서화 지원, 개인화된 의학(personalized medicine) 구현, 그리고 health literacy 향상 등에 기여할 수 있는 잠재력을 가지고 있습니다 [12]. 특히, LLM은 복잡한 의료 데이터를 효율적으로 분석하고, 문헌 검토 시간을 단축하며, 실험 설계에 집중할 수 있도록 돕는 도구로 부상하고 있습니다 [12].

그러나 생성형 AI의 의료 적용에는 심각한 우려사항도 존재합니다. ChatGPT 사용과 관련된 60건의 연구 중 96.7%가 윤리적, 저작권, 투명성, 법적 문제, 편향 위험, 표절, 독창성 부족, 환각(hallucination)으로 인한 부정확한 내용, 지식의 한계, 잘못된 인용, 사이버 보안 문제, 그리고 정보 역류(infodemics) 위험 등을 지적했습니다 [12]. 이러한 우려는 의료 분야에서 AI 모델의 신뢰성과 설명 가능성(explainability)이 얼마나 중요한지를 강조합니다. 특히, IoT 환경에서의 침입 탐지 시스템(IDS) 개발에서도 Explainable AI(XAI) 접근법이 도입되어, 모델의 의사결정 과정을 투명하게 만들고 신뢰성을 높이는 노력이 이루어지고 있습니다 [26]. 이는 의료 AI 역시 '블랙박스' 문제를 해결하고 임상 의사에게 설명 가능한 결과를 제공해야 함을 시사합니다.

사용자의 라이브러리에는 명시적으로 NLP나 생성형 AI 관련 논문이 보이지 않습니다. 현재 라이브러리는 주로 영상 분석(Diagnostic imaging)과 예측 모델(Predictive modeling)에 집중되어 있습니다. 따라서, 의료 기록의 자연어 처리, 임상 노트 자동 요약, 환자-의사 소통 보조, 또는 연구 문헌의 자동 분석을 위한 LLM/Generative AI 적용 사례는 사용자의 라이브러리에서 아직 다루어지지 않은 gap으로 볼 수 있습니다. 이는 향후 의료 AI 연구가 영상 중심에서 텍스트 및 대화형 AI로 확장되는 추세를 반영하지 못하고 있을 수 있음을 의미합니다.

Deep learning의 성공은 근본적으로 NumPy와 같은 배열 프로그래밍(Array programming) 라이브러리와 같은 강력한 계산 인프라에 의존합니다 [1]. NumPy는 Python 생태계의 핵심으로, 물리학, 화학, 천문학, 생물학 등 다양한 과학 분야에서 데이터 조작 및 분석의 표준이 되었으며, deep learning 프레임워크(PyTorch, TensorFlow 등)의 기반이 됩니다 [1]. 이러한 기술적 토대 위에서, deep learning 알고리즘은 원격 감지(Remote sensing), 유체 역학(Fluid mechanics), 심지어 토질 공학(Soil stabilization)까지 다양한 분야에 적용되고 있습니다 [13, 19, 28]. 이는 deep learning이 특정 도메인에 국한되지 않고, 데이터 패턴 인식의 범용 도구로 진화하고 있음을 보여줍니다.

의료 분야에서도 이러한 방법론적 진화가 두드러집니다. 초기의 convolutional neural networks(CNNs)에서부터 최근의 Transformer 아키텍처까지, 모델의 복잡성과 성능은 지속적으로 향상되고 있습니다 [6, 31]. 특히, "Multimodal deep learning for integrating chest radiographs and clinical parameters: a case for transformers"라는 논문 제목에서 알 수 있듯이, Transformer는 영상과 텍스트/구조화 데이터를 통합하는 데 있어 새로운 표준으로 자리 잡고 있습니다. 또한, Cryo-electron microscopy와 같은 고해상도 이미징 기술의 발전은 분자 수준의 구조 분석을 가능하게 하여, drug discovery 및 병리 기전 이해에 기여하고 있습니다 [20].

사용자의 라이브러리에는 "Radiomics Quality Score 2.0: towards radiomics readiness levels and clinical translation for personalized medicine"과 같은 방법론적 표준화 연구가 포함되어 있습니다. 이는 사용자가 deep learning 모델의 임상 적용을 위한 품질 관리 및 검증 프로세스에 관심이 있음을 나타냅니다. 그러나 아직 라이브러리에는 NumPy나 Python 생태계 자체에 대한 기술적 기반 논의, 또는 Transformer 아키텍처의 구체적인 방법론적 비교 연구가 명시적으로 보이지 않습니다. 또한, IoT 보안이나 Explainable AI(XAI)와 같은 부수적인 기술적 이슈(예: [26]에서 언급된 XAI-based IDS)도 의료 AI 맥락에서 충분히 다루어지지 않은 것으로 보입니다. 이는 사용자의 라이브러리가 주로 '응용 결과'에 집중되어 있으며, '기술적 기반 및 방법론적 세부 사항'에 대한 심층적인 논의가 상대적으로 부족할 수 있음을 시사합니다.

아래 논문 중 필요한 것을 Zotero에 담아 두면 다음 실행부터 이 목록에서 빠집니다.

종양 미세환경(Tumor Microenvironment, TME)에서 가장 활발히 연구되는 분야는 종양 세포가 구축한 면억제 네트워크와 이를 타파하기 위한 면역관문 억제제(Immune Checkpoint Inhibitors, ICIs)의 임상적 적용 및 부작용 관리이다. ICIs는 CTLA-4, PD-1, PD-L1 등을 표적으로 하여 환자의 고유 면역 시스템을 종양에 대항하도록 활성화시킴으로써 melanoma를 비롯한 다양한 악성 종양의 치료 패러다임을 근본적으로 변화시켰다 [1][14]. 특히 anti-PD-1/PD-L1 항체는 재발성 또는 전이성 head and neck squamous cell carcinoma (HNSCC) 및 위암/위식도접합부 암(GEJ adenocarcinoma)에서 화학요법과의 병용 요법으로 승인되었으며, 이는 객관적 반응률(Objective Response Rate, ORR)을 유의미하게 향상시키는 것으로 나타났다 [4][29]. 최근 meta-analysis에 따르면, advanced gastric/GEJ cancer 환자 6,517명을 대상으로 한 분석에서 PD-1/PD-L1 억제제와 화학요법의 병용은 전체 생존율(Overall Survival, OS)의 Hazard Ratio(HR)을 0.79 (95% CI: 0.75–0.85)로 낮추었으며, 진행 무생존 기간(Progression-Free Survival, PFS)에서도 HR 0.78의 이점을 보였다 [29]. 또한 아시아人群 중심 연구에서는 PFS 개선 효과가 더 두드러진 것으로 관찰되었다(HR 0.66 vs 0.78; P=0.02) [29].

그러나 ICI 치료의 성공은 TME 내 면억제 기전의 복잡성에 의해 제한받는다. 종양 세포는 항원 제시 기능 저하, 음성 공동자극 신호 활성화, 그리고 regulatory T cells (Tregs), immature dendritic cells 등의 면역조절 세포군을 동원하여 관용성 미세환경을 조성한다 [18]. 이러한 면억제 상태는 chemokine 시스템을 통한 면역세포의 위치 결정 및 이동을 방해하며, 결과적으로 효과적인 항종양 면역 반응이 억제된다 [15]. 흥미롭게도 특정 유전적 변이는 ICI 반응성과 밀접한 관련이 있다. metastatic urothelial carcinoma (mUC)에서 FGFR3 alteration은 ICI 치료에 대한 내성 지표로 작용할 수 있음을 시사한다. meta-analysis 결과, FGFR3 변이가 있는 환자군은 질병 조절률(Disease Control Rate, DCR)이 낮았으며(RR 0.74), OS(HR 1.25)와 PFS(HR 1.63)가 모두 단축되는 것으로 확인되었다 [32]. 이는 FGFR3 경로가 TME의 면역 상태를 조절하여 ICI 효능을 저해할 가능성을 시사한다.

ICI 치료의 또 다른 중요한 측면은 면역관련 부작용(irAEs), 특히 신장 독성이다. 초기에는 드문 것으로 여겨졌으나, 최근 연구들은 ipilimumab (anti-CTLA-4) 및 pembrolizumab/nivolumab (anti-PD-1)에 의한 신장 손상의 발생률이 9.9%에서 29%까지 높을 수 있음을 지적한다 [1]. CTLA-4 억제제 관련 신장 손상은 치료 시작 후 2-3개월 내에 조기에 발생하는 반면, PD-1 억제제 관련 손상은 3-10개월 후에 늦게 나타나는 경향이 있다 [1]. 주요 병리학적 소견은 급성 간질성 신염(Acute Interstitial Nephritis, AIN)이며, podocytopathy나 hyponatremia도 관찰된다 [1]. 이러한 부작용의 관리에는 스테로이드 치료가 효과적임이 보고되었다 [1]. 또한, cytokine storm과 같은 과도한 염증 반응은 감염성 질환뿐만 아니라 면역치료 중에도 발생할 수 있는 위험 요소로, 사이토카인 신호 전달의 중복성과 복잡성이 임상적 결과를 예측하기 어렵게 만든다 [16].

사용자 라이브러리는 이미 NSCLC에서의 radiomics와 immune profile 상관관계, PD-L1/PD-L2 발현과 TILs/TAMs의 연관성, 그리고 neoadjuvant immunotherapy의 효능 예측에 대한 논문을 포함하고 있어, ICI 치료의 진단적 biomarker 및 모니터링 측면에서 강력한 기반을 갖추고 있다. 그러나 FGFR3와 같은 특정 유전자 변이가 ICI 반응성에 미치는 영향, 또는 CTLA-4와 PD-1 억제제 간의 신장 독성 발생 시기와 병리학적 차이와 같은 부작용 관리의 세분화된 데이터는 아직 라이브러리에 명시적으로 포함되어 있지 않아, 향후 치료 안전성 프로파일링을 위한 추가적인 문헌 수집이 필요하다.

TME는 단순히 종양 세포의 집합체가 아니라, cancer-associated fibroblasts (CAFs), 비정상적인 혈관 네트워크, 그리고 extracellular matrix (ECM) 재구성 등 다양한 구조적 요소들이 상호작용하는 역동적인 생태계이다. CAFs는 TME의 핵심 구성 요소로서 ECM 침착 및 재형성, 종양 세포와의 신호 교환, 그리고 침윤 백혈구와의 교신(crosstalk)을 통해 종양 진행을 촉진한다 [5]. 그러나 CAFs의 기원과 기능적 이질성(heterogeneity)은 치료 표적으로 삼기 위한 주요 장애물이다. 일부 CAFs는 항종양 특성을 유지할 수 있으므로, 모든 CAFs를 제거하는 것이 항상 유리한 것은 아니며, 선택적인 조절 전략이 필요하다 [5].

혈관 정상화(Vascular Normalization) 개념은 TME의 구조적 이상을 교정하여 치료 효능을 높이는 접근법이다. 종양 내 혈관은 VEGF 등의 프로-혈관생성 신호와 항-혈관생성 신호의 불균형으로 인해 확장되고, 구불구불하며, 과다 투과성을 보인다 [22]. 이러한 비정상적인 혈관은 종양 내부의 혈류와 산소 공급의 시간적·공간적 이질성을 초래하고, 종양 간질액 압력을 증가시켜 화학요법, 방사선 요법 및 면역요법의 효능을 저하시킨다 [22]. anti-VEGF 요법은 단순히 종양을 '굶겨서' 퇴행시키려는 초기 목표와 달리, 혈관을 더 성숙하고 정상적인 표현형으로 변화시킴으로써 과다 투과성을 감소시키고 pericyte coverage를 증가시킨다 [22]. 이 '혈관 정상화'는 종양 저산소증(hypoxia)을 완화하고 간질액 압력을 낮춤으로써 다른 치료제들의 종양 내 침투를 용이하게 하며, 이는 anti-VEGF와 화학요법의 병용 요법이 단일 요법보다 생존율을 개선하는 역설적인 결과를 설명한다 [22].

세포 간 통신은 exosomes과 같은 세포외 소포체를 통해 이루어지며, 이는 TME의 재형성과 신호 전달에 중요한 역할을 한다. Exosomes은 지름 30-200nm의 작은 막성 소기관으로, 단백질, 지질, 핵산 등을 포함하여 다른 세포로 신호와 분자를 전달한다 [10]. 이들은 ECM 재형성뿐만 아니라 면역 반응 조절, 조직 항상성 유지, 그리고 종양 진행에 관여한다 [10]. 또한, microglia와 같은 중추신경계(CNS)의 고유 거대 식세포는 뇌 병리학의 민감한 감지자로서, 활성화 시 다양한 물질을 분비하여 주변 세포에 유익하거나 해로운 영향을 미칠 수 있다 [6][9]. 비록 microglia 연구가 주로 신경퇴행성 질환에 초점을 맞추고 있지만, 그 활성화 메커니즘과 사이토카인 분비 패턴은 TME 내 면역 세포의 행동 양식을 이해하는 데 유사한 통찰력을 제공한다.

사용자 라이브러리는 NSCLC의 TME에서 PD-L1 발현과 TILs/TAMs의 관계를 다루고 있으나, CAFs의 이질성과 치료적 표적화 전략, 또는 혈관 정상화가 약물 전달 효율에 미치는 구체적인 기전, 그리고 exosomes을 통한 세포 간 통신 네트워크에 대한 심층적인 분석은 아직 부족하다. 특히 CAFs의 기능적 하위 집단을 구분하여 치료 반응을 예측하는 biomarker 개발이나, 혈관 정상화 기간(window of normalization)을 최적화하는 임상 전략에 관한 문헌이 라이브러리에 추가된다면 TME 구조적 조절에 대한 이해가 한층 깊어질 것이다.

종양 세포는 빠른 증식을 위해 대사를 재프로그래밍하며, 이는 TME의 산소 농도와 영양분 가용성에 크게 의존한다. Aerobic glycolysis (Warburg effect)는 산소가 존재함에도 불구하고 글리콜리시스 속도가 높은 현상으로, 이는 미토콘드리아 호흡 결함이 아닌, 세포 분열에 필요한 생합성 중간체(biosynthetic intermediates)를 공급하기 위한 적응 기전으로 이해된다 [7]. 글리콜리시스는 새로운 세포 구성 요소인 biomass 생성을 위한 탄소 원천을 제공하며, 이는 빠르게 증식하는 세포에서 선택적으로 유지되는 특징이다 [7]. 또한, pentose phosphate pathway (PPP)는 NADPH를 생성하여 산화 스트레스에 대항하고, 핵산 및 아미노산 합성을 위한 전구체를 공급함으로써 종양 세포의 대사 항상성과 성장 요구를 충족시킨다 [21].

저산소증(Hypoxia)은 TME의 또 다른 특징적 요소로, hypoxia-inducible factor-1 alpha (HIF-1α)의 활성화를 통해 종양의 공격적인 표현형을 유도한다. cervical cancer 및 cervical intraepithelial neoplasia에서 HIF-1α는 혈관생성(angiogenesis), 침윤(invasion), epithelial-mesenchymal transition (EMT)을 촉진하고, 면역 미세환경을 조절하며, 방사선/화학요법에 대한 내성을 증가시킨다 [25]. HIF-1α는 VEGF, PDGF-β, MMP-2/9 등의 프로-혈관생성 및 침습 관련 유전자 발현을上调하며, HPV oncogenes와 시너지 효과를 일으켜 종양 진행을 가속화한다 [25]. 이러한 저산소 미세환경은 전이성 표현형의 획득을 선호하며, miR-143과 같은 항종양 인자와 프로종양 인자 간의 균형이 종양의 운명을 결정한다 [25].

대사 및 저산소증 신호는 또한 세포 사멸 형태와도 연결된다. triple-negative breast cancer (TNBC)에서 Chinese medicine-based interventions (CMBIs)는 ferroptosis (철 의존성 지질 과산화에 의한 세포 사멸)를 유도하는 것으로 preclinical 연구에서 보고되었다 [30]. Ferrostatin-1에 민감한 이 과정은 TNBC의 공격성을 억제할 잠재력을 보이지만, 아직 임상적 검증이 부족하다 [30]. 이는 TME 내 대사 스트레스와 산화 스트레스가 종양 세포 사멸을 유도할 수 있는 새로운 치료 표적이 될 수 있음을 시사한다.

사용자 라이브러리는 NSCLC의 immune profiling에 초점을 맞추고 있으나, TME 내 대사 재프로그래밍(glycolysis, PPP)과 저산소증(HIF-1α)이 면역 반응 및 치료 내성에 미치는 구체적인 생화학적 기전에 대한 문헌은 포함되지 않았다. HIF-1α 억제제나 대사 표적 요법이 ICI와 병용될 때의 시너지 효과에 대한 연구는 현재 라이브러리의 blind spot이며, 이를 보완한다면 TME의 대사-면역 축(metabolic-immune axis)에 대한 포괄적인 이해가 가능해질 것이다.

전이(Metastasis)는 암 관련 사망의 주요 원인이며, epithelial-mesenchymal transition (EMT)은 이 과정에서 핵심적인 역할을 한다. EMT는 상피 세포가 간엽 세포 표현형으로 전환되는 동적 과정으로, 세포 이동성, 침습성, 그리고 아포토시스 자극에 대한 저항성을 증가시킨다 [13][20]. 또한, EMT를 겪은 종양 세포는 stem cell 특성을 획득하고 치료 내성을 나타낸다 [20]. 그러나 EMT가 전이에 필수적인지 여부는 in vivo에서 기술적으로 입증하기 어려웠으며, 최근 연구들은 lineage tracing 시스템과 동적 in vivo imaging을 통해 EMT와 전이 간의 직접적인 인과관계를 규명하려는 노력을 기울이고 있다 [20]. TEMTIA (The EMT International Association)는 EMT 연구의 용어와 정의를 표준화하여 데이터 해석의 오해를 줄이고 학제 간 협력을 촉진하기 위한 가이드라인을 제시했다 [13].

EMT와 유사하게, wound healing 과정에서의 세포 상호작용도 TME 재형성과 관련이 깊다. 상처 치유는 hemostasis, inflammation, growth, re-epithelialization, remodeling 단계에서 다양한 세포 유형의 공간적·시간적 동기화를 필요로 한다 [8]. 만성 상처나 비후성 흉터와 같은 병리적 상태에서는 미세환경의 변화(기계적 힘, 산소 수준, chemokine, ECM 및 성장 인자 합성의 변화)가 세포 모집과 활성화를 방해한다 [8]. 단일 세포 기술(single cell technologies)은 이러한 세포 유형의 표현형 및 기능적 이질성을 해독하는 데 필수적이다 [8].

또한, microbiome과 TME의 상호작용도 주목받고 있다. thyroid carcinoma (TC)에서 장내 미생물군(gut microbiome)은 면역 미세환경을 조절하여 종양 진행에 영향을 미친다 [26]. Dysbiosis, lipopolysaccharides (LPS), short-chain fatty acids (SCFAs) 등의 대사물질은 갑상선 기능과 면역 반응을 양방향으로 조절하며, 이는 TC의 전이성 표현형 획득 및 치료 반응(화학요법, 방사선 요법, 표적 요법)에 영향을 줄 수 있다 [26]. 비록 intratumor microbiome의 역할은 아직 명확하지 않지만, 미생물군 기반의 면역 조절은 개인 맞춤형 치료 전략으로 부상하고 있다 [26].

사용자 라이브러리는 NSCLC에서의 immune profiling과 neoadjuvant immunotherapy 모니터링을 다루고 있으나, EMT의 역동적 과정, 전이 메커니즘, 그리고 microbiome-TME 상호작용에 대한 구체적인 문헌은 포함되지 않았다. 특히 EMT와 전이의 인과관계를 규명하는 최신 in vivo 모델 연구나, 장내 미생물이 면역 치료 반응에 미치는 영향에 대한 분석은 현재 라이브러리의 gap으로 남아 있으며, 이를 채워넣으면 TME의 공간적·시간적 변화 및 외부 환경 요인의 영향을 더 잘 이해할 수 있을 것이다.

TME의 복잡한 특성을 비침습적으로 평가하고 치료 반응을 예측하기 위한 진단 기술은 빠르게 발전하고 있다. Deep learning (DL)은 의료 영상 분석에서 state-of-the-art가 되었으며, 계층적 특징 표현(hierarchical feature representations)을 통해 해부학적 구조, 세포 구조, 조직 분할 및 질병 진단/예후를 자동으로 식별한다 [3]. 특히 위암/GEJ adenocarcinoma에서 DL은 routine H&E 슬라이드로부터 MSI/dMMR, EBV, HER2, PD-L1, CLDN18.2와 같은 임상적 biomarker 상태를 직접 예측할 수 있는 가능성을 보여준다 [28]. 이는 비용이 많이 들고 보편적으로 이용되지 않는 분자/면역조직화학(IHC) 검사를 대체하거나 선별(screening) 도구로 활용될 수 있어, TME의 면역 및 분자 프로파일링을 민주화하는 데 기여한다 [28].

Radiomics는 NSCLC에서 TME를 해독하는 또 다른 강력한 도구이다. 사용자 라이브러리에 포함된 "Deciphering the tumor microenvironment through radiomics in non-small cell lung cancer" 논문은 방사선체학 특징이 immune profiles과 상관관계가 있음을 보여주며, 이는 비침습적으로 TME의 면역 상태를 추정할 수 있음을 의미한다. 또한, machine learning (ML)은 mRNA 백신 및 기타 치료제의 pharmacovigilance에서도 활용되며, adverse event 예측 모델에서 AUC 0.85-0.87을 달성하는 등 능동적이고 지능적인 모니터링 시스템으로 진화하고 있다 [27].

동물 모델의 한계를 극복하기 위해 human organs-on-chips 기술이 등장했다. Organ chip은 미세유체 장치 내에 생체 세포를 배양하여 장기 수준의 생리 및 병리를 높은 충실도로 재현한다 [24]. 이는 복잡한 질병 모델링, 약물 개발, 그리고 개인 맞춤형 의학에서 host-microbiome 상호작용이나 전신 장기관 간 생리를 모사하는 데 사용된다 [24]. 이러한 플랫폼은 TME의 미세환경 조건(예: 혈류, 산소 농도, 세포 간 접촉)을 정밀하게 제어하여 in vivo와 유사한 치료 반응을 예측할 수 있게 한다.

사용자 라이브러리는 이미 NSCLC에서의 radiomics와 immune profile 상관관계에 대한 논문을 포함하고 있어, 영상 기반 TME 분석의 선두를 걷고 있다. 그러나 DL을 통한 H&E 슬라이드 biomarker 예측 [28], organ-on-chip을 이용한 TME 모델링 [24], 그리고 ML 기반 pharmacovigilance [27]와 같은 최신 계산 및 공학적 접근법은 아직 라이브러리에 명시적으로 포함되어 있지 않다. 이러한 기술들은 TME의 정량적 평가와 치료 반응 예측의 정확도를 높이는 데 필수적이므로, 향후 라이브러리 확장의 주요 방향이 될 것이다.

아래 논문 중 필요한 것을 Zotero에 담아 두면 다음 실행부터 이 목록에서 빠집니다.

ILD의 정확한 진단은 임상적, 방사선학적, 병리학적 소견을 종합하는 다학제적 접근(Multidisciplinary Discussion, MDD)에 의존하며, 최근에는 침습적 조직 검사의 안전성과 진단 수율(diagnostic yield)에 대한 재평가가 활발히 이루어지고 있다. 전통적으로 외과적 폐 생검(Surgical Lung Biopsy, SLB)이 금준으로 여겨졌으나, 높은 합병증률(폐기종 20% 이상, 사망률 2.7%)로 인해 경기관절 폐 냉생검(Transbronchial Lung Cryobiopsy, TBLC)의 역할이 부각되고 있다 [12]. TBLC는 SLB에 비해 입원 기간이 현저히 짧으며(2.6일 vs 6.1일), 사망률은 0.3%로 매우 낮게 보고되었다 [12]. 진단 수율 측면에서 TBLC는 약 82.8~88.3%를 보이며, SLB의 98.7%에는 미치지 못하지만, 초기 진단 접근법으로서의 타당성이 입증되었다 [12, 25]. 특히 최근 연구에서는 소직경 cryoprobe(1.1–1.7 mm)와 표준 직경 probe(1.9 mm) 간의 진단 수율에 유의한 차이가 없음을(RR 0.95; 95% CI 0.88–1.03) 보여주었으며, 이는 장비 선택의 유연성을 높이는 근거가 된다 [25].

영상 진단 측면에서 고해상도 CT(HRCT) 패턴은 ILD 하위 분류의 핵심 지표이다. 결합조직병(CTD) 관련 ILD(CTD-ILD)의 경우, 류마티스 관절염(RA)에서는 Usual Interstitial Pneumonia (UIP) 패턴이 가장 흔한 반면(46%), 전신성 경화증(SSc), 특발성 염증성 근병증(IIM), Sjögren 증후군 등 다른 CTD 하위 유형에서는 Nonspecific Interstitial Pneumonia (NSIP) 패턴이 우세하다(27–76%) [20]. 이러한 영상학적 이질성은 CTD-ILD를 단일 질환으로 보기 어렵게 하며, 각 CTD subtype에 따른 맞춤형 모니터링 전략의 필요성을 시사한다 [20]. 또한, SARS-CoV-2 감염 후 발생하는 폐섬유증(Post-COVID pulmonary fibrosis) 역시 HRCT 상에서 지속적인 간질성 변화를 보이며, 이는 장기적인 기능적 저하와 연관되어 있다 [19, 27].

사용자 라이브러리에는 'Update of the international multidisciplinary classification of the interstitial pneumonias: an ERS/ATS statement'가 포함되어 있어, ILD의 분류 체계에 대한 최신 가이드라인은 이미 확보되어 있다. 또한 'Risk factors and prognostic indicators for progressive fibrosing interstitial lung disease: a deep learning-based CT quantification approach'와 'park-2026-quantitative-ct-imaging-in-progressive-pulmonary-fibrosis'는 정량적 CT 분석 및 딥러닝 기반의 영상 평가에 초점을 맞추고 있다. 그러나 제공된 review 자료들은 TBLC의 안전성 프로파일과 CTD-ILD의 구체적인 HRCT 패턴 분포에 대한 메타분석 데이터를 강조하므로, 라이브러리의 정량적 AI 모델 연구와 결합하여 '영상 패턴의 정량적 해석'과 '침습적 진단의 위험-편익 분석'을 통합한 진단 알고리즘 개발이 향후 중요한 gap으로 남는다.

ILD는 단순한 폐 조직의 섬유화를 넘어, 다양한 유발 인자와 복잡한 분자 기전을 포함하는 이질적인 질환군이다. 전신성 경화증(SSc)과 같은 자가면역 질환에서 ILD 발생은 면역 활성화, 혈관병증 및 진행성 섬유화의 상호작용 결과이며, 이는 '가속화된 노화(Accelerated Aging)'의 특징을 공유한다 [17, 26]. COPD와 유사하게, SSc-ILD 환자에서도 텔로미어 단축, 세포 노화(cellular senescence), PI3 kinase-mTOR 신호 전달 활성화, 미토콘드리아 기능 장애 및 만성 저등급 염증(inflammaging)이 관찰된다 [17]. 이러한 기전은 SSc의 생존율에 직접적인 영향을 미치며, 진단 시점의 연령(>60세), 확산성 피부 병변(diffuse cutaneous SSc), 폐고혈압(PH), 그리고 DLCO < 70% 등이 불량한 예후와 유의하게 연관된다 [22].

감염 요인과의 연관성도 주목할 만하다. 사르코이드증(Sarcoidosis)의 발병 기전에서 마이코박테리아(Mycobacteria)의 역할이 오랫동안 논쟁되어 왔으나, 메타분석 결과 사르코이드증 환자의 조직 샘플에서 마이코박테리아 존재 비율은 26.4%로, 대조군에 비해 유의하게 높았다(Odds Ratio 9.67–19.49) [21]. 이는 감염원이 자가면역 반응을 유발하는 트리거가 될 수 있음을 시사한다. 또한, COVID-19 팬데믹 이후 SARS-CoV-2 감염이 폐 상피세포와 섬유아세포를 통해 지속적인 섬유화 변화를 유도할 수 있다는 증거가 축적되고 있으며, 이는 Post-Acute Sequelae of SARS-CoV-2 Infection (PASC)의 중요한 구성 요소로 자리 잡고 있다 [19, 27].

사용자 라이브러리에는 'Cancer-induced systemic pre-conditioning of distant organs: building a niche for metastatic cells'가 포함되어 있어, 전신적 미세환경 변화에 대한 이해는 어느 정도 존재한다. 그러나 ILD 특이적인 '노화 관련 기전(Aging mechanisms)'과 '감염-면역 교차(Cross-talk between infection and immunity)'에 대한 구체적인 분자 경로 연구는 현재 라이브러리에서 명시적으로 다루어지지 않고 있다. 특히 SSc-ILD에서의 세포 노화 기전과 사르코이드증에서의 감염원 역할은 기존 암 중심의 전신 조건화(pre-conditioning) 개념을 확장하여, ILD의 이질성을 설명하는 새로운 병태생리학적 프레임워크를 구축할 수 있는 잠재력을 가진다.

ILD의 치료는 질환의 기원과 중증도에 따라 면역억제제, 항섬유화제, 그리고 증상 조절제를 포함한 다각적인 접근이 필요하다. CTD-ILD, 특히 SSc-ILD의 일선 치료제로 Mycophenolate Mofetil (MMF)과 Methotrexate (MTX)가 널리 사용된다. Scleroderma Lung Study II (SLS II)를 비롯한 여러 연구는 MMF가 경구 Cyclophosphamide와 비교해 유사한 효능을 보이지만 내약성이 더 우수함을 입증했다 [26]. 반면, MTX는 초기 확산성 피부 병변이나 근골격계 증상에 유용할 수 있으나, 폐 기능 개선에 대한 증거는 제한적이다 [26]. 따라서 현재 가이드라인은 임상 표현형(phenotype-driven approach)에 따라 MMF를 SSc-ILD의 우선 치료제로 권장한다 [26].

중재적 치료 옵션으로 Tripterygium glycosides (Tg)의 사용이 주목받고 있다. 메타분석 결과, Tg를 면역억제제 또는 글루코코르티코이드와 병용했을 때 총 유효률이 대조군(단독 면역억제제/스테로이드)보다 유의하게 높았다(RR 1.16; 95% CI 1.09–1.24) [29]. 특히 Tg + 글루코코르티코이드 조합이 Tg + 면역억제제 조합보다 통계적으로 더 높은 유효률을 보였으나(P=0.03), 이는 주로 아시아권 연구에서 보고된 결과로, 서양 환자군에서의 일반화 가능성은 추가 검증이 필요하다 [29]. 또한, 약물 유발성 간질성 폐질환(DIILD)의 경우, 암 치료제, 류마티스약, Amiodarone, 항생제가 주요 원인이며, 사망률이 50% 이상으로 매우 높게 보고된다 [9]. DIILD의 치료는 주로 글루코코르티코이드(GCs)에 의존하지만, 전향적 연구가 부족하여 최적의 치료 전략이 확립되지 않은 상태이다 [9].

사용자 라이브러리에는 NSCLC에서의 면역항암제(Durvalumab, Atezolizumab) 관련 논문들이 포함되어 있어, 면역치료의 부작용 관리에 대한 배경 지식이 있다. 그러나 ILD 특이적인 약물, 즉 MMF, MTX, Tripterygium glycosides, 그리고 DIILD 관리에 대한 구체적인 치료 알고리즘은 현재 라이브러리에 부재하다. 특히 CTD-ILD에서의 Phenotype-driven drug selection과 DIILD의 고위험군 식별 및 스테로이드 반응 예측 모델은 임상적으로 시급한 gap으로 남아 있다.

ILD 환자의 관리에서 폐기능 검사(PFT)뿐만 아니라 일상생활에서의 기능적 능력과 심리적 웰빙을 평가하는 것이 예후 판정에 중요하다. 6분 보행 검사(6MWT), 증량 셔틀 보행 검사(ISWT), 지구력 셔틀 보행 검사(ESWT)는 만성 호흡기 질환 환자의 기능적 운동 능력을 평가하는 신뢰할 수 있는 도구이다 [3]. 6MWD는 피크 작업 용량(r=0.59–0.93) 및 신체 활동량(r=0.40–0.85)과 강하게 상관관계가 있으나, 폐기능(FVC, DLCO)과는 상대적으로 약한 상관관계를 보인다(r=0.10–0.59) [3]. 이는 6MWT가 단순한 폐기능 지표 이상의 전신적 기능 상태를 반영함을 의미하며, 운동 훈련 개입에 대한 반응성(responsiveness)도 높게 보고되었다 [3].

심리적 합병증은 ILD 환자에서 흔히 간과되지만 예후에 중대한 영향을 미친다. 불안과 우울증은 ILD 하위 유형 전반에서 높은 유병률을 보이며, 이는 만성 저산소증, 기능적 장애, 치료 관련 스트레스 및 생물학적 요인(유전적 감수성 등)의 복합적 상호작용으로 발생한다 [31]. 정신과적 합병증이 있는 환자는 증상 악화, 신체 활동 감소, 건강 관련 삶의 질(HRQoL) 저하와 유의하게 연관되어 있다 [31]. 또한, ILD 환자에서 사르코페니아(Sarcopenia)의 유병률은 26.8%로, 비질환 대조군(13.3%)에 비해 현저히 높으며, 이는 호흡기 질환과 노화 관련 근육 감소증의 밀접한 연관성을 보여준다 [13].

사용자 라이브러리에는 'The Eighth Edition AJCC Cancer Staging Manual' 등 암 분류 및 스테이징에 관한 문서가 있으나, ILD 환자의 기능적 평가(6MWT, ISWT)나 심리적 웰빙, 사르코페니아와 같은 전신적 합병증에 대한 자료는 포함되어 있지 않다. 특히 'Psychiatric comorbidities in patients with interstitial lung diseases' [31]와 'Prevalence of sarcopenia as a comorbid disease' [13]에서 제시된 증거들은 ILD 관리가 폐 기능 개선뿐만 아니라 다학제적 접근(재활, 정신건강, 영양)을 필요로 함을 강조한다. 따라서 현재 라이브러리는 진단 및 치료 중심이며, 환자의 전인적 건강(Holistic health)과 기능적 예후 인자에 대한 평가 도구가 결여되어 있다.

아래 논문 중 필요한 것을 Zotero에 담아 두면 다음 실행부터 이 목록에서 빠집니다.

Interstitial lung disease (ILD)의 정확한 진단은 임상적 경과와 치료 선택에 결정적인 역할을 하며, 최근에는 침습적 생검의 대안으로 비침습적 영상 기술과 미세침습적 시술이 빠르게 발전하고 있다. 전통적으로 흉부 X선(CXR)이 폐렴 등의 호흡기 질환 진단 표준이었으나, 방사선 노출과 진단 변동성 문제로 인해 Point-of-care ultrasound (POCUS)에 대한 관심이 높아지고 있다. 소아 환자에서의 community-acquired pneumonia (CAP) 진단 정확도를 비교한 체계적 문헌고찰 및 메타분석 결과, POCUS는 민감도 91% (95% CI: 89–93%)와 특이도 86% (95% CI: 83–88%)를 보였으며, 이는 CXR의 민감도 88%와 특이도 76%보다 우수한 것으로 나타났다 [25]. 특히 SROC 분석에서 POCUS의 AUC는 0.9569로 CXR의 0.9291을 상회하여, 폐 실질 응고(pulmonary consolidation)와 흉막 삼출액(pleural effusion) 검출에서 더 일관된 성능을 입증했다 [25]. 이러한 비침습적 영상 기술의 정밀도 향상은 ILD 초기 스크리닝 및 모니터링에 중요한 시사점을 제공한다.

한편, 조직학적 진단이 필수적인 ILD 환자들에게 Transbronchial lung cryobiopsy (TBLC)는 수술적 폐 생검(surgical lung biopsy)보다 덜 침습적인 대안으로 자리 잡고 있다. 최근 연구에서는 TBLC 수행 시 사용되는 cryoprobe의 직경(소형 vs 표준형)에 따른 진단 수율(diagnostic yield)과 안전성 차이를 평가했다. 5개 연구(232명)를 포함한 메타분석 결과, 소형 probe (1.1–1.7 mm)와 표준 probe (1.9 mm) 간의 진단 수율에는 통계적으로 유의한 차이가 없었다 (RR 0.95; 95% CI 0.88 to 1.03; P = 0.212) [31]. 또한 출혈(RR 0.67)과 기흉(pneumothorax, RR 1.44) 발생률에서도 유의한 차이가 관찰되지 않아, 소형 probe가 진단 정확도를 희생하지 않으면서도 안전성을 유지할 수 있음을 시사한다 [31]. pooled single-arm yield는 88.3% (95% CI 78.2 to 94.1)로 보고되었다 [31].

영상 분석 분야에서는 Deep learning 기술이 의료 영상 해석의 정밀도를 혁신적으로 높이고 있다. 계층적 특징 표현(hierarchical feature representations)을 통해 데이터 자체에서 학습된 패턴을 식별하는 deep learning은 조직 분할(tissue segmentation), 질병 진단 및 예후 예측 등에서 state-of-the-art 성능을 보이고 있다 [3]. 특히 ILD 분야에서는 Deep learning 기반의 CT 정량화 접근법이 progressive fibrosing interstitial lung disease의 위험 요인과 예후 지표 분석에 활용되고 있으며, 이는 사용자 라이브러리에 이미 존재하는 "Risk factors and prognostic indicators for progressive fibrosing interstitial lung disease: a deep learning-based CT quantification approach" 및 "park-2026-quantitative-ct-imaging-in-progressive-pulmonary-fibrosis" 논문들과 맥을 같이 한다. 이러한 기술적 진보는 ILD의 이질적인 병리 생리를 정량적으로 평가하고, 개인화된 치료 전략 수립에 기여할 것으로 기대된다.

사용자 라이브러리 현황 및 Gap: 사용자 라이브러리에는 Deep learning 기반 CT 정량화를 통한 진행성 폐섬유증 위험 요인 분석 논문이 이미 포함되어 있어, 영상 진단의 정량화 측면에서는 비교적 잘 구축되어 있다. 그러나 POCUS와 같은 초음파 기반 비침습적 진단의 ILD 적용 가능성, 또는 TBLC probe 크기 선택에 대한 최신 임상 가이드라인 반영은 아직 부족하므로, 이 부분의 문헌을 추가하면 진단 알고리즘의 완성도가 높아질 것이다.

ILD와 관련된 전신 치료, 특히 면역 관문 억제제(Immune Checkpoint Inhibitors, ICIs)의 사용 증가로 인해 면역 관련 부작용(irAEs)에 대한 이해가 필수적이다. ICIs는 melanoma 등 다양한 악성 종양 치료에서 환자의 면역 시스템을 활성화하여 종양을 공격하는 혁신적인 치료법으로 자리 잡았으나, 신장 독성(renal toxicities)과 같은 심각한 부작용을 유발할 수 있다 [1]. Ipilimumab (anti-CTLA-4), pembrolizumab, nivolumab (anti-PD-1) 등 주요 ICIs에 대한 문헌 검토 및 FDA 보고 데이터 분석 결과, 급성 간질성 신염(Acute interstitial nephritis, AIN), podocytopathy, 저나트륨혈증(hyponatremia) 등이 주요 신장 부작용으로 확인되었다 [1]. 특히 PD-1 억제제 관련 신장 손상은 CTLA-4 길항제에 비해 발생 시기가 늦은 편(3-10개월 vs 2-3개월)이며, 이식 환자에서 신장 거부 반응(kidney rejection)과도 연관되어 있다 [1]. 초기에는 희귀하다고 여겨졌으나, 최근 연구에서는 신장 독성의 발생률이 9.9%에서 29%까지 높을 수 있음을 시사하고 있어, ICIs 치료 중 신기능 모니터링의 중요성이 강조된다 [1].

면역 반응과 염증 조절은 ILD의 병리 생리와도 밀접한 연관이 있다. Chemokines 및 그 수용체는 면역 세포의 이동과 위치 결정을 통제하며, 급성 염증뿐만 아니라 적응성 면역 반응(priming of naive T cells, effector/memory cell differentiation)에도 핵심적인 역할을 한다 [8]. 또한, 수면과 면역 시스템 간의 양방향 상호작용(sleep-immune crosstalk)은 건강과 질병 모두에서 중요한 조절 기전이다. 감염 시 면역 활성화는 수면 지속 시간과 강도를 증가시키며, 이는 숙주 방어(host defense)를 강화하는 피드백 메커니즘으로 작용한다 [11]. 반면, 만성적인 수면 부족은 전신성 저등급 염증(chronic systemic low-grade inflammation)을 유발하여 당뇨병, 동맥경화증, 신경퇴행성 질환 등 염증 성분이 관련된 다양한 질환의 위험을 높인다 [11]. ILD 환자에서 이러한 면역-수면 축의 불균형이 폐 섬유화 진행에 미치는 영향은 추가 연구가 필요한 영역이다.

또한, Sepsis와 Acute respiratory distress syndrome (ARDS)과 같은 중증 호흡기 및 전신 염증 상태에서는 Extracorporeal blood purification techniques (ECCO₂R, CytoSorb® hemoadsorption)의 역할이 주목받고 있다. ECCO₂R은 이산화탄소 제거를 용이하게 하고, CytoSorb는 순환하는 사이토카인과 염증 매개체를 제거함으로써 염증 균형을 조절한다 [26]. 그러나 현재 임상 시험에서는 사망률 개선에 있어 유의미한 차이를 보이지 않았으며, 이는 환자 이질성(patient heterogeneity)과 phenotype-based selection의 부재로 설명된다 [26]. ECCO₂R은 고탄산혈증(hypercapnia)이 주된 특징인 ARDS phenotype에서, CytoSorb는 과염증 상태(hyperinflammatory state)를 보이는 환자에서 더 효과적일 수 있다는 가설이 제시되고 있다 [26]. 이러한 정밀 의학 접근법은 ILD로 인한 호흡부전이나 전신 염증 반응이 심한 환자 관리에도 적용될 가능성이 있다.

사용자 라이브러리 현황 및 Gap: 사용자 라이브러리에는 NSCLC 치료에서 durvalizumab의 효능과 immune-related adverse events (irAEs)의 연관성을 다룬 논문이 포함되어 있어, ICIs 관련 부작용에 대한 일부 이해가 존재한다. 그러나 ILD 특이적인 신장 독성(renal toxicity) 관리나, Sepsis/ARDS에서의 extracorporeal purification 기술 적용에 대한 문헌은 부족하므로, 전신 치료의 부작용 관리 및 중증 호흡기 합병증 대응 전략을 보강할 필요가 있다.

ILD의 핵심 병리 과정인 폐 섬유화(pulmonary fibrosis)는 신장 섬유화(renal fibrosis)와 유사한 세포 및 분자 기전을 공유한다. Tubulointerstitial fibrosis는 노화와 만성 신장 질환(CKD)에서 진행성으로 발생하며, 70세 이상 성인의 절반과 세계 인구의 10%를 영향을 미친다 [14]. 섬유화 과정은 상피 세포 손상 후 분비되는 pro-fibrotic 및 pro-inflammatory paracrine signals에 의해 간질 myofibroblast의 활성화가 조절된다 [14]. 현재 신장 섬유화를 늦추는 표적 치료제는 아직 없으나, 이러한 기전 이해를 바탕으로 새로운 치료 표적 개발이 진행 중이다 [14]. 폐에서도 유사하게, Cancer-associated fibroblasts (CAFs)는 종양 미세환경(tumor microenvironment)의 핵심 구성 요소로, 매트릭스 침착 및 재구성, 암 세포와의 신호 교환, 침윤 백혈구와의 상호작용을 통해 질병 진행에 기여한다 [4]. CAFs의 기원과 기능 이질성(heterogeneity)은 치료적 조절의 주요 장애물이지만, 일부 항종양 기능을 유지하면서 섬유화 과정을 억제하는 전략이 연구되고 있다 [4].

Epithelial–mesenchymal transition (EMT)는 상피 세포가 중간엽 표현형으로 전환되는 동적 과정으로, 세포 이동과 침습성 변화를 유발하며 ILD 및 암 진행에서 중요한 역할을 한다 [7]. EMT는 보존된 유도 신호(inducing signals), 전사 조절자(transcriptional regulators), 하위 효과물(downstream effectors)에 의해 구동되며, TEMTIA (The EMT International Association)의 합의 성명서는 이 분야의 용어 통일과 연구 가이드라인을 제시하여 데이터 해석의 오해를 줄이고 학제 간 협력을 촉진하고자 한다 [7]. Notch signaling pathway 역시 조직 항상성(tissue homeostasis)과 질병에서 중요한 역할을 하며, 세포-세포 간 통신(cell-cell communication)을 통해 세포 운명을 조절한다 [21]. Notch 신호 전달의 이상은 피부, 간, 폐, 장, 혈관 등 다양한 장기의 발달 및 질환(특히 암)과 연관되어 있으며, ILD에서의 섬유화 진행에도 관여할 가능성이 있다 [21].

종양 미세환경의 산성도(acidity)는 세포 대사, 증식, 생존, 그리고 면역 반응에 복합적인 영향을 미쳐 질병 진행을 촉진한다 [15]. 고대사 활동과 불충분한 관류(perfusion)로 인해 종양 간질 공간의 pH가 낮아지면, 이는 유전적 불안정성, 후생유전학적 변화, 세포 대사 조절 등을 통해 악성 표현형을 강화한다 [15]. 또한, 산성 환경은 세포 이동성 증가, 세포외 기질 분해, 면역 반응 감소를 유발하여 침습성을 높인다 [15]. 이러한 미세환경의 물리화학적 특성은 ILD에서의 섬유화 조직 형성과도 유사한 맥락에서 고려될 수 있으며, TRP (Transient Receptor Potential) cation channels와 같은 이온 채널은 염증 생성물 및 자극제에 반응하여 다양한 질환의 병인 발생(pathogenesis)에 기여한다 [13].

사용자 라이브러리 현황 및 Gap: 사용자 라이브러리는 ILD 분류(Ers/ATS statement)와 진행성 폐섬유증의 영상학적 분석에 초점을 맞추고 있으나, EMT, Notch signaling, CAFs 등 세포 수준의 섬유화 기전과 미세환경 조절에 대한 심층적인 문헌은 부족하다. 특히 "Update of the international multidisciplinary classification of the interstitial pneumonias"는 분류 체계에 중점을 두고 있으므로, 병리생리학적 메커니즘(EMT, Notch, CAFs)을 다루는 리뷰 논문들을 추가하면 ILD의 근본적인 원인에 대한 이해가 깊어질 것이다.

ILD와 호흡기 질환은 환경적 노출과 밀접한 관련이 있으며, 자연재해나 인위적 재해(disasters) 상황에서는 호흡기 응급 상황이 빈번하게 발생한다. 지진 파편의 실리카/석면 먼지, 산불 연기의 미세 입자, 홍수 피해 건물의 곰팡이 포자, 화산 분화의 재 및 산성 가스, 화학 사고의 유독 물질 등은 각각 독특한 기전으로 급성 및 만성 호흡기 질환을 유발한다 [30]. 특히 만성 호흡기 질환 환자는 재발(exacerbations) 위험이 높으며, 자원이 제한된 환경에서 Acute respiratory distress syndrome (ARDS) 관리가 큰 도전 과제로 남아 있다 [30]. 기후 변화로 인해 재해 관련 호흡기 질환의 부담이 증가하고 있어, 취약 계층을 위한 대응 프로토콜 강화가 시급하다 [30].

COVID-19 팬데믹 이후 Long COVID (post-viral sequelae)에 대한 관심이 높아졌으며, 이는 ILD 환자나 만성 호흡기 질환자에게 추가적인 부담으로 작용할 수 있다. 체계적 문헌고찰 및 메타분석 결과, SARS-CoV-2 감염 환자의 80%가 하나 이상의 장기 증상(long-term symptoms)을 경험하는 것으로 추정된다 [5]. 가장 흔한 증상은 피로(fatigue, 58%), 두통(headache, 44%), 주의력 장애(attention disorder, 27%), 탈모(hair loss, 25%), 호흡곤란(dyspnea, 24%)이다 [5]. 또 다른 living systematic review에서는 증상 발현 12주 이후의 Long COVID 특징을 분석한 결과, 약점(weakness, 41%), 전반적인 불쾌감(general malaise, 33%), 피로(fatigue, 31%), 집중력 저하(concentration impairment, 26%), 호흡곤란(breathlessness, 25%)이 주요 증상이며, 환자의 37%가 삶의 질 감소(reduced quality of life)를 보고하고 26%의 연구에서 폐 기능 저하(evidence of reduced pulmonary function)가 관찰되었다 [24]. 이러한 장기 후유증은 다학제 팀(multi-disciplinary teams)을 통한 예방, 재활, 임상 관리 전략이 필요함을 시사한다 [5].

재해 상황에서의 호흡기 응급 관리뿐만 아니라, 일상적인 환경 노출(예: 나노물질 inhalation)도 호흡기 건강에 영향을 미칠 수 있다. Nanomaterials는 전자 부품, 스포츠 장비, 의료 제품 등 다양한 분야에 사용되지만, 탄소 기반 나노튜브(carbon-based nanotubes)와 같은 물질이 석면(asbestos)과 유사한 발암 위험을 가질 수 있다는 우려가 제기되고 있다 [12]. 흡입 경로뿐만 아니라 피부 및 주사 경로 등을 통한 나노물질의 체내 축적과 장기적 독성(long-term consequences)에 대한 연구는 아직 부족하며, 작업자와 최종 사용자를 보호하기 위한 안전 기준 마련이 필요하다 [12]. 이러한 환경적 요인들은 ILD의 발병이나 악화에 간접적으로 기여할 수 있으므로, 환자 교육 및 예방 전략 수립 시 고려해야 할 요소이다.

사용자 라이브러리 현황 및 Gap: 사용자 라이브러리는 주로 암 단계화(staging)와 ICIs 치료에 집중되어 있어, 환경적 요인(재해, 나노물질)이나 Long COVID와 같은 감염 후 장기 호흡기 후유증에 대한 문헌이 전무하다. ILD 환자의 전반적인 건강 관리와 예방 의학 관점에서, 재해 관련 호흡기 응급 관리 [30] 및 Long COVID의 폐 기능 영향 [24, 5]에 대한 문헌을 추가하면, 환자에게 영향을 미치는 외부 요인에 대한 포괄적인 이해가 가능해질 것이다.

아래 논문 중 필요한 것을 Zotero에 담아 두면 다음 실행부터 이 목록에서 빠집니다.

소세포폐암(SCLC)은 공격적인 임상 양상을 보이며, 화학요법이 치료의 핵심 축을 차지합니다. 특히 1차 치료에서 Cisplatin과 Carboplatin 기반 요법의 선택은 오랫동안 논쟁의 대상이었으나, COCIS 메타분석[9]은 두 약물 간에 Overall Survival(OS)이나 Progression-Free Survival(PFS), Objective Response Rate(ORR)에서 통계적으로 유의미한 차이가 없음을 입증했습니다. Median OS는 Cisplatin군 9.6개월, Carboplatin군 9.4개월로 유사했으며(HR 1.08, P=.37), 독성 프로파일만 상이하여(Carboplatin은 혈액학적 독성이 높고, Cisplatin은 비혈액학적 독성이 높음) 임상적 편의성과 환자 상태에 따라 선택될 수 있음을 시사합니다. 또한 Cisplatin의 추가적 이점을 규명하기 위한 메타분석[21]에서는 Cisplatin 포함 요법이 반응률(OR 1.35, P<10^-5)을 높이지만, 독성 관련 사망 위험까지 고려했을 때 생존율에서 유의한 우위를 보이지 않는 것으로 나타났습니다. 이는 SCLC 치료에서 Platinum 기반 요법의 필수성은 인정되지만, 특정 약물의 절대적 우위보다는 환자의 전신 상태와 부작용 관리가 더 중요함을 강조합니다.

방사선 요법(Radiotherapy, RT)의 시기 및 방법은 국소기(Limited-Stage, LS-SCLC)에서 생존율에 결정적인 영향을 미칩니다. Early Thoracic Radiation Therapy (ERT)와 Late Thoracic Radiation Therapy (LRT)를 비교한 메타분석[14]은 ERT가 2년 OS에서 유의한 이점을 제공함을 보여주었습니다(RR 1.17, P=.03). 특히 Hyperfractionated RT와 Platinum 기반 화학요법을 병용할 때 이러한 이점은 더욱 뚜렷하게 나타났습니다(Hyperfractionation: RR 1.44, P=.001; Platinum-based: RR 1.30, P=.002). 이는 SCLC의 빠른 성장 속도를 고려할 때, 가능한 한 초기에 국소 병변을 통제하는 것이 전신 치료와 시너지 효과를 내어 생존을 연장시킬 수 있음을 의미합니다.

뇌전이 예방을 위한 Prophylactic Cranial Irradiation (PCI)의 역할 또한 SCLC 관리에서 중요한 부분입니다. 메타분석[23]은 화학요법 후 완전 반응(CR)을 보인 SCLC 환자에서 PCI가 뇌전이 발생률을 현저히 감소시키며(HR 0.48, 95% CI: 0.39-0.60), 생존율도 개선시킨다는 것을 확인했습니다(HR 0.82, 95% CI: 0.71-0.96). 그러나 장기적인 신경독성에 대한 데이터가 부족하다는 한계가 지적되었습니다. 반면, 이미 뇌전이가 발생한 경우의 치료 접근법은 SCLC의 방사선 감수성(Radiosensitivity)을 고려해야 합니다. Whole Brain Radiation Therapy (WBRT)에 대한 가이드라인[20]은 SCLC와 같이 radiosensitive한 조직학에서는 WBRT의 용량/분할 스케줄 변경이 생존이나 신경인지 결과에 유의한 차이를 만들지 않는다고 결론지었으며, 이는 SCLC가 다른 고형암과 달리 방사선에 매우 민감하므로 표준 WBRT로도 충분한 효과를 기대할 수 있음을 시사합니다.

사용자 라이브러리 현황 및 Gap: 사용자의 라이브러리에는 NSCLC 중심의 Neoadjuvant Nivolumab 연구나 Stage III NSCLC에서의 Durvalumab 유지요법(PACIFIC trial 관련)에 대한 논문들이 다수 포함되어 있으나, SCLC 특이적인 방사선 요법 타이밍(ERT vs LRT)이나 PCI의 최신 신경독성 관리 데이터는 명시적으로 다루어지지 않은 것으로 보입니다. 특히 SCLC에서의 Immunotherapy 결합 요법에 대한 구체적인 메타분석 데이터는 현재 라이브러리에 부재합니다.

Immune Checkpoint Inhibitors (ICIs)는 암 면역치료의 패러다임을 바꾸었으나, SCLC를 포함한 다양한 종양에서 내성 문제는 여전히 해결해야 할 과제입니다[1]. ICIs의 효능은 종양 미세환경(TME) 내 면역 세포의 재프로그래밍에 의존하며, PD-1/PD-L1 경로를 표적으로 하는 항체들이 FDA 승인을 받으며 생존율을 연장시켰습니다. 그러나 모든 환자가 지속 가능한 반응을 보이는 것은 아니며, Primary Resistance와 Acquired Resistance가 치료 결과를 제한합니다[1]. 이러한 내성 기전을 이해하기 위해서는 종양 세포 자체의 변화뿐만 아니라 전신 면역 체계의 변화를 함께 고려해야 합니다.

SCLC 환자에서의 ICI 반응에는 성별에 따른 이질성이 존재합니다. Meta-analysis[22]는 남성 환자가 여성 환자보다 Anti-PD-1/PD-L1 요법에 더 큰 혜택을 받는 경향이 있음을 보여주었습니다(Pooled OS-HR ratio < 1 indicating greater effect in men). 이는 면역 체계의 성별 다형성(Sex-dimorphism)이 치료 반응에 영향을 미칠 수 있음을 시사하며, 향후 개인화된 치료 전략 수립 시 성별을 중요한 변수로 고려해야 함을 강조합니다.

ICI 치료의 부작용 관리, 특히 Immune-related Adverse Events (irAEs)는 치료 지속성과 직결됩니다. ICIs 유도 관절염(ICIs-IA)은 ICI 치료 환자의 약 7%에서 발생하며, 폐암 환자에서도 상당 비율(27.7%)을 차지합니다[26]. 이러한 Rh-irAEs의 조기 진단과 적절한 스테로이드 사용은 치료 중단 없이 면역요법의 이점을 유지하는 데 중요합니다. 뇌전이 환자에게 스테로이드를 사용할 경우, 증상 정도에 따라 Dexamethasone 4-8mg/일(경증) 또는 16mg/일 이상(중증)을 시작하고, 2주 이상 서서히 감량하는 것이 권장됩니다[15]. 이는 SCLC에서 빈번하게 발생하는 뇌전이 관리 시 ICI와 병용 치료 중 신경학적 증상 조절에 필수적인 가이드라인입니다.

사용자 라이브러리 현황 및 Gap: 라이브러리에는 NSCLC에서의 PD-L1 예측 인자 연구나 Nivolumab/Pembrolizumab의 효능 평가 논문들이 존재하지만, SCLC 특이적인 ICI 반응의 성별 차이[22]나 ICI 유도 관절염과 같은 특정 irAEs에 대한 체계적 검토는 포함되어 있지 않습니다. 또한 SCLC에서의 ICI 내성 기전에 대한 분자 수준의 분석은 현재 라이브러리에서 확인되지 않습니다.

종양 미세환경(TME)은 SCLC의 진행과 전이에 핵심적인 역할을 하며, 최근 연구들은 TME 내 다양한 세포 구성 요소와 신호 전달 경로를 표적으로 하는 새로운 치료 전략을 모색하고 있습니다. B7-H3는 종양 세포뿐만 아니라 혈관, 간질, 면역 세포에서 발현되며, 특히 Myeloid-derived suppressor cells (MDSCs)와 대식세포에서의 고발현은 면억 회피와 연관되어 있습니다[31]. B7-H3의 TME 내 분포를 이해하는 것은 차세대 항체-약물 접합체(ADC)나 면역치료제 개발에 중요한 타겟이 될 수 있습니다. 실제로 ADCs는 종양 특이적 항원을 표적으로 하여 세포독성 약물을 전달함으로써 치료 지수를 높이는 유망한 전략으로 부상하고 있습니다[18].

TME의 섬유아세포(Cancer-associated fibroblasts, CAFs)와 관련된 Renin-Angiotensin System (RAS) 신호 전달도 면역치료 반응에 영향을 미칩니다. Meta-analysis[30]는 RAS 억제제(RAS inhibitors)를 병용 사용했을 때 폐암 환자의 OS(HR 0.74)와 PFS(HR 0.81)가 개선되는 것으로 나타났으나, 출판 편향 가능성도 지적되었습니다. 이는 TME의 구조적 재구성을 조절함으로써 ICI의 효능을 증진시킬 수 있는 가능성을 시사합니다. 또한 Statins의 사용 역시 폐암 환자의 ICI 치료 결과에 긍정적인 영향을 미칠 수 있습니다[27]. Meta-analysis 결과, Statin 사용군은 OS(HR 0.76)와 PFS(HR 0.82)가 유의하게 개선되었으며, 이는 Statins의 면역조절 및 항염증 특성이 종양 미세환경을 유리하게 변화시켜 항종양 면역 반응을 강화하기 때문으로 해석됩니다.

Notch 신호 전달 경로 또한 SCLC를 포함한 암에서 이중적인 역할을 합니다[3, 5]. Notch는 세포-세포 간 통신을 통해 세포 운명을 결정하며, 그 기능은 문맥(Context)에 따라 종양 촉진 또는 종양 억제 역할로 달라질 수 있습니다. SCLC에서 Notch 경로의 이상 조절은 치료 내성 및 재발과 연관될 수 있으므로, 이를 표적으로 하는 전략이 연구되고 있습니다. 또한 CXCL8-CXCR1/2 경로[6]는 종양 성장, 침습, 전이를 촉진하며 혈관 신생을 유도하여 TME를 형성하는 데 기여합니다. 이러한 사이토카인 경로를 차단하는 것은 SCLC의 진행을 늦추는 잠재적 치료 표적이 될 수 있습니다.

사용자 라이브러리 현황 및 Gap: 라이브러리에는 Hypoxia-inducible miR-210과 같은 미세환경 관련 연구가 일부 포함되어 있으나, B7-H3의 TME 내 분포[31]나 RAS 억제제/Statins와 ICI의 병용 효과[27, 30]에 대한 구체적인 메타분석 데이터는 누락되어 있습니다. SCLC 특이적인 TME 조절 표적(B7-H3, Notch, CXCL8)에 대한 종합적인 검토가 필요합니다.

SCLC의 조기 진단과 치료 반응 모니터링을 위해 다양한 Biomarker와 Liquid Biopsy 기술이 개발되고 있습니다. SHOX2와 RASSF1A의 메틸화 패널은 폐암 진단에서 높은 민감도(77.8%)와 특이도(89.0%)를 보였으며, AUC는 0.916으로 우수한 진단 성능을 입증했습니다[29]. 이는 조직 생검의 한계를 보완할 수 있는 비침습적 진단 도구로서의 가능성을 보여줍니다. 특히 SCLC와 NSCLC 모두에서 적용 가능한 Liquid Biopsy 플랫폼은 실시간 분자 정보를 제공하여 치료 전략 수립에 기여합니다[25].

전신 면역-염증 지수(Systemic Immune-Inflammation Index, SII)는 고형암의 예후 예측 인자로 주목받고 있습니다. Meta-analysis[19]는 높은 SII가 SCLC를 포함한 여러 암에서 불량한 OS(HR 1.55)와 연관되어 있음을 보여주었습니다. 이는 혈액 검사만으로 환자의 면역-염증 상태를 평가하고 예후를 추정할 수 있는 간단한 biomarker로서의 가치를 입증합니다. 또한 Ki-67 발현 수준은 세포 증식률을 반영하며, NSCLC에서는 높은 Ki-67이 불량한 예후(HR 1.56)와 연관되지만[24], SCLC에서의 구체적인 prognostic value는 추가 연구가 필요합니다. RAS 돌연변이는 주로 NSCLC에서 연구되었으나[7], SCLC에서의 역할은 제한적으로 보고되어 있으며, p53 이상 역시 폐암 전반에서 불량한 예후(HR 1.44-2.24)와 연관됩니다[12].

사용자 라이브러리 현황 및 Gap: 라이브러리에는 Radiomics 기반의 예측 모델이나 PD-L1 IHC assay 비교 연구가 포함되어 있으나, SHOX2/RASSF1A 메틸화 패널[29]이나 SII[19]와 같은 혈액 기반 biomarker에 대한 체계적 검토는 없습니다. SCLC 특이적인 Liquid Biopsy 마커(예: ctDNA fragmentomics)의 임상 유효성에 대한 데이터가 라이브러리에 부재합니다.

치료 시작 시기와 의료 접근성은 SCLC 환자의 생존에 직접적인 영향을 미칩니다. Meta-analysis[2]는 암 치료 지연이 사망률 증가와 유의미하게 연관되어 있음을 보여주었습니다. 수술이나 전신 치료의 경우, 4주마다 지연될 때마다 Hazard Ratio이 1.01-1.28 범위에서 증가하며, 이는 SCLC처럼 진행이 빠른 종양에서는 치료 시작의 신속성이 특히 중요함을 시사합니다. 또한 지리적 요인에 따른 화학요법 접근성의 차이[13]는 'postcode prescribing' 현상을 초래하여, 일부 지역에서는 치료 이용률이 4-5배까지 차이가 날 수 있습니다. 이는 SCLC와 같이 긴급한 치료가 필요한 환자군에서 건강 불평등을 심화시킬 수 있는 심각한 문제입니다.

새로운 치료법의 개발을 위해 Master Protocols (Basket, Umbrella, Platform trials)가 점점 더 많이 활용되고 있습니다[11]. 이러한 설계는 여러 가설을 동시에 검증하거나 치료군을 동적으로 추가/제거할 수 있어 효율성을 높입니다. SCLC와 같은 희귀 또는 공격적인 암종에서 새로운 표적 치료제나 면역치료 조합을 평가할 때, 이러한 유연한 임상 시험 설계는 환자 모집의 어려움과 빠른 질병 진행 속도를 고려할 때 유용한 도구가 될 수 있습니다. 특히 SCLC에서의 ICI와 방사선 요법의 조합[32]은 OS(HR 0.865)와 PFS(HR 0.799)를 개선시키는 것으로 나타났으며, 이는 기존 표준 치료를 넘어서는 새로운 치료 패러다임을 제시합니다.

사용자 라이브러리 현황 및 Gap: 라이브러리에는 Neoadjuvant 요법이나 Real-world data 분석이 포함되어 있으나, 치료 지연의 정량적 영향[2]이나 지리적 접근성 격차[13]에 대한 논의는 없습니다. 또한 Master Protocols를 통한 SCLC 신약 개발 전략[11]이나 ICI+Radiotherapy 조합의 메타분석[32] 데이터는 현재 라이브러리에 명시적으로 포함되어 있지 않습니다.

아래 논문 중 필요한 것을 Zotero에 담아 두면 다음 실행부터 이 목록에서 빠집니다.

Radiomics와 인공지능(AI) 기반 의료 영상 분석은 질병의 조기 발견과 정확한 진단에서 혁신적인 가능성을 제시하고 있으나, 그 임상적 유용성은 모델의 재현성(reproducibility)과 외부 검증(external validation)에 크게 좌우된다. 특히 종양학 분야에서는 CT, MRI, PET 등 다양한 영상 모달리티에서 추출된 radiomic features가 병리학적 상태와 상관관계가 있음이 입증되었으나, 이러한 특징들의 안정성은 이미지 획득 설정, 재구성 알고리즘, 전처리 과정 및 추출 소프트웨어에 따라 크게 달라질 수 있다 [5]. 예를 들어, 1차 통계적 특징(first-order features)은 형태학적(shape) 및 질감(textural) 특징보다 일반적으로 더 높은 재현성을 보이지만, entropy와 같은 특정 질감 특징은 여전히 변동성이 큰 것으로 보고된다 [5]. 이러한 기술적 민감성은 모델의 일반화 가능성을 저해하는 주요 요인으로 작용하며, 특히 다기관 연구에서 표준화된 프로토콜 부재는 결과의 비교를 어렵게 만든다.

딥러닝(DL) 알고리즘의 진단 정확도에 대한 체계적 검토는 분야별 차이를 보여준다. 안과 영상에서는 당뇨망막병증이나 황반변성 진단에서 AUC가 0.933~1.0에 달하는 높은 성능을 보였으나, 호흡기 영상의 폐결절 진단(AUC 0.864~0.937) 및 유방 영상의 유방암 진단(AUC 0.868~0.909)에서도 우수한 결과를 기록하면서도 연구 간 이질성(heterogeneity)이 매우 높았다 [4]. 이는 방법론, 용어 및 결과 측정치의 불일치로 인해 DL 알고리즘의 실제 진단 정확성이 과대평가될 수 있음을 시사한다. 또한, 방사선학 분야에서 수행된 광범위한 검토(RAISE)에 따르면, 대부분의 연구가 후향적 코호트 연구이며, 외부 검증 시 성능이 평균 6% 감소하는 것으로 나타났다 [18]. 이는 내부 검증에서의 높은 Dice 계수(0.89)나 AUC(0.903)가 실제 임상 환경에서의 성능을 완전히 반영하지 못함을 의미한다.

특정 질환군에 초점을 맞춘 연구들도 유사한 패턴을 보인다. 유방암 진단에서 CNN(Convolutional Neural Network)이 가장 정확하고 널리 사용되는 모델로 확인되었으며, 유방암 검출의 정확성 평가에는 Accuracy 지표가 주로 사용되었다 [22]. 반면, 담낭암(Gallbladder Cancer, GBC)의 경우 AI 기반 영상 모델은 민감도 0.888, 특이도 0.838, AUC 0.921을 기록하여 높은 진단 정확성을 보였으나, 임상 검증 코호트와 기술적 벤치마크 연구가 혼재되어 있어 해석에 주의가 필요하다 [31]. 또한, 대조제 강화 유방촬영술(CEM)에서 AI의 적용은 병변의 선명도를 높이고 자동 검출을 지원하지만, 소규모 샘플 크기, 획득 프로토콜의 이질성, 그리고 임상적·호르몬적 정보 통합의 부재로 인해 임상 구현이 제한적이다 [30]. 이러한 진단 모델들의 성숙도는 약물 개발 단계에 비유할 때, 대부분의 radiomics 연구가 Phase 0~II 단계에 머물러 있으며, 실제 임상 적용을 위한 Phase III 수준의 검증은 아직 부족하다 [17].

사용자 라이브러리에는 이미 'Radiomics Quality Score 2.0' 및 'feature normalization methods'와 같은 방법론적 표준화 관련 논문이 포함되어 있어, 기술적 재현성 문제에 대한 기초가 마련되어 있다. 그러나 다양한 영상 모달리티(CT, MRI, PET) 간의 교차 검증 연구나, 실제 임상 워크플로우에서의 통합 가능성에 대한 구체적인 가이드라인은 여전히 부족하다. 특히, 단일 기관 데이터로 개발된 모델이 다기관 환경에서 얼마나 견고하게 작동하는지에 대한 외부 검증 연구의 부재는 주요 gap으로 지적된다.

단일 영상 데이터만으로는 환자의 전체적인 임상적 맥락을 포착하기 어렵기 때문에, 의료 영상과 전자건강기록(EHR), 유전체 데이터 등 다양한 소스의 데이터를 융합하는 접근법이 중요해지고 있다. 딥러닝 모델은 주로 픽셀 값 정보만을 처리하지만, 임상력 및 실험실 데이터와 같은 비영상 정보를 통합함으로써 진단 정확도와 임상적 의사결정의 질을 향상시킬 수 있다 [6]. 이러한 다중 모달리티 융합(multimodal data fusion)은 특히 뇌졸중(Stroke)과 같은 신경학적 질환에서 두드러진다. EEG의 밀리초 단위 신경 활동 정보와 MRI의 고해상도 구조/기능 영상을 결합하면, 급성기 치료 결정뿐만 아니라 예후 평가 및 재활 전략 수립에 더 유용한 정보를 제공할 수 있다 [29]. 그러나 이러한 융합 기술의 임상적 전환은 공개된 다중 모달리티 데이터의 부족, 급성기에서 만성기까지를 아우르는 종단 연구(longitudinal studies)의 부재, 그리고 획득 및 전처리 프로토콜의 표준화 결여로 인해 여전히 도전적이다 [29].

데이터 라벨링의 비용과 시간적 제약은 의료 영상 AI 개발의 주요 장벽이다. 이에 자기감독 학습(Self-supervised learning)이 대안으로 부상하고 있다. 이 방법은 방대한 unlabeled medical datasets에서 유용한 통찰을 학습하여, 라벨된 데이터가 적은 상황에서도 강건한 모델을 구축할 수 있게 한다 [10]. 2012년부터 2022년까지의 연구를 검토한 결과, 자기감독 학습 전략은 의료 영상 분류 모델 개발에 있어 중요한 기여를 할 수 있으며, 향후 연구자들에게 구현 가이드라인을 제공해야 함이 강조되었다 [10]. 또한, Vision Transformers(ViTs)와 Convolutional Neural Networks(CNNs)의 비교 연구에서는 ViTs가 복잡한 의료 데이터셋 처리에서 CNN 대비 우수한 성능과 확장성을 보이며, 사전 학습(pre-training)의 중요성이 부각되고 있다 [14]. YOLO(You Only Look Once) 알고리즘도 객체 탐지 분야에서 높은 효율성을 입증했으나, 균형 잡힌 주석 데이터셋의 필요성과 높은 계산 요구사항이 한계로 지적된다 [15].

특히 위암 및 식도위junction 암(Gastric and GEJ adenocarcinoma)에서 H&E 염색 슬라이드로부터 MSI/dMMR, EBV, HER2, PD-L1, CLDN18.2와 같은 중요한 바이오마커 상태를 예측하는 DL 모델의 정확도가 평가되었다. 이 연구들은 분자 및 면역조직화학(IHC) 검사의 비용과 접근성 문제를 해결할 수 있는 저비용 선별 도구로서의 잠재력을 보여주었으나, 독립적인 검증 데이터셋의 부족으로 인해 통계적 풀링이 어려웠다 [28]. 또한, MASLD(Metabolic dysfunction-associated steatotic liver disease) 진단에서 AI는 초음파, CT, MRI, 탄성영상(elastography)을 활용하여 지방변(steatosis) 진단(AUROC 0.85-0.99) 및 섬유화(fibrosis) 단계 구분(AUROC 0.82-0.97)에서 뛰어난 효과를 보였다 [25, 32]. 특히 기계학습 알고리즘이 일반적인 실험실 지표, 대사체학, 단백질체학 및 장내 미생물군 데이터를 통합할 때, FIB-4나 NAFLD Fibrosis Score와 같은 기존 비침습적 알고리즘보다 우수한 성능을 발휘했다 [25].

사용자 라이브러리에는 'Radiogenomic-based multiomic analysis' 및 'Imaging Phenotyping' 관련 논문이 있어, 영상과 유전체/병리 데이터의 연관성에 대한 이해가 어느 정도 형성되어 있다. 그러나 EHR과의 실시간 융합을 통한 임상 의사결정 지원 시스템(CDSS) 구축, 그리고 자기감독 학습을 활용한 대규모 unlabeled 데이터 처리에 대한 구체적인 구현 가이드라인은 아직 라이브러리에 미비하다. 특히, 다기관 데이터를 기반으로 한 자기감독 학습 모델의 일반화 가능성에 대한 연구가 추가로 필요하다.

Radiomics는 단순한 진단을 넘어, 종양 미세환경(Tumor Microenvironment, TME)의 특성을 비침습적으로 평가하고 면역 치료(Immunotherapy) 반응성을 예측하는 데 중요한 역할을 한다. CD8+ 종양 침윤 림프구(CD8+ TILs)는 암 세포 사멸에 핵심적인 역할을 하며, 높은 CD8+ TILs 수준은 면역 체크포인트 억제제(ICIs) 치료를 받는 환자에서 전체 생존율(OS; HR 0.52), 무진행 생존율(PFS; HR 0.52) 및 객관적 반응률(ORR; OR 4.08)의 유의미한 개선과 관련이 있다 [11]. 이러한 연관성은 NSCLC, 흑색종 등 다양한 암 종류와 치료 방식(ICI monotherapy 또는 combination therapy)에 걸쳐 일관되게 관찰되었다. 반면, 말초혈액 내 순환 CD8+ T 세포는 OS나 PFS 개선과 유의미한 관련이 없었다 [11].

Radiomic features는 TME의 면역 프로파일과 밀접하게 연관되어 있다. NSCLC 환자에서 영상 기반 바이오마커는 PD-L1 발현 수준 및 생존 결과와 상관관계가 있으며, 이는 Nivolumab이나 Pembrolizumab과 같은 ICIs 치료 반응 예측에 활용될 수 있다 [Library: Imaging-Based Biomarkers Predict Programmed Death-Ligand 1...]. 또한, delta-radiomics features(치료 전후의 영상 변화)와 혈액학적 지표를 결합하면, 재sectable NSCLC 환자에서 neoadjuvant immunochemotherapy 후 병리적 완전 반응(pCR)을 예측하는 데 유용하다 [Library: Delta-radiomics features combined with haematological index...]. 이러한 접근법은 종양 내 이질성(intratumor heterogeneity)을 반영하여, 단일 시점의 영상보다 더 동적인 치료 반응을 포착할 수 있게 한다.

그러나 radiomics와 종양 생물학(tumor biology) 간의 연관성을 다루는 연구들의 방법론적 질은 여전히 낮다. Radiomics Quality Score(RQS)를 적용한 검토에 따르면, 대부분의 연구가 50% 미만의 점수를 받았으며, 일부는 0점을 기록했다 [19]. 이는 영상 특징 추출의 표준화 부족과 통계적 검증의 부재를 의미한다. 특히 PET/CT 융합 데이터를 이용한 head and neck cancer(HNC) 연구에서는, 융합 모델이 PET-only 모델보다 concordance index에서 0.042 높게 나타났으나(p=0.0115), CT-only 모델 대비 우위는 통계적 유의성 기준(Bonferroni threshold 0.025)을 충족하지 못했다 [27]. 이는 모달리티 간 정보의 중복성과 편향(bias) 위험을 시사한다.

사용자 라이브러리에는 'Predicting response to immunotherapy in advanced non-small-cell lung cancer using tumor mutational burden radiomic biomarker' 및 'Deciphering the tumor microenvironment through radiomics in non-small cell lung cancer'와 같은 논문이 포함되어 있어, 면역 치료 반응 예측에 대한 radiomics의 적용 사례가 잘 정리되어 있다. 그러나 CD8+ TILs와 같은 특정 면역 세포 하위 집합과의 정량적 상관관계 분석, 또는 다양한 암종 간의 비교 연구는 여전히 부족하다. 특히, acquired resistance(획득 내성) 패턴을 decod하는 longitudinal profiling에 대한 심층적인 메타분석은 라이브러리에 'Longitudinal Blood Immune-Inflammatory and Radiomic Profiling...' 논문이 있으나, 다른 암종으로의 확장 가능성에 대한 논의가 더 필요하다.

의료 AI 모델, 특히 딥 뉴럴 네트워크는 높은 성능을 보이지만 '블랙박스(black-box)' 특성으로 인해 임상 현장에서의 신뢰성과 채택률이 낮다. 설명 가능한 인공지능(Explainable Artificial Intelligence, XAI)은 이러한 불투명성을 해결하기 위해 등장했으며, LIME(Local Interpretable Model-Agnostic Explanations)과 SHAP(SHapley Additive exPlanations) 같은 알고리즘을 통해 모델의 예측 근거를 명시적으로 제시한다 [13]. XAI는 임상 의사결정 지원 시스템(CDSS)에서 특히 중요하며, 의사가 AI의 추천을 이해하고 맥락에 맞게 해석할 수 있게 함으로써 과신 또는 과소신뢰 문제를 방지한다 [8]. 또한, 역사적 데이터로 훈련된 AI가 기존 편향을 강화할 수 있으므로, XAI를 통해 이러한 편향을 식별하고 윤리적·공정한 의사결정을 보장하는 것이 필수적이다 [8].

그러나 현재 의료 영상 분석 분야의 투명성 연구는 주로 계산적 실행 가능성(computational feasibility)에 집중되어 있으며, 최종 사용자(임상 전문가)의 요구사항을 충분히 반영하지 못하고 있다 [16]. 체계적 검토 결과, 형성적 사용자 연구(formative user research)를 통해 사용자 필요와 도메인 요구사항을 이해하는 단계가 거의 수행되지 않았으며, 투명성 주장이 경험적 사용자 평가를 통해 검증된 사례도 드물다 [16]. 이는 현재의 투명 ML 모델이 사용자에게 incomprehensible하여 임상적으로 관련성이 떨어질 위험이 있음을 시사한다. 이를 해결하기 위해 INTRPRT 가이드라인과 같이 인간 중심 설계(human-centered design) 원칙을 도입해야 한다 [16].

XAI의 적용은 다중 모달리티 및 다기관 데이터 융합과 결합될 때 더욱 효과적이다. 예를 들어, multi-modal and multi-centre data fusion을 활용한 XAI 솔루션은 실제 임상 시나리오에서 검증되었으며, 정량적·정성적 분석을 통해 그 유효성을 입증했다 [7]. 이는 AI 모델의 내부 메커니즘을 해석하는 것을 넘어, 다양한 데이터 소스의 상호작용을 설명함으로써 의사의 신뢰를 높이는 데 기여한다. 또한, CDSS에서의 XAI 적용은 표본 데이터 처리(tabular data)에서 가장 흔하며, 텍스트 분석에서는 상대적으로 드물다 [8]. 지역적 설명(local explanations)에 대한 개발자의 관심이 높으며, 사후 설명(post-hoc)과 사전 설명(ante-hoc), 모델 특이적(model-specific)과 모델 무관(model-agnostic) 기법 간의 균형이 이루어지고 있다 [8].

사용자 라이브러리에는 XAI에 대한 직접적인 논문은 명시적으로 나열되지 않았으나, 'Radiomics in Oncology: A Practical Guide'와 같은 실용적 가이드가 포함되어 있어 방법론적 기초는 마련되어 있다. 그러나 인간 중심 설계 원칙을 적용한 XAI 모델의 임상 검증 연구, 특히 다기관 환경에서의 사용자 수용도 및 편향 감시(bias monitoring)에 대한 구체적인 사례 연구는 라이브러리에 부족하다. AI의 윤리적 구현과 책임(accountability)에 대한 논의가 더 깊이 있게 통합되어야 한다.

Radiomics와 AI 기술은 종양학 외에도 신경퇴행성 질환(Neurodegenerative diseases) 및 대사성 질환(Metabolic diseases)의 진단과 모니터링에서 중요한 역할을 하고 있다. 뇌 철분(Iron) 분포를 정량적으로 평가하는 자기감응 매핑(Quantitative Susceptibility Mapping, QSM) 기술은 알츠하이머병(Alzheimer's disease), 파킨슨병(Parkinson's disease), 근위축성 측삭 경화증(ALS) 등 다양한 신경퇴행성 질환의 병리학적 변화와 관련이 있다 [20]. QSM 연구들은 각 질환의 특징적인 뇌 영역(예: 알츠하이머의 편도체 및 꼬리핵, 파킨슨의 흑질)에서 자감응(magnetic susceptibility) 증가, 즉 철분 축적을 보여주었으며, 이는 질병 지속 기간 및 임상적 중증도와 상관관계가 있다 [20].

알츠하이머병의 조기 진단을 위해 딥러닝(DL) 알고리즘이 널리 활용되고 있다. DL은 뇌 손상이 비가역적이 되기 전에 위험 인식을 높이고 예방 조치를 취할 수 있게 함으로써 치료 결과를 개선한다 [21]. 그러나 대부분의 기계 감지 방법은 선천적 관찰(congenital observations)에 제한되어 있으며, 예측(prediction)보다는 진단(diagnosis)에 더 초점이 맞춰져 있다 [21]. 이는 질병 발현 전 단계에서의 예측 모델 개발이 여전히 과제로 남아 있음을 의미한다.

대사성 질환 중 MASLD(Metabolic dysfunction-associated steatotic liver disease, formerly NAFLD)는 전 세계 성인 28%를 영향을 미치는 주요 만성 간 질환이다 [25, 32]. 간 생검(liver biopsy)은 금표준(gold standard)이지만 침습적이고 비용이 많이 들며 샘플 오류 가능성이 있다. 이에 AI 기반 영상 모델(초음파, CT, MRI, 탄성영상)은 지방변 진단(AUROC 0.85-0.99) 및 섬유화 단계 구분(AUROC 0.82-0.97)에서 뛰어난 정확성을 보였다 [25]. 특히, 기계학습 알고리즘이 실험실 지표, 대사체학, 단백질체학 및 장내 미생물군 데이터를 통합할 때, 기존 비침습적 알고리즘(FIB-4, NAFLD Fibrosis Score)보다 우수한 성능을 발휘했다 [25]. 디지털 병리(digital pathology)를 통한 간 생검 이미지의 딥러닝 분석은 간병리학자(hepatopathologist) 전문가와 동등한 진단 정확도를 달성하기도 했다 [25].

사용자 라이브러리에는 MASLD나 신경퇴행성 질환에 특화된 radiomics 논문이 명시적으로 포함되어 있지 않다. 이는 해당 분야에서의 radiomics 적용이 상대적으로 새로운 영역임을 시사한다. 특히, QSM을 활용한 뇌 철분 프로파일링과 MASLD의 다중 오믹스(multi-omics) 통합 분석은 라이브러리의 주요 gap으로 지적된다. 향후 신경학적 및 대사성 질환에서의 비침습적 바이오마커 개발을 위한 radiomics 연구가 확대되어야 할 것이다.

아래 논문 중 필요한 것을 Zotero에 담아 두면 다음 실행부터 이 목록에서 빠집니다.