Predicting EGFR mutation status in lung adenocarcinoma presenting as ground-glass opacity utilizing radiomics model in clinical translation
한 줄 요약
이 연구는 ground-glass opacity (GGO)를 보이는 폐 선암 환자에서 비침습적으로 EGFR 돌연변이 상태를 예측하기 위한 radiomics 모델을 개발하고 임상적 유용성을 검증했다. 636명의 수술 후 조직 검사로 EGFR 상태가 확인된 환자를 대상으로 preoperative CT 영상을 분석하여 1476개의 radiomics features를 추출하고, gradient boosting decision tree (GBDT) 알고리즘을 통해 최종 102개의 특징을 선별하여 모델을 구축했다. 개발된 radiomics 모델은 internal validation cohort에서 AUC 0.822, external validation cohort에서 AUC 0.803의 성능을 보였으며, 기존 clinical model(AUC 0.730 및 0.746)보다 통계적으로 유의미하게 우수한 예측력을 입증했다. 또한 radiomics score를 clinical features와 결합한 combination model은 radiomics 모델 단독 사용 대비 추가적인 성능 향상을 보이지 않았다. 특히, 수술 후 adjuvant EGFR-TKI 치료를 받은 환자군에서 미절제 GGO 병변의 EGFR 상태를 본 모델로 예측했을 때, EGFR-TKI에 대한 반응률(response rate)이 25.9%에서 53.8%로 유의하게 증가(p = 0.006)하여 임상적 적용 가능성을 시사했다.
방법
연구 설계는 두 기관의 전향적 수술 데이터베이스(2014년 1월~2019년 12월)를 기반으로 한 후향적 코호트 연구였다. 포함 기준은 병리적으로 확인된 원발성 폐 선암, 림프절 침범이나 전신 전이가 없으며, EGFR 유전자 검사가 수행되었고, 수술 전 CT에서 GGO(pure-GGO 또는 GGO-predominant)로 나타난 환자였다. 제외 기준은 neoadjuvant treatment를 받은 경우, 임상 정보가 불완전한 경우, CT 촬영과 수술 간격이 2개월 이상인 경우, 그리고 solid nodules 또는 solid-predominant nodules(consolidation/tumor ratio [CTR] > 0.5)가 있는 경우였다. 최종 636명의 환자가 포함되었으며, 이 중 564명은 The First Affiliated Hospital of Guangzhou Medical University에서 유래한 primary cohort로 training set (n=464)과 internal validation set (n=100)으로 무작위 배정되었고, 나머지 72명은 Guangzhou Institute of Respiratory Health에서 유래한 independent external validation cohort로 사용되었다.
영상 획득은 Siemens의 64-slice 또는 128-slice CT, 그리고 GE Medical Systems의 256-slice CT를 사용하여 unenhanced chest CT로 수행되었다. 재구성 두께와 간격은 1~1.5 mm였으며, 모든 영상은 DICOM 형식으로 추출되어 isotropic voxel (1×1×1 mm³)로 보정되었다. region of interest (ROI) delineation은 5년 이상 경력을 가진 두 명의 radiologist가 semi-automatic 방식으로 수행했으며, ITK-SNAP과 RadiAnt DICOM Viewer를 사용했다. Python 3.7을 사용하여 first-order, shape/size-based, textural features(GLCM, GLRLM, GLSZM, GLDM 기반) 등 총 1476개의 radiomics features를 추출했다. 특징 선택 과정에서는 independent t-test로 p-value가 낮은 상위 252개 features를 선별한 후, max-relevance and min-redundancy (mRMR) 알고리즘을 적용하여 차원을 축소하고 최종 102개의 features(10 first-order, 1 shape/size-based, 91 textural)를 모델 입력값으로 사용했다.
모델 구축은 gradient boosting decision tree (GBDT) 기반이었으며, hyperparameters(number of estimators, maximum depth, minimum samples split, minimum sample leaf)는 grid search와 5-fold cross-validation을 통해 최적화되었다. clinical model은 age, sex, tumor size, GGO type 등 EGFR 관련 임상/영상학적 특징들을 logistic regression으로 구축했으며, combination model은 radiomics score를 추가하여 동일하게 구축했다. 모델 성능 평가는 receiver operating characteristic (ROC) curve와 area under the curve (AUC), sensitivity, specificity, positive predictive value (PPV), negative predictive value (NPV)를 사용했고, DeLong test로 모델 간 차이를 검정했다. 임상 적용 검증은 adjuvant EGFR-TKI 치료를 받은 환자 중 미절제 GGO 병변이 있는 52명(108 lesions)의 코호트를 대상으로, 모델 예측 결과에 따라 EGFR-mutant로 분류된 병변들의 EGFR-TKI 반응률(response rate: any shrinkage)을 분석했다.
주요 결과
Radiomics model은 internal validation cohort에서 AUC 0.822 (95% CI: 0.733–0.892), sensitivity 78.4%, specificity 73.5%, PPV 75.5%, NPV 76.6%의 성능을 보였다. External validation cohort에서는 AUC 0.803 (95% CI: 0.692–0.887), sensitivity 79.2%, specificity 70.8%, PPV 84.4%, NPV 63.0%를 기록했다. Training set에서의 AUC는 0.838이었다.相比之下, clinical model의 성능은 internal validation cohort에서 AUC 0.730 (95% CI: 0.632–0.814), external validation cohort에서 AUC 0.746 (95% CI: 0.630–0.841)로 radiomics model보다 유의하게 낮았다. Combination model은 internal validation cohort에서 AUC 0.816, external validation cohort에서 AUC 0.811을 보였으며, 이는 radiomics model 단독 사용과 비교하여 통계적으로 유의한 추가 이점을 제공하지 않았다 (DeLong test 결과).
Subgroup 분석(validation cohort, n=172)에서는 male (AUC 0.859), age ≥ 55 years (AUC 0.836), mixed GGO lesions (AUC 0.811), lesion size ≤ 1cm (AUC 0.777)에서 모델 성능이 관찰되었으나, 그룹 간 유의한 차이는 없었다. 임상 적용 검증 결과, adjuvant EGFR-TKI 치료 중인 환자들의 미절제 GGO 병변 중 본 radiomics model로 EGFR-mutant로 예측된 병변들의 response rate은 53.8%였으며, 이는 모델 예측 전 전체 병변의 baseline response rate인 25.9%에 비해 유의하게 높았다 (p = 0.006). 이 결과는 radiomics model이 EGFR-TKI 치료 대상 환자 선별에 있어 임상적 유용성을 가짐을 시사한다.
강점
본 연구는 GGO 병변에 특화된 radiomics 모델을 개발하여, 기존 연구들이 다양한 단계의 폐암(고형 결절 포함)을 혼합한 것과 차별화되었다. 이는 EGFR 돌연변이가 GGO 병변에서 높은 빈도로 발생하며, 이러한 병변에 대한 비침습적 예측이 임상적으로 중요하기 때문이다. 대규모 코호트(n=636)와 독립적인 external validation cohort(n=72)를 포함하여 모델의 일반화 가능성을 엄격하게 검증했다. 특히, 단순한 진단 정확도 평가를 넘어, adjuvant EGFR-TKI 치료 중인 실제 임상 환자군에서 모델의 예측 결과가 치료 반응률(response rate) 향상으로 직접 연결됨을 입증함으로써 clinical translation의 실용성을 구체적으로 제시했다.
한계
본 연구는 후향적 설계이며, 두 기관의 데이터만 사용하여 다기관 외부 검증의 폭이 제한적이다. EGFR 돌연변이 검사는 주로 exons 18–21에 국한되었으며, 다른 driver mutations(예: ALK, ROS1)나 EGFR exon 20 insertion 등 다른 유전자 변이에 대한 고려가 부족하다. 또한, radiomics features의 추출과 ROI delineation이 semi-automatic 방식으로 수행되어 observer variability의 잠재적 영향을 완전히 배제하기 어렵다. 임상 적용 검증 코호트(n=52 patients, 108 lesions)의 규모가 상대적으로 작아, EGFR-TKI 반응률에 대한 통계적 검정력이 제한적일 수 있다.
해석
이 연구는 GGO를 보이는 초기 폐 선암 환자에서 EGFR 돌연변이 상태를 비침습적으로 예측하는 radiomics 모델의 유효성과 임상적 유용성을 입증한다. 기존 clinical model보다 우수한 성능을 보였으며, combination model이 추가 이점을 주지 않는다는 점은 radiomics features가 임상 정보를 충분히 보완하거나 대체할 수 있음을 시사한다. 특히 adjuvant EGFR-TKI 치료 맥락에서 미절제 병변의 예측이 치료 반응률을 유의하게 높인 결과는, 수술 후 보조 치료 결정이나 watch-and-wait 전략 중인 GGO 병변 관리에 본 모델이 직접적으로 기여할 수 있음을 보여준다. 이는 LLM Wiki의 oncology 및 biomedical-imaging 문헌에서, 영상 기반 biomarker가 유전자 변이 예측을 넘어 실제 치료 반응 예측과 환자 선별에 어떻게 통합될 수 있는지를 보여주는 중요한 사례이다.