Multimodal integration of radiology, pathology and genomics for prediction of response to PD-(L)1 blockade in patients with non-small cell lung cancer
한 줄 요약
이 연구는 advanced NSCLC 환자에서 PD-(L)1 blockade 치료에 대한 반응을 예측하기 위해 radiology, pathology, genomics 데이터를 통합한 multimodal machine learning 모델(DyAM)을 개발했다. Memorial Sloan Kettering Cancer Center의 247명 환자를 대상으로 CT scan, digitized PD-L1 IHC slides, MSK-IMPACT genomic data를 수집하여 expert-guided feature extraction과 multiple-instance learning을 적용했다. 결과적으로 multimodal model은 AUC 0.80 (95% CI 0.74–0.86)의 예측 성능을 보였으며, 이는 단일 modal인 TMB (AUC 0.61)나 PD-L1 TPS (AUC 0.73)보다 유의미하게 우수했다. 특히 CT 기반 lung parenchymal lesion texture와 PD-L1 IHC의 spatial distribution features가 중요한 예측 인자로 확인되었다. 이 연구는 routine clinical data를 활용한 multimodal integration이 immunotherapy response prediction의 정확도를 높일 수 있음을 정량적으로 입증한다.
방법
Study design과 cohort 구성: 본 연구는 retrospective observational study로, 2014년부터 2019년 사이에 Memorial Sloan Kettering Cancer Center에서 advanced NSCLC 진단을 받고 PD-(L)1 blockade therapy를 받은 환자들을 대상으로 했다. 주요 분석 cohort인 multimodal cohort에는 baseline data와 outcome이 모두 확보된 247명의 환자가 포함되었다. 이 중 responders (CR/PR)는 62명 (25%), nonresponders (SD/PD)는 185명 (75%)이었다. 또한, radiology validation cohort (n=50)와 pathology validation cohort (n=52)를 별도로 구성하여 unimodal features의 robustness를 검증했다. Best overall response는 RECIST v.1.1 기준에 따라 thoracic radiologists가 retrospectively 평가했으며, primary endpoint는 immunotherapy response (CR/PR vs SD/PD)였다.
Data collection과 feature extraction: Radiology 데이터는 contrast-enhanced chest CT scans에서 추출되었다. 3명의 board-certified thoracic radiologists가 각 환자 최대 6개의 lesions을 segment하고 site-annotated (lung parenchymal, pleural, lymph node) 했다. Superpixel-based perturbations를 적용하여 robust radiomics features를 추출했으며, L1-regularized logistic regression을 통해 lung parenchymal lesion에서 평균 35개, pleural lesion에서 10개, nodal lesion에서 25개의 features를 선택했다. Pathology 데이터는 digitized PD-L1 IHC slides (n=201)에서 추출되었으며, gray-level co-occurrence matrix (GLCM) autocorrelation skewness와 pixel intensity statistics 등을 포함한 texture features를 계산했다. Genomic 데이터는 MSK-IMPACT panel (341–468 genes)을 이용한 targeted next-generation sequencing 결과로, somatic gene alterations (EGFR, STK11 등)와 TMB (mutations per Mb)를 포함했다.
Model development: 개발된 모델은 dynamic deep attention-based multiple-instance learning model with masking (DyAM)이다. 이 모델은 각 modality별 features를 입력받아 attention layer를 통해 가중치를 부여하고, 최종적으로 patient-level risk score를 산출한다. Model training은 10-fold cross-validation을 수행했으며, class imbalance를 해결하기 위해 class-balancing 기법을 적용했다. Unimodal models (CT-only, IHC-only, Genomic-only)와 multimodal model의 성능을 DeLong’s method를 사용하여 AUC로 비교 평가했다.
주요 결과
Multimodal model performance: 최종적으로 개발된 multimodal DyAM model은 immunotherapy response 예측에서 AUC 0.80 (95% CI 0.74–0.86)의 성능을 보였다. 이는 기존 FDA-approved biomarkers인 PD-L1 TPS (AUC 0.73, 95% CI 0.65–0.81)와 TMB (AUC 0.61, 95% CI 0.52–0.70)보다 통계적으로 유의미하게 높은 예측력을 보였다. 또한, CT-only model (averaging approach, AUC 0.65, 95% CI 0.57–0.73)과 IHC texture-only model (AUC 0.62, 95% CI 0.51–0.73)보다도 우수했다.
Unimodal feature analysis: CT radiomics 분석에서 lung parenchymal lesions 기반 모델이 AUC 0.64 (95% CI 0.54–0.74)로 가장 나은 성능을 보였으며, pleural lesions만으로는 예측이 불가능했다 (AUC 0.28). Lymph node lesions 기반 모델은 불안정하여 일부 subsampling에서 random chance보다 낮은 성능을 보였다. PD-L1 IHC texture features 중 GLCM autocorrelation skewness가 가장 예측력이 높았으며 (AUC 0.68), 이는 pathologist-assessed TPS와 역상관관계 (r² = -0.38)를 보였으나, automated feature extraction이 expert assessment를 대체할 수 있는 잠재력을 시사했다. Genomic analysis에서는 EGFR mutation (aHR 2.14, P=0.03), STK11 mutation (aHR 2.53, P<0.005)가 poor response와 연관되었고, 높은 TMB는 favorable response와 연관되었다 (aHR 0.14, P=0.04).
Validation results: Radiology validation cohort (n=50)에서 lung parenchymal features 기반 모델은 AUC 0.66 (95% CI 0.48–0.84)로 discovery cohort와 일관된 결과를 보였다. Pathology validation cohort (n=52)에서도 IHC-A features 기반 모델은 AUC 0.62 (95% CI 0.51–0.73)로 discovery cohort (AUC 0.61)와 유사한 성능을 유지했다. 이는 multimodal integration의 robustness를 지지하는 결과이다.
강점
첫째, 실제 임상 환경에서 routinely collected data (CT, IHC, Genomics)만을 사용하여 모델을 구축했기 때문에 clinical applicability가 높다. 둘째, 단순한 biomarker 조합이 아닌, deep learning 기반의 attention mechanism을 통해 각 modality의 relative contribution을 dynamically weighting하는 DyAM 아키텍처를 도입하여 interpretability와 performance를 동시에 고려했다. 셋째, 247명의 relatively large cohort를 확보하고, independent validation cohorts (radiology n=50, pathology n=52)를 구성하여 overfitting을 방지하고 결과의 generalizability를 검증했다. 넷째, 기존 PD-L1 TPS와 TMB의 한계를 정량적으로 비교하며 multimodal integration의 superiority를 명확히 입증했다.
한계
첫째, single-institution retrospective study이므로 selection bias가 존재할 수 있으며, external validation이 부족하다. 둘째, CT scan protocol의 uniformity를 위해 contrast-enhanced chest imaging만 포함시켰으나, 다른 기관이나 시기의 non-contrast scans에서는 성능이 저하될 가능성이 있다. 셋째, PD-L1 IHC staining의 inter-observer variability와 digitization 과정에서의 artifact가 feature extraction에 영향을 줄 수 있다. 넷째, genomic data는 MSK-IMPACT panel (341–468 genes)로 제한되어 있어, whole-exome sequencing이나 RNA-seq 데이터가 포함되지 않아 comprehensive genomic landscape를 반영하지 못할 수 있다. 다섯째, cohort 내 responders 비율이 25%로 낮아 class imbalance 문제가 존재하며, 이는 model calibration에 영향을 줄 수 있다.
해석
이 연구는 NSCLC immunotherapy response prediction에서 multimodal data integration의 중요성을 강조한다. 특히 CT radiomics와 PD-L1 IHC texture features가 기존 biomarkers (TPS, TMB)를 보완하여 예측 정확도를 높일 수 있음을 보여준다. 이는 precision oncology 분야에서 routine clinical data를 활용한 AI model 개발의 방향성을 제시하며, 향후 prospective trials에서 이러한 multimodal models을 validation할 필요성이 있다. 또한, DyAM 모델의 attention mechanism은 어떤 feature가 prediction에 기여하는지 해석 가능하게 만들어, clinicians이 decision-making 과정에서 활용할 수 있는 insights를 제공한다. 이 결과는 oncology와 medical imaging, computational pathology 분야 간의 cross-disciplinary collaboration의 중요성을 다시 한번 확인시켜 준다.