Investigation of radiomics based intra-patient inter-tumor heterogeneity and the impact of tumor subsampling strategies
한 줄 요약
본 연구는 전이성 암 환자에서 radiomics features가 intra-patient inter-tumor heterogeneity를 정량화할 수 있는지, 그리고 일반적인 tumor subsampling strategy가 이 이질성 측정값에 미치는 영향을 평가하였다. metastatic lung cancer (cohort L)와 metastatic melanoma (cohort M) 환자의 치료 전 CT 영상에서 모든 가시적 lesion을 segmentation하고 absolute coefficient of variation (CV)을 계산한 결과, robust radiomics index는 patient 수준과 organ 수준 모두에서 유의미한 변이(최소 20% 이상)를 보였다. 또한 여섯 가지 일반적인 subsampling strategy 중 어느 것도 exhaustive tumor sampling이 포착하는 실제 종양 이질성을 완전히 복원하지 못함을 확인하였다. 특히 RECIST 유사 추출이나 단일 병변 추출은 heterogeneity 정보를 크게 왜곡하거나 상실시키는 것으로 나타났다. 이 결과는 전이성 질환에서 radiomics 기반 예측 모델의 신뢰성을 확보하기 위해서는 lesion sampling 전략의 표준화 및 AI 기반 자동 segmentation 도구의 필요성을 시사한다.
방법
Study design과 setting: 본 연구는 두 개의 코호트를 사용하여 수행되었다. Discovery cohort인 Cohort L은 metastatic lung cancer 환자 3명(Patient A, B, C)으로 구성되었으며, Validation cohort인 Cohort M은 metastatic melanoma 환자 40명으로 구성되었다. Cohort M은 oligometastatic (<5 lesions, n=18)과 multimetastatic (≥15 lesions, n=22) 하위 그룹으로 분류되었다. 모든 환자는 치료 전 single acquisition CT TAP IV+ 영상을 제공받았으며, median age는 57세였다.
대상 환자/데이터의 포함·제외 기준과 규모: Cohort L에서는 총 127개의 lesion을 수동 segmentation하였으며, 가장 흔한 위치는 lung (92개, 72.4%)이었다. Cohort M에서는 총 475개의 lesion을 segmentation하였으며, 가장 흔한 위치는 lymph node (188개, 39.6%)였다. 전체적으로 43명의 환자에서 602개의 lesion이 분석되었다.
개입 또는 imaging/profiling/모델링 방법의 구체적 절차: 모든 가시적 tumor에 대해 radiomics features를 추출하였다. Segmentation robustness를 평가하기 위해 original segmentation과 eroded/dilated segmentation 간의 concordance correlation coefficient (CCC)를 계산하여 CCC > 0.8인 27개 features를 선별하였다. 이후 clustered correlation heatmap을 통해 다중 공선성(multicollinearity)을 제거하고, 8개의 cluster 중 하나씩 대표 feature를 선택하여 총 8개의 robust and uncorrelated features (90 Percentile, Large Dependence High Gray Level Emphasis, Large Dependence Emphasis, Dependence Variance, Informational Measure of Correlation 1, Sphericity, Maximum 2D Diameter Slice, Voxel Volume)를 최종 분석에 사용하였다.
비교군 및 endpoint 정의: Primary endpoint는 각 radiomics index의 absolute CV를 patient-level 및 organ-level에서 계산하여 intra-patient inter-tumor heterogeneity를 정량화하는 것이었다. Secondary endpoint로는 pairwise dissimilarity matrix를 기반으로 한 두 가지 heterogeneity index (maximal tumoral divergence, average tumoral heterogeneity)를 정의하고, 이를 통해 여섯 가지 tumor subsampling strategy (random sampling, site-based sampling, RECIST-like sampling 등)에 의한 information loss 정도를 평가하였다.
추적 기간: 본 연구는 cross-sectional design으로, 치료 전 단일 시점의 영상 데이터를 사용하였으며 추적 기간은 적용되지 않았다.
주요 결과
Primary endpoint 결과: Cohort L에서 모든 robust radiomics index는 최소 20% 이상의 변이를 보였으며, patient별 평균 CV는 Patient A 124%, Patient B 108%, Patient C 170%였다. Feature별로는 Sphericity가 12%로 가장 낮은 변이를, Voxel Volume이 687%로 가장 높은 변이를 기록하였다. Organ level (lung lesions)에서도 feature 분포는 21%에서 419%까지 광범위하게 나타났다. Cohort M에서도 동일한 경향이 재현되었으며, oligo- 및 multi-metastatic 환자 모두에서 유의미한 heterogeneity가 관찰되었다 (p < 1e−6 for multi, p < 1e−5 for oligo).
Secondary endpoint 및 subsampling 분석: Pairwise dissimilarity analysis 결과, Cohort L의 maximal tumoral divergence는 Patient A 0.94, B 0.92, C 0.91 (max value 1.0)이었고, average tumoral heterogeneity는 각각 0.39, 0.21, 0.21이었다. Subsampling strategy 평가에서, 단일 lesion sampling은 inter-tumoral heterogeneity를 전혀 포착하지 못했다. Random sampling 3 lesions는 average tumoral heterogeneity의 67% (95% CI: [30–100])와 maximal tumor divergence의 55% (95% CI: [22–67])를 복원한 반면, site-based sampling 3 lesions는 각각 22% (95% CI: [11–33])와 16% (95% CI: [9–24])만 복원하였다. RECIST-like sampling (bone 제외)은 더 낮은 복원율을 보였다. 전체적으로 true heterogeneity의 75% 이상을 복원하려면 환자당 최소 8개 이상의 lesion을 annotation해야 한다는 결과가 도출되었다.
통계 분석
분석 설계 — 이 연구는 전이성 암 환자에서 Radiomics 분석 시 흔히 사용되는 부분 표본 추출(subsampling) 전략이 intra-patient inter-tumor heterogeneity를 얼마나 왜곡하는지 평가하기 위해 수행되었다. 연구는 두 개의 코호트를 사용했다: 발견 코호트(cohort L, 전이성 폐암 3명, 총 127개 병변)와 검증 코호트(cohort M, 전이성 흑색종 40명, 총 475개 병변). primary endpoint는 모든 가시적 병변을 분석했을 때의 'ground truth' heterogeneity와 다양한 subsampling 전략(예: 무작위 추출, RECIST 유사 추출)으로 얻은 heterogeneity 간의 차이, 즉 정보 손실 정도였다. 데이터 구조는 단일 시점(pre-treatment) CT 영상에서 추출된 Radiomics features를 기반으로 하며, 추적 기간이나 임상적 endpoint(생존 등)는 포함되지 않았다.
무엇을 위해 어떤 분석을 썼는가 — 환자 내 및 장기 내 Radiomics feature의 변이성을 정량화하기 위해 각 feature의 absolute coefficient of variation (CV)를 계산했다. segmentation 오류에 강건한(feature robustness) 특징만 선별하기 위해 original과 eroded/dilated segmentation 간 concordance correlation coefficient를 산출했고, 다중 공선성(multicollinearity)을 제거하기 위해 clustered correlation heatmap을 시각적으로 평가하여 8개의 cluster 중 하나씩 대표 feature를 선택했다. 병변 간의 유사성을 탐색하고 subsampling 전략의 영향을 시뮬레이션하기 위해 pairwise dissimilarity matrix를 계산했고, 이를 바탕으로 두 가지 heterogeneity index(maximal tumoral divergence, average tumoral heterogeneity)를 정의했다. 각 subsampling 전략이 ground truth에 비해 얼마나 많은 heterogeneity를 회복하는지 평가하기 위해 500회 bootstrapping을 수행하여 mean estimated values와 95% CI를 도출했다. 통계 software 및 버전은 원문에 명시되지 않음.
방법론 평가 — 잘 된 점은 segmentation robustness를 사전에 검증하여 분석의 신뢰도를 높였다는 점과, bootstrapping을 통해 subsampling 전략의 불확실성(95% CI)을 정량적으로 제시했다는 점이다. 또한 discovery cohort와 validation cohort(Melanoma)로 결과를 교차 검증하여 일반화 가능성을 시도했다. 그러나 의심스러운 점은 표본 크기가 매우 작아(cohort L은 단 3명) 통계적 검정력(power)이 부족할 수 있다는 점이며, 특히 cohort L에서의 CV 계산이 개별 환자별 기술(description)에 그쳐 집단 수준의 유의성 검정이 부재하다. 또한, feature 선택 과정에서 heatmap을 'visual assessment'하여 cluster를 구분한 것은 주관적일 수 있으며, objective clustering algorithm(예: hierarchical clustering with specific linkage criteria)의 사용 기준이 명확하지 않다. multiple testing 보정은 언급되지 않았으나, 본 연구가 hypothesis-generating nature의 탐색적 분석임을 고려하면 부분적으로 용인될 수 있으나, robust feature 선택 과정에서의 p-value 조정 여부는 불명확하다. model assumption 검증(예: normality 등)은 원문에 명시되지 않음. 결측치 처리는 언급되지 않음. effect size(CV%, recovery %)와 CI를 함께 보고한 점은 긍정적이다.
설계에 참고할 점 — 유사 연구를 설계할 때는 segmentation robustness 평가와 bootstrapping 기반의 불확실성 정량화를 반드시 포함하여 방법론의 견고함을 확보해야 한다. 반면, discovery cohort의 표본 크기(n=3)는 결론의 일반화에 한계가 있으므로, 초기 탐색 단계에서도 가능한 한 많은 환자 수를 확보하거나, 외부 검증 코호트의 규모와 다양성을 더 확대하는 것이 필요하다. 또한, feature 선택 시 시각적 판단에 의존하기보다 재현 가능한 알고리즘적 기준을 설정하여 편향을 줄여야 한다.
강점
본 연구는 전이성 암에서 intra-patient inter-tumor heterogeneity를 정량화하는 radiomics의 가능성을 체계적으로 입증하였다. segmentation robustness를 사전에 검증하여 분석의 신뢰도를 높였으며, bootstrapping (500회)을 통해 subsampling 전략의 불확실성(95% CI)을 엄밀하게 평가하였다. 두 가지 서로 다른 암종(lung cancer, melanoma)과 다양한 metastatic burden (oligo vs multi)에서 결과를 검증함으로써 발견의 일반성을 강화하였다. 또한 기존 연구들이 간과하기 쉬운 sampling bias 문제를 시뮬레이션을 통해 정량적으로 규명하여 방법론적 기여를 했다.
한계
저자는 image-based heterogeneity와 histological heterogeneity 또는 치료 반응, 생존 기간 등 임상 endpoint 간의 상관관계를 입증하지 못했다고 명시하였다. 또한 Cohort L의 환자 수가 적으며 (n=3), 모든 환자가 이미 chemotherapy를 받은 후 immunotherapy 전 상태였으므로, untreated freshly diagnosed metastatic patients에는 결과가 직접 적용되지 않을 수 있다. Lung cancer와 melanoma는 본질적으로 높은 tumoral heterogeneity를 보이는 암종이므로, 다른 암종에서는 sampling 과정에 대한 민감도가 다를 수 있다. 마지막으로 exhaustive tumor segmentation은 radiologist의 시간을 과도하게 소모하므로 실제 임상 적용에 한계가 있음을 인정하였다.
해석
본 연구 결과는 전이성 질환에서 radiomics 기반 예측 모델의 입력 데이터로 lesion을 선택할 때, 무작위 또는 RECIST 기준에 따른 제한적 sampling이 intra-patient heterogeneity 정보를 심각하게 왜곡할 수 있음을 경고한다. 따라서 향후 radiomics 연구에서는 lesion sampling 전략을 표준화하거나, AI-driven tools를 활용하여 exhaustive segmentation을 효율적으로 수행해야 한다. 이 발견은 oncology와 biomedical-imaging 분야에서 personalized medicine의 정밀도를 높이기 위해 tumor-centric signature의 중요성을 재조명하며, 특히 immune checkpoint inhibitors (ICI) 시대에 dissociated progression 등을 이해하는 데 중요한 통찰을 제공한다.