Delta-radiomics features combined with haematological index predict pathological complete response after neoadjuvant immunochemotherapy in resectable non-small cell lung cancer
한 줄 요약
본 연구는 resectable non-small cell lung cancer 환자에서 neoadjuvant immunochemotherapy 후 pathological complete response를 예측하기 위해 enhanced CT 기반의 Delta-radiomics features와 haematological index의 동적 변화를 결합한 모델의 가치를 평가하였다. 165명의 stage IB-IIIB NSCLC 환자를 대상으로 수술 전후 영상의 radiomics feature 변화량과 NLR, PLR, LMR, SII의 동적 변화를 분석하였다. 결과, 결합 모델이 단일 Delta-radiomics features 모델보다 PCR 예측 성능이 우수함을 확인하였다.
방법
Study design은 retrospective cohort study이며, 2021년 1월부터 2023년 8월까지 neoadjuvant immunochemotherapy 후 수술을 받은 stage IB-IIIB NSCLC 환자 165명(training n=115, validation n=50)을 수집하였다. 모든 환자는 paclitaxel과 platinum에 PD-1/PD-L1 monoclonal antibody(tislelizumab, nivolumab, sintilimab 등)를 병용한 신항암면역요법을 시행받았다. Imaging modality는 enhanced CT이며, 종양 region of interest를 수동 분할하고 Pyradiomics 패키지로 851개의 radiomics features를 추출하였다. 치료 전후 feature의 상대적 변화량인 Delta-radiomics features를 계산했으며, ICC ≥0.8을 기준으로 안정된 특징만 선별하였다. Statistical term으로 LASSO를 통해 최적의 feature를 선택하여 Rad-score를 산출하고, NLR, PLR, LMR, SII의 동적 변화와 함께 multivariate logistic regression으로 예측 모델을 구축하였다. Endpoint는 병리학자가 평가한 pathological complete response였으며, ROC/AUC, calibration curve, decision curve analysis로 모델 성능을 검증하였다.
주요 결과
전체 환자 중 40%(66/165명)가 PCR을 보였다. PCR 예측에 가장 유의한 Delta-radiomics features 9개가 선별되었다. Logistic regression 분석 결과, Rad-score(OR=8.542, 95% CI: 3.367-21.673, P<0.001)와 DeltaLMR(OR=2.637, 95% CI: 1.094-6.359, P=0.031)가 PCR과 독립적으로 연관된 요인이었다. PCR 예측을 위해 Delta-RF 모델과 결합 모델은 training cohort에서 각각 AUC 0.74, 0.788을 보였으며, validation cohort에서는 0.718, 0.737로 만족스러운 성능을 유지하였다. Calibration curve는 예측값과 관측값 간 좋은 일치를 나타냈고, DCA는 결합 모델의 높은 임상 실용성을 입증하였다.
강점
이 연구는 neoadjuvant immunochemotherapy 반응 예측에 있어 정적 영상 특징보다 치료 중 조직 표현형 변화를 포착하는 Delta-radiomics features와 전신 immune-inflammation biomarker의 동적 변화를 통합한 다중 모달 접근법의 유용성을 실증하였다. 특히, ICC 기반의 feature 안정성 검증과 LASSO를 통한 과적합 방지가 체계적으로 적용되어 모델의 재현성을 높였다. wiki 내에서 neoadjuvant immunochemotherapy 반응 예측 biomarker 및 quantitative imaging evidence를 찾는 연구자들에게 영상-haematological 결합 모델의 구축 논리와 성능 지표(AUC, OR)를 명확히 제시하여 참고 자료로 유용하다.
해석
본 논문은 oncology와 biomedical-imaging 교차 영역에서 neoadjuvant immunochemotherapy 반응 예측을 위한 quantitative imaging biomarker 개발 사례를 제공한다. 기존 정적 radiomics나 단일 haematological index(NLR, SII 등)의 한계를 넘어, 치료 중 영상 특징의 동적 변화(Delta-radiomics features)와 immune-inflammation biomarker의 변화를 결합함으로써 예측 정확도를 향상시켰다. 이는 LLM Wiki의 AI 기반 영상 분석 문헌에서 강조하는 multi-modal feature fusion과 longitudinal imaging tracking의 임상 적용 가능성을 뒷받침하며, resectable non-small cell lung cancer에서의 neoadjuvant immunochemotherapy 반응 평가 지표로써 radiomics와 haematological index의 상호보완적 역할을 정량적으로 입증한 점에서 관련 문헌들과 연속성을 가진다.