Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach

authors

Aerts et al.

journal

NATURE COMMUNICATIONS

year

2014

doi

10.1038/ncomms5006

category

biomedical-imaging

pdf

PDF (Tailscale 전용)

source

Source

업데이트

2026-10-11

요약

이 연구는 CT 영상에서 추출된 440개의 정량적 radiomics features가 lung cancer와 head-and-neck cancer 환자의 예후를 예측하는 데 유용한지 평가했다. 연구진은 1,019명의 환자 데이터를 사용하여 feature stability를 검증하고, 이를 바탕으로 4개 feature로 구성된 prognostic radiomic signature를 구축했다. 이 signature는 intratumour heterogeneity와 tumour shape/density를 반영하며, 독립적인 validation cohorts에서 유의미한 prognostic power를 보였다. 특히, 기존 TNM staging보다 우수한 성능을 보였으며, TNM staging과 결합 시 예측 정확도가 더욱 향상되었다. 또한, radiomic features는 underlying gene-expression patterns, 특히 cell cycling pathways와 유의하게 연관되어 있어 영상 기반 biomarker가 생물학적 특성을 반영함을 시사한다.

방법

이 연구는 retrospective observational study로 설계되었으며, 총 7개의 독립적인 cohorts를 활용했다. 대상은 non-small cell lung cancer (NSCLC) 환자 422명(Lung1), NSCLC 환자 225명(Lung2), head-and-neck squamous cell carcinoma (HNSCC) 환자 136명(H&N1), HNSCC 환자 95명(H&N2), 그리고 gene-expression 분석을 위한 NSCLC 환자 89명(Lung3)으로 총 1,019명이다. Feature stability를 평가하기 위해 RIDER dataset (n=31, test-retest CT scans acquired ~15 min apart)과 multiple delineation dataset (n=21, 5 oncologists delineated lesions)을 사용했다.

CT 영상에서 tumour contours는 experienced physicians에 의해 수동으로 delineate되었으며, DICOM images로부터 raw values를 사용하여 440개의 radiomic features를 추출했다. 이 features는 tumour image intensity, shape, texture, 그리고 multiscale wavelet decomposition으로 분류되었다. Feature selection은 stability ranks (test-retest 및 inter-observer variability)와 prognostic performance (Lung1 training set)을 기반으로 수행되었다. 최종적으로 4개 feature ('Statistics Energy', 'Shape Compactness', 'Grey Level Nonuniformity', wavelet 'Grey Level Nonuniformity HLH')를 포함하는 multivariate Cox proportional hazards regression model을 구축했다. Primary endpoint는 overall survival (OS)이며, secondary endpoint로는 TNM staging과의 비교 및 gene-expression profiles과의 연관성 분석이 수행되었다.

주요 결과

Radiomic features의 prognostic value 평가에서, Lung1 training set의 median threshold를 적용했을 때 Lung2 validation set에서 238개 feature (54%), H&N1에서 135개 feature (31%), H&N2에서 186개 feature (42%)가 유의미한 survival difference를 보였다. 특히, 66개 feature (15%)는 세 validation cohorts 모두에서 유의미했다. 구축된 4-feature radiomic signature의 성능은 concordance index (CI)로 평가되었는데, Lung2에서 CI=0.65 (P=2.91×10⁻⁹), H&N1에서 CI=0.69 (P=7.99×10⁻⁷), H&N2에서 CI=0.69 (P=3.53×10⁻⁶)로 높은 예측력을 보였다.

TNM staging과의 비교 결과, radiomic signature는 Lung2와 H&N2에서 TNM staging보다 우수한 성능을 보였으며, H&N1에서는 유사한 성능을 보였다. 또한, radiomic signature를 TNM staging과 결합했을 때 모든 cohorts에서 TNM staging 단독 사용보다 통계적으로 유의미하게 예측 성능이 향상되었다. Treatment subgroup 분석에서도 radiation 또는 concurrent chemoradiation 군 모두에서 signature의 prognostic performance가 유지되었다. HPV status와의 연관성 분석에서는 H&N1 및 H&N2 combined analysis에서 유의한 연관성이 관찰되지 않았으나 (P=0.17), HPV-negative group (n=130, 76%)에서도 CI=0.66로 prognostic value가 유지되었다. Gene-set enrichment analysis (GSEA)를 통해 radiomic features, 특히 intratumour heterogeneity 관련 features가 cell cycling pathways와 유의하게 연관되어 있음을 확인했다.

강점

이 연구의 가장 큰 강점은 대규모 다기관 cohorts (n=1,019)를 활용하여 radiomics features의 robustness와 generalizability를 입증했다는 점이다. 특히, RIDER dataset과 multiple delineation dataset을 통해 feature stability를 엄격하게 검증한 후 model building에 반영함으로써 overfitting 위험을 최소화했다. 또한, lung cancer와 head-and-neck cancer라는 서로 다른 종양 유형에서 동일한 radiomic signature가 유의미한 prognostic value를 보임으로써, 이 접근법이 특정 종양에 국한되지 않는 general prognostic phenotype을 포착할 수 있음을 시사한다. 마지막으로, 영상 기반 biomarker가 underlying gene-expression patterns, 특히 proliferation 관련 pathways와 연관되어 있다는 것을 GSEA를 통해 입증함으로써 radiomics의 생물학적 타당성을 강화했다.

한계

본 연구는 retrospective design이며, lung cancer cohorts에서는 free breathing CT 영상을 사용한 반면 head-and-neck cancer cohorts에서는 immobilization 장치를 사용한 영상으로 인해 image noise 수준에 차이가 있을 수 있다. 저자들은 lung images에서 patient movement나 respiration으로 인한 noise가 상대적으로 더 많을 수 있다고 언급하며, 이것이 lung cancer cohort에서의 signature 성능이 head-and-neck cancer cohort보다 낮았던 이유 중 하나로 제시했다. 또한, HPV status와의 연관성이 유의하지 않았다는 점은 head-and-neck cancer의 중요한 prognostic factor인 HPV 감염 상태가 radiomic features에 의해 충분히 반영되지 않았음을 시사할 수 있다. 마지막으로, gene-expression 분석은 소규모 cohort (Lung3, n=89)에서만 수행되어 결과의 generalizability에 제한이 있을 수 있다.

해석

이 연구는 radiomics가 단순한 영상 분석을 넘어 tumour phenotype의 생물학적 특성, 특히 intratumour heterogeneity와 proliferation을 반영할 수 있음을 보여준다. 이는 기존 RECIST 기준이나 TNM staging만으로는 설명되지 않는 prognostic information을 제공하며, personalized medicine 구현에 있어 noninvasive biomarker로서의 잠재력을 입증한다. LLM Wiki의 oncology 및 imaging 문헌들과 연결해 볼 때, 이 연구는 radiomics가 molecular profiling의 대안 또는 보완재로 작용할 수 있음을 시사하며, 향후 AI 기반 영상 분석 모델 개발 시 feature stability와 biological relevance를 함께 고려해야 함을 강조한다. 또한, cross-cancer type validation 성공은 radiomic signature의 broad applicability를 지지하며, 다양한 cancer types에서의 적용 가능성을 열어둔다.