Investigation of radiomics based intra-patient inter-tumor heterogeneity and the impact of tumor subsampling strategies

article title

Investigation of radiomics based intra-patient inter-tumor heterogeneity and the impact of tumor subsampling strategies

authors

Henry et al.

journal

Scientific Reports

year

2022

doi

10.1038/s41598-022-20931-z

category

biomedical-imaging

pdf

PDF

source

Source

요약

본 연구는 metastatic lung cancer와 metastatic melanoma patient에서 radiomics features가 intra-patient inter-tumor heterogeneity를 포착할 수 있는지, 그리고 tumor subsampling strategy가 계산된 heterogeneity에 미치는 영향을 평가하였다. 모든 가시적 lesion을 segmentation하고 radiomics features를 추출한 후, patient-level 및 organ-level에서 absolute coefficient of variation (CV)을 산출하여 heterogeneity를 정량화하였다. 결과적으로 모든 robust radiomics index가 최소 20% 이상의 변이를 보였으며, 기존 sampling strategy는 exhaustive tumor sampling이 포착하는 실제 종양 이질성을 재현하지 못함을 확인하였다.

방법

치료 전 단일 획득 CT(CT TAP IV+)를 대상으로 metastatic lung cancer patient 3명(Cohort L)과 metastatic melanoma patient 40명(Cohort M)의 모든 가시적 tumor lesion을 수동 segmentation하고 radiomics features를 추출하였다. Cohort M은 oligometastatic(<5 lesions, n=18)과 multimetastatic(≥15 lesions, n=22)으로 구분되었다. Heterogeneity 정량을 위해 각 radiomics index의 absolute coefficient of variation (CV)을 patient 및 organ 수준에서 계산하였으며, segmentation 과정에 robust한 27개 features 중 상관관계가 없는 8개 feature(Sphericity, Voxel Volume, 90 Percentile 등)를 선정하여 sensitivity analysis를 수행하였다. 또한 exhaustive sampling 대비 여섯 가지 일반적인 tumor subsampling strategy로 인한 information loss 정도를 평가하였다.

주요 결과

Cohort L에서 robust radiomics features는 patient 수준에서 평균 CV가 124%, 108%, 170%로 나타났으며, 모든 index가 최소 20% 이상의 변이를 보였다. Sphericity는 12%로 가장 낮은 변이를, Voxel Volume은 687%로 가장 높은 변이를 기록하였다. Organ 수준에서도 lung lesion 간 feature 분포가 21%에서 419%까지 광범위하게 분포하였다. Cohort M 분석을 통해 동일한 경향이 재현되었으며, 모든 robust radiomics index는 heavily 및 oligo metastasized patient 모두에서 유의미한 heterogeneity를 보였다. 그러나 평가된 여섯 가지 tumor subsampling strategy 중 exhaustive sampling이 포착하는 실제 종양 이질성을 복원하는 strategy는 존재하지 않았다.

강점

본 연구는 metastatic disease 환경에서 radiomics 분석 파이프라인의 핵심 가정인 single lesion 또는 임의 추출 접근법의 한계를 체계적으로 입증하였다. 두 가지 독립적인 metastatic cohort와 다양한 병기(subgroup)를 포함하여 findings의 generalization 가능성을 높였으며, segmentation robustness를 고려한 sensitivity analysis를 통해 결과의 신뢰성을 보강하였다. wiki 내 radiomics 및 metastatic disease biomarker 문헌에서 sampling bias에 대한 정량적 근거를 제공하며, 향후 AI 기반 자동 segmentation 도구 개발 및 표준화 guideline 수립의 필요성을 뒷받침하는 중요한 실험적 토대가 된다.

해석

이 논문은 localized cancer용 radiomics 파이프라인을 metastatic disease에 그대로 적용할 수 없음을 입증하며, oncology imaging과 computational pathology 문헌 간의 간극을 메운다. 특히 polyclonality와 treatment resistance(예: Immune checkpoints inhibitors 반응 패턴)의 생물학적 기반으로서 intra-patient heterogeneity의 중요성을 강조하므로, AI-driven predictive modeling에서 multi-lesion aggregation strategy의 표준화가 필수적임을 시사한다. wiki의 imaging biomarker 및 metastatic tumor evolution 섹션과 연결하여, single lesion 분석이 놓칠 수 있는 clonal heterogeneity 정보를 radiomics가 어떻게 포착할 수 있는지, 그리고 sampling strategy가 model reproducibility에 미치는 영향을 논의하는 데 직접적으로 활용될 수 있다.