Radiomics Quality Score 2.0: towards radiomics readiness levels and clinical translation for personalized medicine

article title

Radiomics Quality Score 2.0: towards radiomics readiness levels and clinical translation for personalized medicine

authors

Lambin et al.

journal

Nature Reviews Clinical Oncology

year

2025

doi

10.1038/s41571-025-01067-1

category

biomedical-imaging

pdf

PDF

source

Source

요약

이 논문은 정밀 종양학(Precision oncology)에서 Radiomics의 임상 번역(Clinical translation)을 가속화하기 위해 Radiomics Quality Score 2.0(RQS 2.0)과 Radiomics Readiness Levels(RRLs)를 제안한다. 기존 RQS 1.0의 한계를 보완하여 fairness, explainability, harmonization, rigorous quality control을 평가 기준에 포함하고, handcrafted radiomics와 deep learning-based radiomics의 고유한 워크플로우를 구분하는 프레임워크를 제시한다. 기술 준비도(Technology Readiness Level)에서 영감을 받은 9단계 RRLs를 통합하여 연구의 단계별 성숙도를 체계적으로 추적할 수 있도록 설계되었다. 이를 통해 방사선유전체학 모델의 방법론적 엄격성과 임상 적용 가능성을 동시에 평가하는 표준화된 도구를 제공한다.

방법

이 논문은 기존 문헌 분석과 전문가 컨센서스를 바탕으로 RQS 2.0의 평가 기준을 재설계하고, 연구 단계별 성숙도를 측정하기 위한 RRLs 체계를 도입한 개념적 리뷰 및 가이드라인이다. RQS 2.0은 handcrafted radiomics와 deep learning-based radiomics를 구분하여 각 접근법에 맞는 가중치(weighted criteria)를 expert opinion을 통해 부여한다. RRLs는 foundational exploration부터 clinical deployment까지 9단계로 구성되며, 규제 승인(Regulatory approval)을 위한 필수 요소를 포함하도록 설계되었다. 통계적 검증이나 특정 환자 코호트 분석은 수행되지 않았으며, 기존 문헌의 메타분석 데이터(Pearson r = 0.3; P < 0.01)를 통해 RQS 1.0의 역사적 개선 추이를 참고 자료로 제시한다.

주요 결과

RQS 1.0 적용 사례 분석(130개 systematic review, 총 3,258회 평가)에 따르면 출판 연도와의 유의한 양의 상관관계(Pearson r = 0.3; P < 0.01)가 확인되었다. 2017년 도입 이후 연구 품질이 점진적으로 향상되었으며, 2018년 이전 논문은 평균 ~5.6/36점을 기록한 반면, 2018년 이후 논문은 ~10.1/36점으로 평균 점수가 거의 두 배 증가했다. 그러나 phantom studies, test–retest analysis, external validation, prospective design, cost-effectiveness evaluation, open science 관련 기준은 여전히 미흡하게 적용되고 있다. RQS 2.0은 이러한 격차를 해소하기 위해 deep learning 특이적 요구사항과 model robustness, explainability를 평가 항목에 명시적으로 반영하였다.

강점

RQS 2.0은 방법론적 엄격성과 실제 연구 환경의 실행 가능성(Feasibility) 사이의 균형을 RRLs를 통해 체계적으로 조정하여, 초기 단계부터 임상 적용까지 단계별 목표 설정을 가능하게 한다. handcrafted와 deep learning 기반 radiomics의 워크플로우 차이를 명확히 구분하고 fairness, harmonization, explainability 등 현대 AI 의료 영상 연구의 핵심 장벽을 평가 기준에 통합했다는 점에서 방법론적 진보성을 갖는다. wiki 내에서 방사선유전체학 연구의 품질 편향을 교정하고, model performance(AUC 등) 외의 임상 번역 readiness를 정량적으로 비교할 수 있는 표준화된 척도로 활용될 수 있다.

해석

이 논문은 oncology 및 imaging 문헌에서 radiomics model의 높은 predictive performance만으로는 임상 채택이 어렵다는 점을 methodological standardization과 clinical translation pathway로 연결한다. LLM Wiki의 AI/precision oncology 컬렉션과 연계할 때, 단순한 algorithm benchmarking을 넘어 external validation, prospective design, regulatory checkpoint 등 실제 clinical deployment에 필요한 readiness stage를 평가하는 기준틀로 작용한다. 특히 deep learning 기반 radiomics와 handcrafted feature extraction의 품질 관리 기준을 분리하여 제시함으로써, 향후 multimodal foundation models나 federated learning 연구의 방법론적 보고(Reporting)와 비교 분석에 직접적인 참고 프레임워크가 될 수 있다.