Are radiomics features universally applicable to different organs?

authors

Lee et al.

journal

Cancer Imaging

year

2021

doi

10.1186/s40644-021-00400-y

category

biomedical-imaging

pdf

PDF

source

Source

업데이트

2026-07-30

요약

본 연구는 서로 다른 해부학적 환경(폐, 신장, 뇌)의 종양에서 공통적으로 적용 가능한 radiomics features가 존재하는지 검증하기 위해 수행되었다. 폐암(NSCLC) 데이터셋(n = 401)을 training set으로 사용하여 survival 분석용 radiomics score 모델을 구축하고, 이를 독립적인 lung (n = 59), kidney (TCGA-KIRC, n = 48), brain (CPTAC-GBM, n = 43) test sets에 적용하여 high-risk와 low-risk group의 분리가 가능한지 평가하였다. 결과적으로 해당 모델은 다른 폐 데이터셋에서는 survival을 유의미하게 구분하였으나, 신장과 뇌 종양에서는 적용되지 않았다. 이는 radiomics 기반 생존 예측 모델이 organ-specific 특성을 강하게 반영하며, cross-organ generalization이 제한적임을 시사한다.

방법

Retrospective analysis of four publicly available datasets (two lung cancer, one kidney cancer, one brain cancer) was conducted. Training set consisted of lung primary tumors (n = 401), and independent test sets included lung (n = 59), kidney (TCGA-KIRC, n = 48), and brain (CPTAC-GBM, n = 43). Tumors were segmented by a single expert using in-house semi-automated software. A total of 143 radiomics features per tumor were extracted using PyRadiomics and in-house MATLAB code across histogram, shape, fractal, sigmoid, texture, and filter-based categories. Feature selection employed intra-class correlation (ICC > 0.9) for stability assessment using the RIDER dataset, followed by Cox-LASSO repeated 20 times to identify survival-related features. A radiomics score was constructed via linear combination of selected features using Cox regression coefficients. Patients were stratified into high- and low-risk groups using the median score as cutoff, with survival differences evaluated via Kaplan-Meier analysis and log-rank test. Organ-level intensity distributions were compared using two-sample t-tests on mean and median parameters, with z-score normalization applied for cross-modality (CT vs MRI) histogram comparison.

주요 결과

Training set에서 구축된 radiomics score는 7개의 feature로 구성되었으며, 다른 폐 데이터셋에서는 survival를 유의미하게 구분하였으나 신장(n = 48)과 뇌(n = 43) 테스트셋에서는 high-risk와 low-risk group 분리가 실패하였다. 폐 특이적 feature(2.5 percentile)를 제거해도 유사한 결과가 도출되었다. 조직별 whole organ intensity histogram은 형태와 파생 파라미터(mean, median)에서 뚜렷한 차이를 보였으며, training과 test set 간 공유되는 개별 feature는 존재하지 않았으나 texture category가 공통으로 확인되었다.

통계 분석

분석 설계 — 이 연구는 특정 장기(폐)에서 도출된 radiomics features가 다른 장기(신장, 뇌)에도 보편적으로 적용 가능한지 확인하기 위해 수행되었다. 연구 설계는 retrospective cohort study로, Training set으로 폐암 환자 401명(NSCLC radiomics TCIA lung CT diagnosis dataset 중 분석에 사용된 수)을 활용하여 모델을 구축하고, 이를 독립적인 Test sets인 다른 폐암 데이터(Test set1, n=59), 신장암(Test set2, n=48), 뇌종양(Test set3, n=43)에 적용하여 external validation을 시도했다. Primary endpoint는 overall survival이며, radiomics score를 기준으로 high-risk와 low-risk 군으로 분류한 후 생존율 차이를 평가했다.

무엇을 위해 어떤 분석을 썼는가 — 장기 간 영상 강도(intensity) 분포의 차이를 정량화하기 위해 whole organ ROI의 intensity histogram을 비교하고, mean 및 median 값 간의 차이를 two-sample t-tests로 검정했다. CT와 MRI 간 단위의 차이(HU vs arbitrary unit)를 보정하기 위해 z-score normalization을 적용하여 histogram shape를 시각적·통계적으로 비교했다. Radiomics feature selection은 두 단계로 진행되었다. 먼저, feature의 재현성(stability)을 확보하기 위해 RIDER dataset을 기준으로 intra-class correlation (ICC) 분석을 수행하여 ICC > 0.9인 features만 선별했다(IBM SPSS 사용). 이후, 생존과 연관된 features를 추출하기 위해 Cox-LASSO 알고리즘을 적용했으며, 이 과정은 20회 반복되어 10회 이상 선택된 features만 최종적으로 채택되었다.

강점

이 연구는 radiomics feature의 cross-organ generalizability를 체계적으로 검증한 최초의 시도 중 하나로, methodological rigor가 높다. ICC 기반 stability filtering과 Cox-LASSO를 결합한 feature selection 과정은 overfitting을 줄이고 robust한 biomarker를 도출하려는 노력을 보여준다. 또한, lung-specific feature(2.5 percentile)를 제거한 sensitivity analysis를 수행함으로써 organ-specific artifact의 영향을 배제하려는 시도가 포함되어 있다. Publicly available datasets(TCIA, TCGA, CPTAC)를 활용하여 재현 가능한 분석 환경을 구축했다는 점도 강점이다.

한계

본 연구는 retrospective design이며, 각 dataset의 imaging protocol과 acquisition parameters가 상이하여 confounding factor로 작용할 수 있다. 특히 CT와 MRI 간 intensity scale의 근본적인 차이로 인해 z-score normalization만으로는 완전한 harmonization이 어려울 수 있다. 또한, test set1(lung)은 adenocarcinoma only인 반면 training set은 mixed histology였으며, 이러한 subtype composition의 불일치가 feature selection 결과에 영향을 미쳤을 가능성이 있다. 마지막으로, sample size가 relatively small하여 statistical power가 제한적일 수 있으며, 특히 kidney과 brain cohort에서의 non-significant 결과는 type II error 가능성도 배제할 수 없다.

해석

이 연구는 radiomics model이 organ-specific microenvironment와 macroscale features를 강하게 반영함을 보여주며, universal biomarker 개발의 어려움을 시사한다. texture-based feature(GLCM 등)가 여러 장기에서 공통적으로 선택된 점은 tumor heterogeneity와 immune microenvironment를 반영하는 보편적 특성일 수 있음을 암시한다. 향후 cross-organ radiomics 연구에서는 imaging modality harmonization과 organ-specific confounder control이 필수적이며, multi-modal data fusion이나 deep learning 기반의 transfer learning 접근이 필요할 수 있다. 본 결과는 oncology AI 모델 개발 시 target organ의 생물학적·영상학적 특성을 고려한 customized model 구축의 중요성을 강조한다.