Non-invasive prediction for pathologic complete response to neoadjuvant chemoimmunotherapy in lung cancer using CT-based deep learning: a multicenter study

authors

Qu et al.

journal

Frontiers in Immunology

year

2024

doi

10.3389/fimmu.2024.1327779

category

biomedical-imaging

pdf

PDF

source

Source

요약

본 연구는 NSCLC 환자에서 neoadjuvant chemoimmunotherapy 후 pathologic complete response (pCR)를 예측하기 위한 CT 기반 deep learning 모델을 개발하고 다기관 코호트에서 검증한 연구이다. 기존 biopsy 중심 biomarker의 한계를 넘어 비침습적으로 치료 반응을 예측할 수 있는 영상 기반 지표를 제시하며, 모델 성능이 임상 모델보다 우수함을 입증했다. 높은 deep learning 점수가 cell metabolism pathway 상향 조절 및 microenvironment 내 항종양 immune infiltration 증가와 연관됨을 transcriptomic 분석을 통해 생물학적 타당성을 보였다.

방법

연구 설계는 2019년 1월부터 2023년 9월까지 Ruijin Hospital, Ningbo Hwamei Hospital, Affiliated Hospital of Zunyi Medical University에서 neoadjuvant chemoimmunotherapy (pembrolizumab 또는 nivolumab 기반 platinum chemotherapy, 2-4 cycles) 후 surgery를 받은 NSCLC 환자 248명을 대상으로 한 다기관 retrospective cohort 연구이다. 치료 전 2주 이내의 baseline CT 영상을 획득하여 lung window (mean -500HU, width 1550HU) 설정으로 cuboid 기반 tumor segmentation을 수행하고 z-score normalization을 적용했다. pCR는 원발종양 및 lymph node에서 viable tumor cell이 없는 경우로 정의되었으며, 두 명의 pathologist가 독립적으로 평가했다. 모델은 ResNet-152를 feature extractor로 사용하고 512개 노드의 fully connected layer와 Softmax 함수를 결합하여 개발했으며, 임상 모델(logistic regression)과 DeLong’s test로 비교했다. 생물학적 기전 분석을 위해 TCIA 데이터셋의 RNA-seq 정보(n=130)를 활용해 limma 패키지로 차등발현유전자 분석 및 Gene Ontology (GO) pathway와 immune microenvironment 침윤도를 평가했다.

주요 결과

전체 군에서 pCR 달성률은 29.4% (n=73)였다. deep learning 모델의 pCR 예측 성능은 내부 validation set (n=69)에서 AUC 0.775 (95% CI: 0.649-0.901), 외부 cohort (n=75)에서 AUC 0.743 (95% CI: 0.618-0.869)로 나타났으며, 이는 임상 모델의 AUC 0.579 및 0.569보다 유의하게 우수했다. 임상 예측인자 분석에서 stage III (OR 0.016, p=0.048)과 adenocarcinoma histology (OR 0.309, p=0.047)가 pCR과 유의한 연관성을 보였다. deep learning 점수가 높을수록 cell metabolism 관련 pathway가 상향 조절되며 microenvironment 내 항종양 immune cell infiltration도가 증가하는 생물학적 상관관계가 확인되었다.

강점

다기관 데이터셋을 활용한 internal/external 검증 구조로 모델의 generalization 능력을 입증했으며, 일상적인 CT imaging만으로 neoadjuvant chemoimmunotherapy 반응을 예측할 수 있어 임상적 활용도가 높다. deep learning 예측 점수와 transcriptomic 기반 immune microenvironment 및 metabolism pathway의 연관성을 규명하여 모델의 생물학적 타당성을 뒷받침했다. 폐암 신치료 반응 예측 문헌에서 영상 인공지능과 면역학 기전을 통합한 사례로 wiki 내 radiomics 및 neoadjuvant therapy 관련 문서와 직접적으로 연계 가능하다.

해석

본 연구는 NSCLC neoadjuvant chemoimmunotherapy 분야에서 CT 기반 deep learning이 pCR 예측에 임상 모델 대비 유의한 성능 향상을 보임을 입증했다. 기존 biopsy 의존적 biomarker (PD-L1, TMB 등)의 한계를 보완하는 비침습적 대안으로, 영상 특징과 microenvironment immune infiltration의 생물학적 연결고리를 제시함으로써 폐암 면역치료 반응 예측 문헌에서 radiomics와 AI 기반 예측 모델의 임상 적용 가능성을 확장한다. wiki의 oncology 및 biomedical-imaging 컬렉션에서 신치료 반응 예측 알고리즘과 면역 미세환경 분석 사례를 통합하는 핵심 참고문헌으로 기능할 수 있다.