Deciphering the tumor microenvironment through radiomics in non-small cell lung cancer: Correlation with immune profiles

authors

Yoon et al.

journal

PloS One

year

2020

doi

10.1371/journal.pone.0231227

category

biomedical-imaging

pdf

PDF

source

Source

요약

이 논문은 non-small cell lung cancer에서 CT 기반 radiomics를 통해 종양 미세환경의 immune profiles, 특히 Th1, Th2, cytotoxic T cells의 분포를 비침습적으로 예측하는 가능성을 평가한다. 두 개의 독립적인 공개 데이터셋(training: Lung3 n=89, test: TCGA n=60)을 활용하여 CT radiomic features와 ssGSEA 기반 immune cell signatures 간의 상관관계를 분석하였다. 최종 모델은 Th2 cell group prediction에 linear discriminant analysis를 선택했으며, test set에서 AUC 0.684의 성능을 보였다. Th1 및 cytotoxic T cells 예측은 충분한 정확도를 달성하지 못했으나, radiomics가 종양 전체의 immune microenvironment를 반영하는 비침습적 biomarker로 활용될 수 있음을 시사한다.

방법

Study design은 retrospective cohort 분석이며, training set는 네덜란드 MAASTRO Clinic의 Lung3 데이터셋(non-small cell lung cancer 89예), test set는 TCGA의 lung squamous cell carcinoma 및 adenocarcinoma 중 CT 영상이 제공된 60예로 구성되었다. Imaging modality는 axial CT scan이며, ROI 수동 delineation 후 PyRadiomics와 MATLAB 기반 in-house code를 사용하여 physical, histogram-based, shape, local, filter-based, fractal model-based, sigmoid 등 총 239개의 CT radiomic features를 추출하였다. Target variables는 ssGSEA를 통해 계산된 Th1, Th2, cytotoxic T cells signature의 mean cut-off를 기준으로 high vs low 그룹으로 분류되었다. Modeling은 penalized logistic regression, sparse discriminant analysis, linear discriminant analysis, naive Bayes, CART, bagged CART, random forest 등 다중 machine learning algorithm을 0.632 bootstrap estimator로 resampling하여 수행하였으며, preprocessing으로 zero variance removal, KNN imputation, Yeo-Johnson transformation, Z-score normalization이 적용되었다.

주요 결과

Training set에서 classification trees 및 rule-based models가 penalized linear classification models보다 우수한 성능을 보였으나, test set 기반 최종 Th2 prediction model은 linear discriminant analysis로 선정되었다. Test set AUC는 0.684였으며, 주요 predictors로는 skewness(total and outer pixels), kurtosis, variance(subsampled from delta [inner minus outer]), informational measure of correlation가 포함되었다. PCA 결과 Th1과 Th2 immune signatures는 서로 독립적인 분포를 보였으며, test set의 TCGA cohort는 training set보다 signature distribution이 우측으로 치우친 경향이 있었다. Th1 및 cytotoxic T cells에 대한 radiomics prediction 성능은 test set에서 예측 가능한 수준을 달성하지 못하였다.

강점

공개된 다기관 CT 영상과 전사체 데이터를 결합하여 radiomics와 immune microenvironment 간의 정량적 연관성을 검증한 점이 방법론적으로 견고하다. 특히 ssGSEA 기반의 immune cell signatures를 continuous 변수가 아닌 cohort별 mean cut-off로 이분화하여 모델링함으로써 임상 적용 가능성을 구체화하였다. TCGA 및 Lung3 데이터셋을 활용한 외부 검증은 결과의 generalization 가능성을 높이며, radiomics가 종양 생역학적 이질성을 비침습적으로 반영할 수 있음을 입증한 점에서 oncology imaging 연구에 유용한 근거를 제공한다.

해석

본 연구는 non-small cell lung cancer에서 CT radiomic features와 immune microenvironment(Th2 등) 간의 정량적 매핑을 시도한 초기 연구 중 하나로, LLM Wiki의 biomedical-imaging 및 oncology 문헌과 연결된다. 특히 deep learning 기반의 end-to-end feature extraction이 보편화되기 전, hand-crafted radiomics가 molecular immune profiles를 예측하는 feasible pathway임을 제시하며, 이후 imaging biomarker 개발 및 multi-omics integration 연구의 방법론적 토대가 된다. 향후 AI 기반 영상 분석과 immune checkpoint blockade therapy 반응 예측을 연계할 때, radiomics의 interpretability와 ssGSEA 기반 immune profiling의 결합이 어떻게 clinical translation에 기여할지 추적하는 데 참고가 될 수 있다.