Deep learning for predicting major pathological response to neoadjuvant chemoimmunotherapy in non-small cell lung cancer: A multicentre study

authors

She et al.

journal

EBioMedicine

year

2022

doi

10.1016/j.ebiom.2022.104364

category

clinical-oncology

pdf

PDF

source

Source

업데이트

2026-07-31

요약

이 연구는 non-small cell lung cancer (NSCLC) 환자에서 neoadjuvant chemoimmunotherapy 후 major pathological response (MPR)를 예측하기 위해 Chest CT 영상을 기반으로 한 deep learning 모델을 개발하고 검증하였다. 4개 기관의 다중 센터 코호트(274명)를 대상으로 ShuffleNetV2x05 기반의 deep learning score(DL score)와 clinical characteristics를 통합한 combined model의 성능을 internal 및 external validation 집단을 통해 평가하였다. DL score는 tumour proliferation pathway의 downregulation 및 antitumour immune cell infiltration 촉진과 생물학적으로 연관되어 있음을 RNA-sequencing 분석을 통해 확인하였다. 이 모델은 neoadjuvant 치료 반응 예측에 있어 영상 기반 biomarker로서의 잠재력을 입증하며, personalized medicine 접근에 기여할 수 있다.

방법

Study design과 Setting: 본 연구는 2019년 1월부터 2021년 12월까지 Shanghai Pulmonary Hospital, Ningbo Hwa Mei Hospital, The First Affiliated Hospital of Nanchang University, Sir Run Run Shaw Hospital 등 4개 센터에서 neoadjuvant chemoimmunotherapy 후 curative surgery를 받은 NSCLC 환자 274명을 포함하는 retrospective multicentre cohort study이다. 결손 영상 데이터 또는 pathological N3 disease가 있는 환자는 제외되었다.

대상 환자/데이터의 포함·제외 기준과 규모: 전체 코호트는 training cohort (Shanghai Pulmonary Hospital, n=142), internal validation cohort (Shanghai Pulmonary Hospital, n=61), external validation cohort (나머지 3개 센터, n=71)로 분할되었다. RNA-sequencing 데이터가 있는 25명의 환자는 internal validation cohort에 포함되도록 보장되었다.

Imaging/Profiling method: Neoadjuvant administration 전 2주 이내에 촬영된 Chest CT 영상을 사용하였다. Siemens, Philips, GE Medical System, United Imaging 등 다양한 제조사의 CT 스캐너에서 획득한 영상은 3D Slicer를 통해 annotation되었으며, primary tumour 전체 부피를 포함하는 bounding box로 region of interest (ROI)를 정의하였다. 두 명의 radiologist가 lung window setting(mean -450 HU, width 1500 HU)에서 독립적으로 annotation을 수행하고, 의견 불일치는 senior radiologist와 consensus를 통해 해결하였다. 원본 CT 이미지의 voxel length 차이를 보정하기 위해 1 mm × 1 mm × 1 mm로 interpolation을 수행하고, DICOM header의 Slope과 Intercept를 사용하여 HU 값으로 표준화하였으며, 극단값을 방지하기 위해 cut-off value를 설정하였다. Training cohort의 3D tumour 이미지의 mean과 variance를 계산하여 Z-score normalization을 적용하였다. 또한 annotation의 intra- 및 inter-observer 차이를 완화하기 위해 bounding box를 여러 방향으로 shifting하여 data augmentation을 수행하였다.

Model construction: ShuffleNetV2x05 아키텍처를 사용하여 features를 추출하고 DL score를 개발하였다. 모델은 convolution module과 classification module로 구성되었으며, 3단계로 구축되었다: 1) convolutional network에 linear classifier를 연결하여 feature extractor를 얻음, 2) convolutional network를 freezing하고 fully connected network(512 hidden layer nodes)를 dock하여 high-dimensional features를 통합, 3) 모든 parameter를 unfreezing하여 small learning rate로 end-to-end training을 수행. Softmax function이 output layer에 추가되어 MPR probability를 직접 출력하였다. 비교군으로 3D-Resnet18, 3D-densenet121, 3D-MobilenetV3도 평가되었으나 ShuffleNetV2x05가 최적 성능을 보였다.

Endpoint 정의: Major pathological response (MPR)는 primary tumour bed에서 viable tumour cells가 10% 이하인 경우로 정의되었으며, viable tumour가 전혀 관찰되지 않는 경우는 pathologic complete response (pCR)로 분류되었다. 두 명의 experienced pathologists(경험 15년 이상)가 독립적으로 평가하고 의견 불일치는 consensus를 통해 해결하였다.

Statistical method: 모델 성능은 area under the curve (AUC)와 95% confidence interval (CI)로 평가하였다. DL score에 clinical characteristics를 통합한 combined model의 예측 성능을 비교 분석하였다. 생물학적 기전 탐색을 위해 RNA-sequencing 데이터가 있는 25명의 환자 subgroup에서 genetic analysis를 수행하였다. R package limma를 사용하여 differential expression genes을 식별(log FC >2, adjusted P value <0.05)하고, KEGG pathway analysis와 CibersortX를 통해 immune microenvironment 분석을 수행하였다.

주요 결과

Primary endpoint: MPR 달성률은 전체 코호트의 54.0% (n = 148)였다. DL score의 MPR 예측 성능은 internal validation cohort에서 AUC 0.73 (95% CI: 0.58–0.86), external validation cohort에서 AUC 0.72 (95% CI: 0.58–0.85)를 보였다. Training cohort에서는 AUC 0.77 (95% CI: 0.70–0.84)였다.

Secondary endpoint 및 Combined model: Clinical characteristics(특히 squamous cell carcinoma histology, odds ratio 2.415; 95% CI not specified in text but implied significant)를 통합한 combined model은 internal validation cohort에서 AUC 0.77 (95% CI: 0.64–0.89), external validation cohort에서 AUC 0.75 (95% CI: 0.62–0.87)의 성능을 달성하여 DL score 단독 모델보다 향상된 예측력을 보였다.

Biological basis exploration: RNA-sequencing 기반 biological basis exploration 결과, 높은 DL score는 tumour proliferation pathways의 downregulation 및 microenvironment 내 antitumour immune cell infiltration의 촉진과 유의미하게 연관되어 있었다. 구체적으로, high DL score group은 low DL score group에 비해 tumour proliferation 관련 pathway가 downregulated되었으며, antitumour immune cells의 infiltration이 증가된 것으로 나타났다.

Subgroup 분석: External validation cohort는 internal cohort에 비해 earlier pretreatment stage (T1 stage: 38.0% vs 16.4%, P < 0.001; stage I: 15.5% vs 0%, P < 0.001)와 higher proportion of squamous cell carcinoma (77.5% vs 57.4%, P < 0.001)를 보였다. The First Affiliated Hospital of Nanchang University cohort는 특히 earlier pretreatment stage (T1: 45.5%, P=0.015; N0: 81.8%, P=0.010; stage I: 63.6%, P<0.001)와 higher proportion of lobectomy (100%, P=0.008)를 보였다.

안전성·부작용: 본 연구는 retrospective observational study이므로 treatment-related adverse events에 대한 직접적 보고는 포함되지 않았다. 그러나 neoadjuvant regimen은 pembrolizumab (200 mg) 또는 nivolumab (360 mg)에 platinum-based chemotherapy를 결합한 2~4 cycles (3 weeks per cycle)였으며, 수술은 치료 완료 후 약 4주 후에 systematic lymph node dissection과 함께 수행되었다.

통계 분석

분석 설계 — 이 연구는 NSCLC 환자에서 neoadjuvant chemoimmunotherapy 후 MPR을 달성할지 여부를 예측하기 위해 CT 영상 기반의 deep learning 모델을 구축하고 검증하는 것을 목적으로 한다. 2019년 1월부터 2021년 12월까지 4개 기관에서 수집된 총 274명의 환자를 대상으로 하였고, Shanghai Pulmonary Hospital의 환자 142명을 training cohort (70%)와 internal validation cohort (30%, 61명)로 나누었으며, 나머지 3개 기관의 환자 71명을 external validation cohort로 설정하였다. Primary endpoint는 MPR (viable tumor cells ≤10%) 달성 여부이며, 추적 기간은 명시되지 않았으나 수술 후 병리 평가 시점을 기준으로 한다.

무엇을 위해 어떤 분석을 썼는가 — 모델 성능을 평가하기 위해 ROC curve와 AUC를 사용하였으며, AUC 간 차이를 비교하기 위해 Delong test를 적용했다. AUC의 95% CI는 bootstrap method (500회 반복)로 계산하였다. 기저 특성(baseline characteristics)의 군 간 차이를 확인하기 위해 categorical variable은 Chi-square test, continuous variable은 t-test를 사용했다. 생물학적 기반 탐색을 위해 RNA-sequencing 데이터가 있는 25명을 대상으로 deep learning score의 median value를 기준으로 high/low group으로 나눈 후, differential expression genes을 찾기 위해 R package limma (log FC >2, adjusted P value <0.05)를 사용했고, 관련 signaling pathways는 clusterProfiler (KEGG analysis)로 분석했으며, immune microenvironment cell abundance는 CibersortX로 추정했다. 통계 분석은 R (version 3.5.2)와 Python (version 3.6.7)을 사용하여 수행했다.

방법론 평가 — 잘 된 점은 multicentre design을 통해 external validation cohort를 구성하여 모델의 일반화 가능성을 확인하려 했다는 점, 그리고 AUC 비교에 Delong test를 사용하고 CI 계산에 bootstrap method를 적용하여 통계적 엄격성을 일부 확보했다는 점이다. 또한 deep learning score와 clinical characteristics를 결합한 combined model의 성능도 보고하여 임상적 유용성을 고려했다. 그러나 의심스러운 점은 다음과 같다: 첫째, external validation cohort (71명) 중 특정 기관(Nanchang University)의 환자 수가 매우 적어(11명) 표본 편향이 있을 수 있으며, cohort 간 기저 특성(T stage, histology 등)에서 유의한 차이가 있어 모델 성능 비교 시 confounding effect가 발생할 수 있다. 둘째, deep learning model의 hyperparameter tuning 과정이나 cross-validation 전략이 상세히 명시되지 않아 overfitting 위험을 배제하기 어렵다. 셋째, biological basis exploration에 사용된 RNA-seq 데이터는 단 25명이라는 매우 작은 표본으로, 결과의 신뢰도가 낮고 multiple testing 보정(adjusted P value)은 언급되었으나 power 부족 문제가 존재한다. 넷째, model assumption 검증(예: proportional hazards 등)이나 결측치 처리 방법이 명시되지 않았다.

설계에 참고할 점 — 유사한 연구를 설계할 때는 multicentre data를 활용하되, cohort 간 기저 특성 불균형을 최소화하기 위해 propensity score matching 또는 stratified sampling을 고려해야 한다. 또한 deep learning 모델의 robustness를 높이기 위해 rigorous cross-validation (예: leave-one-center-out)과 hyperparameter optimization 과정을 투명하게 보고해야 하며, biological validation을 위한 omics 데이터는 가능한 한 큰 표본 크기로 확보하거나, independent cohort에서의 재현성을 확인하는 것이 필요하다.

강점

본 연구의 주요 강점은 다중 센터 코호트를 기반으로 한 robust external validation이다. Shanghai Pulmonary Hospital 외 3개 기관의 데이터를 사용하여 모델의 generalizability를 입증함으로써 single-center study의 한계를 극복하였다. 또한, deep learning score의 biological basis를 RNA-sequencing과 KEGG pathway analysis, CibersortX immune profiling을 통해 검증하여, 단순한 영상 패턴 인식을 넘어 생물학적 기전을 연결하는 통합적 접근을 취하였다. 이는 모델의 clinical relevance와 interpretability를 높이는 중요한 요소이다. 마지막으로, 다양한 CT 스캐너 제조사와 설정을 포함하여 real-world setting에서의 적용 가능성을 고려한 preprocessing (voxel interpolation, HU standardization, Z-score normalization)을 수행하여 기술적 robustness를 확보하였다.

한계

본 연구의 주요 한계는 retrospective design으로 인한 selection bias 가능성이다. 또한, external validation cohort가 상대적으로 작은 규모(n=71)이며, 특히 The First Affiliated Hospital of Nanchang University cohort (n=11)와 Ningbo Hwa Mei Hospital cohort (n=15)의 표본 수가 적어 subgroup 분석의 통계적 power가 제한적이다. RNA-sequencing 기반 biological basis exploration은 오직 25명의 환자만 포함하여, 이 결과의 generalizability에 대한 확신이 부족하다. 또한, neoadjuvant regimen이 pembrolizumab 또는 nivolumab과 platinum-based chemotherapy의 조합으로 통일되지 않았으며(physician's discretion), 이는 treatment heterogeneity를 초래하여 모델 성능에 영향을 미쳤을 수 있다. 마지막으로, long-term outcomes (e.g., overall survival, progression-free survival)과의 연관성이 평가되지 않아, MPR 예측이 실제 clinical benefit으로 이어지는지 확인하지 못하였다.

해석

이 연구는 neoadjuvant chemoimmunotherapy 후 NSCLC 환자의 MPR을 예측하는 데 CT 기반 deep learning 모델이 유효함을 보여주며, 특히 combined model (DL score + clinical characteristics)이 최적 성능을 달성하였다. 이는 기존 radiomics study들이 주로 chemotherapy-only setting에 국한되었던 반면, 본 연구는 chemoimmunotherapy era에 맞춰진 최신 치료 패러다임을 반영한다는 점에서 의미가 있다. Biological basis exploration 결과는 DL score가 tumour proliferation 억제와 immune infiltration 촉진과 연관되어 있음을 시사하여, 모델이 단순한 morphological feature를 넘어 functional biological state를 capture하고 있을 가능성을 지지한다. 이 결과는 LLM Wiki의 oncology/imaging/AI 문헌들과 연결될 때, neoadjuvant treatment response prediction 분야에서 deep learning 기반 biomarker의 역할을 강화하며, 향후 prospective validation과 long-term outcome 연계를 통한 clinical utility 확립이 필요함을 시사한다.