Biomedical Imaging 종합 리뷰

category

overviews

개요

본 리뷰는 Biomedical Imaging 카테고리에서 추출된 25편의 논문 핵심 노트를 바탕으로 작성되었다. 주요 경향은 Deep Learning 및 Radiomics 모델의 진단·예측 성능 검증, 방법론적 표준화 노력, 그리고 특정 질환(특히 NSCLC)에서의 임상 적용 가능성 탐색에 집중되어 있다. 연구들은 영상 데이터와 임상 변수의 통합을 통해 기존 해부학적 기준(RECIST)이나 단일 모달리티의 한계를 극복하려는 시도를 보여준다. 또한, Radiomics가 단순한 진단 도구를 넘어 종양 미세환경(Tumor Microenvironment) 및 생물학적 지표(Biological Age)를 비침습적으로 정량화하는 방향으로 진화하고 있음을 확인하였다.

주요 주제

Deep Learning 모델의 임상적 성능 및 다중 모달리티 통합 Incidental pulmonary nodules의 malignancy probability estimation을 위해 screening data만 사용하는 DL1과 clinical data를 추가한 DL2 모델을 비교한 결과, pooled dataset에서 AUC는 각각 0.74와 0.83으로 나타났으며 multicentre 환경에서의 일관성이 평가되었다 [6]. Chest radiographs에서 10가지 흔한 abnormality를 탐지하는 ResNet34 기반 알고리즘(DLAD-10)은 external validation에서 AUROC 0.895–1.00의 성능을 보였으며, critical abnormality 분류 정확도(95.0%)가 pooled radiologists (84.4%)보다 통계적으로 유의하게 높았다 [14]. 또한 ICU 환자에서 chest radiographs와 clinical parameters를 통합한 transformer-based neural network는 unimodal 모델보다 통계적으로 유의미하게 높은 성능을 보였다 [10].

NSCLC에서의 치료 반응 예측 및 바이오마커 개발 Progressive non-small-cell lung cancer (NSCLC) 환자에서 CT 영상 기반 deep learning 모델(3D-densenet)을 활용한 Tumor Mutational Burden Radiomic Biomarker (TMBRB)는 기존 radiomic model 및 histological subtype보다 우수한 분류 성능을 보이며 anti-PD-1/PD-L1 치료 반응 예측에 유용함을 입증하였다 [7]. Neoadjuvant chemoimmunotherapy의 pathologic complete response (pCR) 예측을 위해 CT 기반 deep learning 모델(ResNet-152)은 baseline CT의 high-dimensional radiomics features를 활용하여 임상 모델보다 통계적으로 유의하게 우수한 성능(AUC 0.775 vs 0.579 등)을 보였다 [15]. 또한 Delta-radiomics features(Delta-RFs)와 haematological index의 동적 변화를 결합한 모델은 resectable NSCLC 환자에서 neoadjuvant immunochemotherapy 후 pCR 예측에 유효함을 확인하였다 [23]. Advanced NSCLC 환자에서 nivolumab 또는 pembrolizumab 치료 반응 및 생존 예후를 예측하기 위해 baseline CT radiomics와 임상 변수를 통합한 ensemble 모델이 OS, PFS, PD-L1 예측 성능에서 우월함을 보였다 [24].

Radiomics 방법론의 표준화, 한계 및 가이드라인 Radiomics 파이프라인에서 적용되는 7가지 feature normalization 방법(z-Score, Min-Max 등)은 평균적으로 예측 성능(AUC)에 미미한 영향을 미쳤으나 dataset 의존성이 강해 특정 경우 최대 +0.051의 성능 차이가 발생하며 선택된 feature set 간 agreement는 최대 62%로 나타났다 [5]. 정밀 종양학에서 radiomics의 clinical translation을 가속화하기 위해 기존 RQS 1.0의 한계를 보완한 Radiomics Quality Score 2.0 (RQS 2.0)과 9단계 Radiomics Readiness Levels (RRLs)를 제안하며, handcrafted와 deep learning-based 워크플로우를 구분하고 fairness, explainability, harmonization 등을 포함하였다 [11]. 서로 다른 해부학적 환경(폐, 신장, 뇌)의 종양에서 공통적으로 적용 가능한 radiomics features가 존재하는지 검증한 결과, 폐암(NSCLC) 데이터셋으로 구축된 survival 분석 모델은 다른 폐 데이터셋에서는 유의미하게 구분되었으나 kidney (TCGA-KIRC) 및 brain (CPTAC-GBM) 종양에는 적용되지 않아 organ-specific 한계가 있음을 확인하였다 [12]. 전이성 암 환자에서 radiomics features가 intra-patient inter-tumor heterogeneity를 정량화할 수 있는지 평가한 결과, robust radiomics index는 patient 수준과 organ 수준 모두에서 유의미한 변이(최소 20% 이상)를 보였으며 tumor subsampling strategy가 이질성 측정값에 영향을 미침을 확인하였다 [8]. 종양학 분야 radiomics 연구 및 임상 적용을 위한 실무 가이드는 데이터 수집, 샘플 크기 계산, 모델 검증, 과적합 방지를 위한 구체적인 수치 기준과 workflow를 체계적으로 제시한다 [17].

종양 미세환경(Tumor Microenvironment) 및 조직학적 패턴의 비침습적 평가 Pretreatment CT의 Radiomics features는 NSCLC 환자의 국소 면역 미세환경 지표(CD3 count, % tumor PDL1 expression)와 연관성이 있으며, 이를 기반으로 한 Immune-pathology informed model (IPIM)이 Overall survival (OS) 예측에 유의미하게 기여한다 [20]. CT 기반 radiomics는 NSCLC의 Tumor Microenvironment 내 Th1, Th2, cytotoxic T cells 침윤 정도를 비침습적으로 예측할 수 있으며 gene expression data와 상관관계를 가진다 [25]. Digitized H&E images 기반 automated image classifier (HistoTIL)는 cancer nuclei와 tumor-infiltrating lymphocytes (TILs)의 spatial interplay pattern을 정량화하여 immune checkpoint inhibitors (ICIs) 치료의 clinical benefit 및 progression-free survival (PFS), overall survival (OS)을 PD-L1 expression보다 잘 예측한다 [22]. DCE-MRI 기반 radiomics를 통해 유방암의 imaging intratumor heterogeneity (IITH)를 정량화할 수 있으며, High-IITH phenotype은 genomic ITH 및 cellular morphological ITH와 상관관계가 있고 independent poor prognostic indicator로 작용한다 [19]. Multiomic 분석을 통해 high-IITH 종양에서 ferroptosis pathway 활성화가 관찰되어 잠재적 therapeutic target으로 제안되었다 [19]. Radiomics 기반 Imaging phenotyping은 Lung adenocarcinoma 내 Micropapillary pattern (MP)의 존재 및 비율을 비침습적으로 예측할 수 있으며, High tumor stage, Intermediate histologic grade 및 특정 Radiomics features가 MP 존재의 독립적 예측 인자이다 [18].

특정 질환의 영상 소견, 진단 기준 및 시술 기술 비교 생검으로 확진된 fibrosing organizing pneumonia (Fibrosing OP) 환자에서 deep learning 기반 quantitative computed tomography (qCT) lung texture analysis를 활용하여 ground-glass opacity (GGO), reticulation, honeycombing (HC), consolidation 등을 정량화하고, forced vital capacity (FVC) 및 qCT fibrosis 부피 변화에 따라 질병 경과를 progressive disease (PD), stable disease (SD), improved disease (ID)로 분류하였다 [1]. 폐 관여가 확인된 pulmonary intravascular lymphomatosis (IVL) 환자 11명에서 CT상 bilateral ground-glass opacity (GGO)가 가장 흔한 소견이었으며, PET/CT에서는 모든 환자에서 increased fluorodeoxyglucose (FDG) uptake가 확인되었고, GGO 영역은 histopathologically neoplastic lymphoid cells로 채워진 expanded alveolar septal vasculatures와 정확히 일치하였다 [2]. Head and neck squamous cell carcinoma에서 radiological imaging으로 감지된 extranodal extension (ENE)의 진단 기준과 용어 표준화를 위해 Head and Neck Cancer International Group (HNCIG)이 consensus recommendations를 제시하며, HPV-negative disease에서 AJCC staging에 반영될 정도로 중요한 prognostic factor임을 강조하였다 [9]. C-arm cone-beam CT 시스템을 활용한 combined fluoroscopy- and CT-guided transthoracic needle biopsy (FC-TNB)가 기존 fluoroscopy-guided TNB (F-TNB) 대비 작은(< 30 mm) 및 깊은(≥ 50 mm) 병변에서 높은 sensitivity와 diagnostic accuracy를 보였으나, 통계적으로 유의한 우위는 확인되지 않았다 (p > 0.05) [3]. Lung transplantation 후 발생하는 surgical, medical, immunologic, infectious complications의 imaging manifestations와 management 전략을 시간대별로 체계적으로 정리하였으며, vascular complications, bronchial dehiscence 및 stenosis, size mismatch, chest wall 및 pleural complications의 특징적인 CT 및 chest radiography 소견과 다학제적 치료 옵션을 제시하였다 [4].

CT 물리학적 기반, 생물학적 지표 및 대사적 평가 기준 CT 스캔에서 얻는 attenuation 값을 Hounsfield units (CT numbers) 대신 physical density (g/cm³)로 표현하는 것이 임상적 및 연구적 유용성이 높다고 주장하며, calibration curve를 구축하여 CT numbers와 physical density 간의 정량적 관계를 규명하고, in vivo에서 조직이나 종양의 부피를 측정 후 physical density를 곱해 gram 단위의 mass를 추정하는 방법을 제시하였다 [13]. Chest Radiographs (CXR) 이미지로부터 CNN 기반 transfer learning으로 추정된 생물학적 연령(CXR-Age)은 실제 연령(chronological age)보다 all-cause mortality 및 cardiovascular mortality를 더 잘 예측한다 [16]. CXR-Age가 5년 증가할 때마다 사망 위험(hazard ratio)이 유의하게 증가하며, 기존 임상 변수에 추가했을 때 사망률 예측 성능이 향상된다 [16]. 고형암 치료 반응 평가에서 기존 해부학적 기준(RECIST)의 한계를 보완하기 위해 (18)F-FDG PET 기반 대사적 평가 기준인 PERCIST version 1.0이 제안되었으며, 이는 disease stabilization을 목표로 하는 최신 항암 치료 평가에 유용하다 [21].

방법론적 경향

연구 설계는 주로 retrospective cohort 분석과 external validation을 포함하는 multicentre 연구가 주를 이루며, 모델의 일반화 가능성을 강조한다 [6][14]. 데이터 측면에서 단일 영상 모달리티(CT, CXR)뿐만 아니라 clinical parameters, haematological index, gene expression data와의 multimodal integration이 빈번하게 시도되고 있다 [10][23][24][25]. 방법론적으로 handcrafted radiomics features와 deep learning-based features (예: ResNet, 3D-densenet, transformer)가 병행되어 사용되며, 특히 delta-radiomics를 통한 치료 전후의 동적 변화 분석이 주목받고 있다 [15][23]. 통계적 검증에서는 AUC, AUROC, sensitivity, specificity, hazard ratio 등이 주요 endpoint로 활용되었으며, 모델 성능 비교 시 pooled dataset이나 external validation cohort에서의 일관성 평가가 필수적으로 수행되었다 [6][14][16]. 또한, radiomics 파이프라인의 재현성을 위해 feature normalization 방법의 영향 [5]과 organ-specific 한계 [12]를 고려한 방법론적 가이드라인(RQS 2.0, RRLs) [11][17]이 제시되는 경향이 있다.

임상적·연구적 시사점

Deep Learning 및 Radiomics는 NSCLC와 같은 고형암에서 치료 반응(pCR, OS, PFS)과 종양 미세환경(Tumor Microenvironment)을 비침습적으로 예측하는 강력한 도구로 자리 잡고 있으며, 이는 개인화된 정밀 종양학(Precision Oncology) 구현에 기여할 수 있다 [7][15][20][24]. 특히 기존 해부학적 기준(RECIST)의 한계를 보완하는 대사적 평가 기준(PERCIST) [21]과 영상 기반 생물학적 지표(CXR-Age) [16]는 질병 경과 모니터링 및 예후 예측에 새로운 차원을 제공한다. 그러나 radiomics 모델의 임상 적용을 위해서는 organ-specific 한계 [12], feature normalization의 dataset 의존성 [5], 그리고 intra-tumor heterogeneity 측정 시 subsampling strategy의 영향 [8]과 같은 방법론적 표준화가 선행되어야 한다. 또한, FC-TNB와 같은 시술 기술 비교에서 통계적 유의성이 확인되지 않은 사례 [3]처럼, 새로운 영상 기법이 기존 표준 대비 명확한 임상적 이점을 입증해야만 widespread adoption이 가능하다. 향후 연구에서는 fairness, explainability, harmonization을 포함한 RQS 2.0 및 RRLs 가이드라인 [11]에 부합하는 robust한 모델 개발과 다학제적 치료 옵션과의 연계 [4]가 필요하다.

참고 논문

1. Autoimmune Features or Connective Tissue Disease Shows a — 4hw7e4xf, 2026
2. Pulmonary Intravascular Lymphomatosis: Clinical, CT, and PET Findings, Correlation of CT and Pathologic Results, and Survival Outcome — Cha et al., 2016, Radiology
3. Combined fluoroscopy-and CT-guided transthoracic needle biopsy using a C-arm cone-beam CT system: comparison with fluoroscopy-guided biopsy — Cheung et al., 2011, Korean Journal of Radiology
4. Complications of Lung Transplantation: Update on Imaging Manifestations and Management — DeFreitas et al., 2021, Radiology: Cardiothoracic Imaging
5. The effect of feature normalization methods in radiomics — A. Demircioglu, 2024, Insights Imaging
6. Multicentre performance and consistency of two deep learning models for malignancy probability estimation of incidental pulmonary nodules — Dinnessen et al., 2026
7. Predicting response to immunotherapy in advanced non-small-cell lung cancer using tumor mutational burden radiomic biomarker — He et al., 2020, Journal for Immunotherapy of Cancer
8. Investigation of radiomics based intra-patient inter-tumor heterogeneity and the impact of tumor subsampling strategies — Henry et al., 2022, Scientific Reports
9. Criteria for the diagnosis of extranodal extension detected on radiological imaging in head and neck cancer: Head and Neck Cancer International Group consensus recommendations — Henson et al., 2024, The Lancet Oncology
10. Multimodal deep learning for integrating chest radiographs and clinical parameters: a case for transformers — Khader et al., 2023, Radiology
11. Radiomics Quality Score 2.0: towards radiomics readiness levels and clinical translation for personalized medicine — Lambin et al., 2025, Nature Reviews Clinical Oncology
12. Are radiomics features universally applicable to different organs? — Lee et al., 2021, Cancer Imaging
13. Mass estimates by computed tomography: physical density from CT numbers — R. T. Mull, 1984, American Journal of Roentgenology
14. Development and validation of a deep learning algorithm detecting 10 common abnormalities on chest radiographs — Nam et al., 2021, European Respiratory Journal
15. Non-invasive prediction for pathologic complete response to neoadjuvant chemoimmunotherapy in lung cancer using CT-based deep learning: a multicenter study — Qu et al., 2024, Frontiers in Immunology
16. Deep Learning to Estimate Biological Age From Chest Radiographs — Raghu et al., 2021, JACC Cardiovascular Imaging
17. Radiomics in Oncology: A Practical Guide — Shur et al., 2021, RadioGraphics
18. Imaging Phenotyping Using Radiomics to Predict Micropapillary Pattern within Lung Adenocarcinoma — Song et al., 2017, Journal of Thoracic Oncology
19. Radiogenomic-based multiomic analysis reveals imaging intratumor heterogeneity phenotypes and therapeutic targets — Su et al., 2023, Science Advances
20. Development of an Immune-Pathology Informed Radiomics Model for Non-Small Cell Lung Cancer — Tang et al., 2018, Scientific Reports
21. From RECIST to PERCIST: Evolving Considerations for PET response criteria in solid tumors — Wahl et al., 2009, Journal of Nuclear Medicine
22. Spatial interplay patterns of cancer nuclei and tumor-infiltrating lymphocytes (TILs) predict clinical benefit for immune checkpoint inhibitors — Wang et al., 2022, Science Advances
23. Delta-radiomics features combined with haematological index predict pathological complete response after neoadjuvant immunochemotherapy in resectable non-small cell lung cancer — Xiong et al., 2025, Clinical Radiology
24. Imaging-Based Biomarkers Predict Programmed Death-Ligand 1 and Survival Outcomes in Advanced NSCLC Treated With Nivolumab and Pembrolizumab: A Multi-Institutional Study — Yolchuyeva et al., 2023, JTO Clinical and Research Reports
25. Deciphering the tumor microenvironment through radiomics in non-small cell lung cancer: Correlation with immune profiles — Yoon et al., 2020, PloS One