직장암 수술 위험도 예측, MRI와 인공지능 라디오믹스가 여는 새로운 지평
http://dx.doi.org/10.9718/JBER.2023.44.1.11
서론: 외과 의사의 '눈'과 경험, 그 한계를 넘어서
직장암은 전 세계적으로 높은 발병률을 보이는 암 중 하나로, 특히 남성과 여성 모두에게 세 번째로 흔하게 발생하는 암입니다
이러한 수술 전 평가 과정에서 자기공명영상(Magnetic Resonance Imaging, MRI)은 필수적인 도구로 자리 잡았습니다
하지만 이러한 방식에는 몇 가지 한계점이 존재합니다. 첫째, 어떤 슬라이스가 가장 중요한지에 대한 판단이 의사의 주관적인 경험에 크게 의존하기 때문에 재현성이 떨어질 수 있습니다
이러한 한계를 극복하고, 보다 객관적이고 효율적인 직장암 수술 위험도 예측 방법을 찾기 위해 의료 인공지능 분야에서는 '라디오믹스(Radiomics)'라는 혁신적인 기술에 주목하고 있습니다. 라디오믹스는 인간의 눈으로는 식별할 수 없는 의료 영상 속의 미세한 패턴과 질감 정보를 정량적인 데이터로 추출하여 분석하는 기술입니다
라디오믹스(Radiomics)란 무엇인가? - 영상 데이터에 숨겨진 비밀을 푸는 열쇠
라디오믹스는 의료 영상, 즉 MRI, CT, PET 등의 이미지 데이터를 단순한 그림으로 보는 것을 넘어, 그 안에 담긴 방대한 양의 정량적 특징(quantitative features)을 추출하고 분석하는 기술입니다
라디오믹스는 사람의 눈으로는 감지하기 어려운 종양의 이질성(heterogeneity)이나 미세한 질감의 차이를 수학적, 통계적 알고리즘을 통해 수치화할 수 있습니다
특히 직장암 MRI 영상 분석에서 라디오믹스는 외과 전문의의 주관적인 영상 판독을 보완하고 객관적인 근거를 제공함으로써 그 한계를 극복할 잠재력을 가집니다
연구 과정: 인공지능, 외과 전문의의 '선택'을 학습하다
본 연구는 K대학교 G병원에서 직장암으로 복강경 수술을 받은 환자 50명의 MRI 영상 데이터를 기반으로 진행되었습니다
그림 1. MRI 영상 슬라이스 데이터 처리 결과
(a) 원본 (Original): 환자로부터 촬영된 원본 축상(axial) T2 강조 MRI 영상입니다. 직장과 주변 골반 구조가 나타나 있습니다.
(b) 관심 영역 이미지 (ROI image): 외과 전문의가 Aview 소프트웨어를 사용하여 원본 영상에서 직장암 종양 부위(관심 영역, Region of Interest)를 녹색으로 정밀하게 표시(segmentation)한 이미지입니다
. (c) 마스크 이미지 (Mask image): 표시된 관심 영역(ROI)만을 흰색으로 추출하여 이진(binary) 마스크 이미지로 변환한 것입니다. 이 마스크 이미지는 라디오믹스 특징 추출 과정에서 분석할 영역을 정확히 지정하는 데 사용됩니다
. 모든 이미지는 분석의 일관성을 위해 256x256 픽셀 크기로 표준화되었습니다 .
연구팀은 준비된 100장의 영상(학습용 80장, 테스트용 20장)에서 '파이라디오믹스(Pyradiomics)'라는 오픈소스 소프트웨어를 사용하여 총 102개의 정량적 라디오믹스 특징을 추출했습니다
그림 2. 라디오믹스를 통한 직장암 MRI 영상 슬라이스 선택 분류 연구 흐름도
(a) ROI Segmentation: 외과 전문의가 선택한 영상 그룹(Select images)과 선택하지 않은 영상 그룹(Non-select images)에서 각각 종양 영역(ROI)을 분할합니다.
(b) Feature Extraction: 분할된 ROI로부터 강도(Intensity), 2D 형태(Shape), 질감(Texture) 등 102개의 라디오믹스 특징을 정량적으로 추출합니다
. (c) Feature Selection & Model Training: 추출된 특징들 중 분류에 가장 유의미한 특징들을 선택(LASSO, Ridge 등)하고
, 이를 기반으로 다양한 머신러닝 모델(Random Forest, SVM 등)을 학습시킵니다 . (d) Model Validation: 학습된 모델의 성능을 민감도, 특이도, AUC 등의 지표로 평가하고, 가장 중요한 특징들이 두 그룹 간에 어떤 차이를 보이는지 통계적으로 분석합니다
.
이렇게 추출된 방대한 특징들 중에는 모델의 성능을 저하시키는 불필요한 정보가 포함될 수 있습니다
연구 결과: 최적의 인공지능 모델과 핵심 바이오마커의 발견
16가지 조합의 성능을 종합적으로 평가한 결과, '랜덤 포레스트(Random Forest)' 분류기와 '릿지(Ridge)' 특징 선택 기법의 조합이 가장 뛰어난 성능을 보였습니다
그림 3. MRI 영상 슬라이스 선택 분류 성능 평가 결과 (AUC 점수)
이 히트맵은 4가지 분류기(RF, XGB, LR, SVM)와 4가지 특징 선택 기법(Ridge, LASSO, SFS, RFE)을 조합한 총 16개 모델의 성능을 AUC(Area Under the Curve) 값으로 시각화한 것입니다
. AUC는 1에 가까울수록 모델의 분류 성능이 우수함을 의미합니다. 판독 결과, 좌측 상단의 RF 분류기와 Ridge 특징 선택 기법의 조합이 0.89라는 가장 높은 AUC 점수를 기록하며 가장 우수한 성능을 보였습니다
. 반면, SVM 분류기와 LASSO 특징 선택 기법의 조합은 0.61로 상대적으로 낮은 성능을 나타냈습니다 .
이 최적의 조합(RF + Ridge)은 테스트 데이터에서 정확도(Accuracy) 0.85, 민감도(Sensitivity) 0.83, 특이도(Specificity) 0.88, 그리고 AUC 0.89라는 높은 분류 성능을 달성했습니다
표 1. Random Forest(RF) 분류기와 4가지 특징 선택 기법 조합의 성능 분석 결과
이 표는 가장 우수한 분류기였던 RF를 기준으로, 각 특징 선택 기법(Ridge, LASSO, SFS, RFE)과 조합했을 때의 상세 성능 지표를 보여줍니다.
판독 결과, RF+Ridge 조합이 재현율(Recall) 0.83, 특이도(Specificity) 0.88, 정밀도(Precision, 본문에서는 Accuracy로 표기됨) 0.85, AUC 0.89로 모든 지표에서 가장 안정적이고 우수한 성능을 나타냈습니다
. 반면, RF+LASSO 조합은 특이도가 0.66으로 상대적으로 낮았습니다 .
그렇다면 인공지능은 과연 '어떤' 특징들을 근거로 이러한 판단을 내렸을까요? 연구팀은 RF+Ridge 모델이 가장 중요하게 생각한 상위 5개의 라디오믹스 특징을 분석했습니다.
그림 4. RF 분류기와 Ridge 특징 선택 기법 조합의 특징 중요도 분석 결과
이 막대그래프는 최적 모델(RF+Ridge)이 두 그룹의 영상을 분류하는 데 있어 어떤 라디오믹스 특징을 가장 중요하게 고려했는지를 보여줍니다. 막대가 길수록 해당 특징의 중요도가 높다는 의미입니다.
판독 결과, **Perimeter(종양 둘레)**가 0.11로 가장 높은 중요도를 보였으며, 그 뒤를 이어 Run Length Non Uniformity(질감의 불균일성), Major Axis Length(종양의 장축 길이), Total Energy(픽셀 강도의 총합), Perimeter Surface Ratio(둘레 대 표면 비율) 순으로 나타났습니다
. 이 5가지 특징이 바로 외과 전문의의 선택을 예측하는 핵심 바이오마커인 셈입니다.
이 5가지 핵심 바이오마커는 다음과 같은 의미를 가집니다.
Perimeter (둘레): 종양의 경계선 길이.
Run Length Non Uniformity (실행 길이 불균일성): 종양 내부 픽셀 패턴의 균일성을 나타내는 질감 특징. 값이 낮을수록 균일합니다.
Major Axis Length (장축 길이): 종양을 감싸는 타원의 가장 긴 축의 길이로, 종양의 크기와 관련된 형태 특징.
Total Energy (총 에너지): 영상 내 픽셀 강도(밝기) 값의 제곱 합으로, 종양의 전반적인 신호 강도를 반영합니다.
Perimeter Surface Ratio (둘레 대 표면 비율): 종양의 모양이 얼마나 복잡한지를 나타내는 지표. 값이 낮을수록 원형에 가깝습니다.
선택된 영상 vs. 선택되지 않은 영상: 정량적 차이의 발견
연구의 마지막 단계는 이 5가지 핵심 특징이 실제로 '전문의가 선택한 영상' 그룹과 '선택하지 않은 영상' 그룹 간에 통계적으로 유의미한 차이를 보이는지 확인하는 것이었습니다. 분석 결과, 두 그룹 간에는 뚜렷한 차이가 존재했습니다 (p<0.001)
그림 5. MRI 영상 슬라이스 선택 분류에서 유의한 특징 차이 분포 (RF+Ridge 조합)
이 박스플롯(Box plot)은 상위 5개 핵심 특징에 대해 '선택된(Select, 하늘색)' 그룹과 '선택되지 않은(Non-select, 남색)' 그룹의 데이터 값 분포를 시각적으로 비교한 것입니다.
판독 결과, Perimeter, Major Axis Length, Total Energy 특징은 전문의가 선택한 영상 그룹(하늘색)에서 더 높은 값을 보였습니다
. 이는 외과 의사들이 더 크고, 신호 강도가 강한 종양을 중요하게 판단하는 경향이 있음을 시사합니다. 반면, Run Length Non Uniformity와 Perimeter Surface Ratio는 선택된 영상 그룹에서 더 낮은 값을 보였습니다
. 이는 전문의가 선택한 영상 속 종양이 상대적으로 더 균일한 질감을 가지며, 모양이 원형에 가깝고 덜 복잡한 형태를 띤다는 것을 의미합니다. 이러한 모든 차이는 통계적으로 매우 유의미했습니다 (p<0.001) .
이러한 결과는 매우 중요한 시사점을 가집니다. 외과 전문의의 '경험에 기반한 주관적 판단'이 실제로는 '정량화 가능한 객관적 지표'와 깊은 연관이 있음을 보여주기 때문입니다. 즉, 전문의들은 무의식적으로 종양의 크기(Perimeter, Major Axis Length), 질감의 균일성(Run Length Non Uniformity), 그리고 모양의 복잡성(Perimeter Surface Ratio) 등을 종합적으로 고려하여 수술의 난이도를 예측하고 있었으며, 라디오믹스 기반 인공지능이 그 숨겨진 기준을 성공적으로 찾아낸 것입니다.
결론: 인공지능, 직장암 수술의 나침반이 되다
본 연구는 라디오믹스 특징과 인공지능 기술을 결합하여, 직장암 수술 위험도 예측을 위한 MRI 영상 슬라이스 선별 과정을 객관화하고 자동화할 수 있는 가능성을 제시했습니다
'Perimeter', 'Run Length Non Uniformity' 등 5가지 핵심 바이오마커는 외과 전문의가 어떤 영상을 중요하게 판단하는지에 대한 정량적인 기준을 제공합니다. 이는 향후 직장암 수술 위험도를 예측하는 인공지능 보조 진단 시스템(CAD) 개발에 핵심적인 근거가 될 수 있습니다
효율성 증대: 인공지능이 자동으로 중요한 MRI 슬라이스를 추천하거나 위험도를 예측해줌으로써, 외과 의사가 수많은 영상을 판독하는 데 드는 시간과 노력을 획기적으로 줄일 수 있습니다
. 객관성 및 표준화: 의사의 주관적 경험에 따른 편차를 줄이고, 정량적 데이터를 기반으로 한 일관된 진단 기준을 마련할 수 있습니다
. 정밀 의료 실현: 환자 개개인의 MRI 영상 특징을 정량적으로 분석하여 맞춤형 수술 계획을 수립하고, 더 나은 치료 결과를 도출하는 데 기여할 수 있습니다
.
물론 본 연구는 50명의 환자 데이터라는 제한된 규모로 진행되었기에, 향후 더 많은 데이터를 활용한 추가적인 검증 연구가 필요합니다
참고문헌
[1] V. Valentini, R. Beets-Tan, J. M. Borras, Z. Krivokapić, J. W. Leer, L. Påhlman, C. Rödel, H. J. Schmoll, N. Scott, C. V. D. Velde, and C. Verfaillie, "Evidence and research in rectal cancer," Radiotherapy and Oncology, vol. 87, no. 3, pp. 449-474, 2008.
댓글
댓글 쓰기