병리 및 CT 영상 기반 신장암 자동 등급 판정 연구
Cross-Modal Contrastive Learning from Histopathology and CT for Automated Renal Cell Carcinoma Grading
arXiv신장 세포 암종(ccRCC)의 등급 판정을 위해 조직 병리 이미지와 CT 영상을 함께 학습하는 '교차 모달리티 대비 학습' 프레임워크를 개발했습니다.
- 개발된 RCC-Align은 CT 영상만을 이용해 암 등급을 분류할 때 기존 AI 모델보다 높은 성능을 보였으며, 특히 저등급 판별에서 유의미한 개선을 입증했습니다.
- 기존에는 침습적 조직 샘플링이 필수였던 신장암 등급 진단을 비침습적인 CT 촬영만으로 보조적으로 수행할 수 있게 되어 임상 활용도가 높습니다.
- 다만, 현재는 연구실 수준의 결과이며 실제 의료 현장에 적용하기 위해서는 다기관 및 대규모 코호트에서의 추가적인 외부 검증이 필수적입니다.
신장 세포 암종(ccRCC)의 정확한 등급 평가는 위험도 분류와 치료 계획 수립에 필수적이지만, 기존 진단 방식은 침습적인 조직 샘플링을 요구합니다. 이에 연구진은 RCC-Align이라는 교차 모달 대비 학습 프레임워크를 개발했습니다. 이 프레임워크는 쌍으로 매칭된 전장 병리 이미지(WSIs)와 CT 스캔 데이터를 활용하여, 미세 조직 형태학에서 거시적 방사선학적 표현으로 등급 판별 정보를 전달하도록 설계되었습니다.
TCGA 및 CPTAC 코호트를 사용하여 평가한 결과, RCC-Align은 AUC 0.601 (95% CI, 0.524-0.673)과 AUPRC 0.599 (95% CI, 0.541-0.676)를 달성했습니다. 이는 DINOv2-Finetuned 모델(AUC 0.545; AUPRC 0.543)보다 우수한 성능을 보였으며, 특히 저등급 예측에서 유의미한 개선을 입증했습니다 (p = 0.004).
이 접근 방식은 병리 정보를 활용하여 CT만으로도 ccRCC 등급 판정을 개선할 수 있으며, 추론 시에는 CT 영상만 필요합니다. 이는 생검이 안전하지 않거나 불가능한 경우 조직 진단을 보완하는 데 도움을 줄 수 있습니다. 다만, 연구진은 임상 적용 전 더 큰 규모의 다기관 코호트에서 외부 검증이 필요하다고 결론지었습니다.