[논문 리뷰] A Patient-Specific Digital Twin for Adaptive Radiotherapy of Non-Small Cell Lung Cancer

A. Sud, Jialu Huang외 5명|arXiv (Cornell University)|2026. 02. 15.

Radiomics and Machine Learning in Medical Imaging인용 수 0

한 줄 요약

본 논문은 NSCLC의 적응 방사선 치료를 위한 환자 특이 디지털 트윈 COMPASS를 개발하고, 분할당 다중 모달 데이터를 사용해 독성을 예측하고 GRU 오토인코더와 로지스틱 회귀로 치료를 안내합니다.

ABSTRACT

Radiotherapy continues to become more precise and data dense, with current treatment regimens generating high frequency imaging and dosimetry streams ideally suited for AI driven temporal modeling to characterize how normal tissues evolve with time. Each fraction in biologically guided radiotherapy(BGRT) treated non small cell lung cancer (NSCLC) patients records new metabolic, anatomical, and dose information. However, clinical decision making is largely informed by static, population based NTCP models which overlook the dynamic, unique biological trajectories encoded in sequential data. We developed COMPASS (Comprehensive Personalized Assessment System) for safe radiotherapy, functioning as a temporal digital twin architecture utilizing per fraction PET, CT, dosiomics, radiomics, and cumulative biologically equivalent dose (BED) kinetics to model normal tissue biology as a dynamic time series process. A GRU autoencoder was employed to learn organ specific latent trajectories, which were classified via logistic regression to predict eventual CTCAE grade 1 or higher toxicity. Eight NSCLC patients undergoing BGRT contributed to the 99 organ fraction observations covering 24 organ trajectories (spinal cord, heart, and esophagus). Despite the small cohort, intensive temporal phenotyping allowed for comprehensive analysis of individual dose response dynamics. Our findings revealed a viable AI driven early warning window, as increasing risk ratings occurred from several fractions before clinical toxicity. The dense BED driven representation revealed biologically relevant spatial dose texture characteristics that occur before toxicity and are averaged out with traditional volume based dosimetry. COMPASS establishes a proof of concept for AI enabled adaptive radiotherapy, where treatment is guided by a continually updated digital twin that tracks each patients evolving biological response.

연구 동기 및 목표

• 생물학적으로 유도된 방사선 치료(BGRT)로 치료받은 NSCLC에서 정상 조직 독성의 동적이고 환자 특이적 모델링 필요성을 제시한다.
• COMPASS (Comprehensive Personalized Assessment System)를 시간적 디지털 트윈으로 개발하여 분할당 영상, 선량측정, 용량-반응 동역학을 통합한다.
• GRU 오토인코더로 학습된 장기 특이 잠재 궤적을 로지스틱 회귀로 분류하여 CTCAE 등급 1 이상 독성을 예측하는 학습 파이프라인을 시연한다.
• 임상 독성 이전에 수 분할 앞서 AI 기반의 초기 독성 경고가 나타날 수 있다는 근거를 제시한다.
• 조밀한 BED 기반 표현이 전통적 선량 측정으로는 놓칠 수 있는 독성과 관련된 공간적 선량 텍스처 특성을 포착한다.

제안 방법

• 각 환자에 대해 분할별 PET, CT, dosiomics, radiomics 및 누적 BED 동역학을 시계열 데이터로 집계한다.
• 시계열 데이터로부터 장기별 잠재 궤적을 학습하도록 GRU 오토인코더를 훈련한다.
• 잠재 궤적을 로지스틱 회귀로 분류하여 CTCAE 등급 1 이상 독성을 예측한다.
• BGRT를 받는 8명의 NSCLC 환자를 분석하여 99개의 장기-분획 관찰치를 24개의 장기 궤적으로 얻는다(척수, 심장, 식도).
• 독성 위험 신호의 시점과 특성을 평가하고 BED 기반 표현을 전통적 선량-용량 접근법과 비교한다.

실험 결과

연구 질문

• RQ1 환자 특이적 시간적 모델이 일반 방법보다 NSCLC 정상 조직 독성을 더 일찍 예측할 수 있는가?
• RQ2 다중 모달 시계열 데이터에서 도출된 장기 특이 잠재 궤적이 적응형 방사선 치료를 위한 의미 있는 독성 신호를 제공하는가?
• RQ3 BED 기반 텍스처 정보가 기존 선량 측정 지표를 넘어 다가오는 독성과 연관되어 있는가?
• RQ4 BGRT에서 치료 결정은 디지털 트윈 접근법(COMPASS)을 통해 지속적으로 업데이트할 수 있는지의 타당성은?
• RQ5 시간적으로 풍부한 소수의 NSCLC 코호트에서 이 접근법의 성능은 어떠한가?

주요 결과

• COMPASS 프레임워크는 임상 징후가 나타나기 여러 분할 전에 AI 기반 초기 독성 경고를 지원한다.
• 조밀한 BED 기반 표현은 독성과 연관된 공간 선량 텍스처 특성을 드러내며 전통적 선량 측정으로는 평균화되어 사라질 수 있다.
• GRU 오토인코더가 학습한 장기 특이 잠재 궤적을 분류하면 CTCAE 등급 1+ 독성을 예측한다.
• 본 연구는 8명의 NSCLC 환자를 분석하여 24개의 장기 궤적에 걸친 99개의 장기-분획 관찰치를 사용해 적응형 방사선 치료를 위한 밀집 시계열 표현형의 가능성을 보여준다.
• 결과는 개인화된 방사선 치료 결정을 안내하는 지속적으로 업데이트되는 디지털 트윈의 개념 증명을 확립한다.