[논문 리뷰] Large Language Models-Enabled Digital Twins for Precision Medicine in Rare Gynecological Tumors

Jacqueline Lammert, Nicole Pfarr외 17명|arXiv (Cornell University)|2024. 08. 31.

Radiomics and Machine Learning in Medical ImagingMedicine인용 수 3

한 줄 요약

이 연구는 희귀 산부인과 종양(RGTs)의 정밀의료를 위한 대규모 언어 모델(LLM) 기반 디지털 트윈 시스템을 제안한다. 이 시스템은 655篇의 논문과 21개 기관의 사례에서 유래한 임상, 바이오마커, 문헌 기반 데이터를 통합하여 전이성 자궁 카르시노사르코마의 개인화된 치료 계획을 수립한다. 기존의 단일 소스 분석으로는 놓칠 수 있는 치료 옵션을 식별하며, 생물학 기반의 환자 맞춤형 치료 매칭을 통해 결과 향상 잠재력을 보여준다.

ABSTRACT

Rare gynecological tumors (RGTs) present major clinical challenges due to their low incidence and heterogeneity. The lack of clear guidelines leads to suboptimal management and poor prognosis. Molecular tumor boards accelerate access to effective therapies by tailoring treatment based on biomarkers, beyond cancer type. Unstructured data that requires manual curation hinders efficient use of biomarker profiling for therapy matching. This study explores the use of large language models (LLMs) to construct digital twins for precision medicine in RGTs. Our proof-of-concept digital twin system integrates clinical and biomarker data from institutional and published cases (n=21) and literature-derived data (n=655 publications with n=404,265 patients) to create tailored treatment plans for metastatic uterine carcinosarcoma, identifying options potentially missed by traditional, single-source analysis. LLM-enabled digital twins efficiently model individual patient trajectories. Shifting to a biology-based rather than organ-based tumor definition enables personalized care that could advance RGT management and thus enhance patient outcomes.

연구 동기 및 목표

• 희귀 산부인과 종양(RGTs)의 낮은 유병률과 열악한 예후로 인한 임상적 과제를 해결하기 위해 표준 지침의 부재로 인한 문제를 해결한다.
• 치료 매칭에서 비정형 바이오마커 데이터의 수작업 쿠리에이션에 따른 한계를 극복한다.
• 대규모 언어 모델(LLMs)을 활용한 디지털 트윈 시스템을 개발하여 RGTs에서의 개인화된 치료 계획 수립을 목적으로 한다.
• 기존의 장기 기반 분류에서 생물학 기반 종양 분류로의 전환을 통해 정밀 옹념학의 향상을 도모한다.
• 실제 사례 데이터와 문헌 데이터를 활용하여, 시스템이 효과적이고 잠재적으로 놓칠 수 있는 치료 옵션을 식별할 수 있는 능력을 평가한다.

제안 방법

• 디지털 트윈 시스템은 전이성 자궁 카르시노사르코마(UCS)의 21개 기관 사례에서 유래한 임상 및 바이오마커 데이터를 통합한다.
• LLMs를 활용해 404,265명의 환자를 포함한 655편의 논문에서 유래한 정보를 수신 및 통합하여 바이오마커 및 치료 데이터를 추출하고 맥락화한다.
• LLMs는 논문의 비정형 텍스트를 처리하여 HER2, ESR1, FR-α, PRAME와 같은 행동 가능한 바이오마커와 관련된 치료법을 식별한다.
• 환자별 바이오마커 프로파일을 임상 및 전임상 연구의 근거와 연계하여 개인화된 치료 계획을 수립한다.
• LLM 출력 결과를 검증된 문헌 및 임상 데이터에 기반시키기 위해 검색 증강 생성(RAG) 기법을 적용한다.
• 임상적 유익률, 반응 지속 기간, 생존 결과 등을 기반으로 임상 시험 및 사례 보고서에 기록된 바를 바탕으로 치료 옵션을 평가한다.

실험 결과

연구 질문

• RQ1 LLM 기반 디지털 트윈 시스템은 이질적인 임상 및 문헌 기반 데이터를 효과적으로 통합하여 희귀 산부인과 종양의 개인화된 치료 계획을 수립할 수 있는가?
• RQ2 기존의 단일 소스 분석으로는 놓칠 수 있는 전이성 자궁 카르시노사르코마에 대한 치료 옵션은 무엇인가?
• RQ3 LLMs에 의해 가능해지는 생물학 기반 종양 분류는 장기 기반 분류에 비해 RGTs에서 정밀 옹념학을 얼마나 향상시킬 수 있는가?
• RQ4 실제 사례 데이터와 대규모 문헌 데이터의 통합은 디지털 트윈이 생성한 치료 권고의 신뢰성과 임상적 관련성을 어떻게 향상시키는가?
• RQ5 시스템은 ESR1 유전자 증폭을 보이는 UCS 환자에서 페를루맙시맙 + 레바티니브 + 레트로졸롤 조합 치료에 대해 지속적인 반응을 식별할 수 있는가?

주요 결과

• 디지털 트윈은 ESR1 유전자 증폭, pMMR 상태의 전이성 UCS 환자에서 페를루맙시맙, 레바티니브, 레트로졸롤 병용 요법으로 36개월 지속 부분 반응을 식별하였다. 이 치료법은 기존 표준 접근 방식으로는 놓칠 수 있는 조합이다.
• 에스트로젠 수용체 양성 UCS 환자에 대해서는 2a상 임상 시험에서 안드라조졸의 임상적 유익률이 43%였으며, 중앙값으로서의 임상적 유익 지속 기간은 5.6개월이었다.
• FR-α 양성 UCS 환자에서 미르베티주맙 소라바탄신과 페를루맙시맙 병용 요법의 잠재적 유익이 식별되었으며, 이는 자궁내막암 환자에서 37.5%의 목적적 반응률을 보인 2a상 임상 시험에 의해 뒷받침된다.
• 전임상 증거에 따르면 HRD 양성 UCS 세포주가 HR 정상성 선별에 비해 올라파리브에 더 높은 민감도를 보였으며, 이는 HRD 양성 환자에서 PARPi의 유용성을 시사한다.
• 사시투주맙 고비티칸은 Trop2 양성 재발성 자궁내막암에서 목적적 반응률 35%와 중앙값으로서의 진행 무진행 생존 기간 5.7개월을 기록하였으며, UCS 환자 포함하여 효과를 보였다.
• 시스템은 진행 시 혈청 CA-125 수치 상승이 부분 반응과 관련이 있음을 식별하였으며, 수술 후 CA-125 상승은 악성 예후를 예측함을 시사하여 동적 바이오마커로의 활용 가능성을 뒷받침한다.