[논문 리뷰] Patient-specific, mechanistic models of tumor growth incorporating artificial intelligence and big data

Guillermo Lorenzo, Syed Rakin Ahmed외 6명|arXiv (Cornell University)|2023. 08. 28.

Mathematical Biology Tumor GrowthMathematics인용 수 3

한 줄 요약

이 논문은 환자별 기반의 기계적 종양 성장 모델을 인공지능과 빅데이터와 융합하는 하이브리드 프레임워크를 제안하여 개인화된 암 치료를 가능하게 한다. 생물학 기반 수학 모델과 인공지능을 활용한 파라미터 추정, 서면 모델링, 영상유전체 분석을 통합함으로써 예측 정확도, 해석 가능성, 임상 적용 가능성을 향상시키며, 편향, 반복 가능성, 다스케일 데이터 통합과 같은 과제를 해결한다.

ABSTRACT

Despite the remarkable advances in cancer diagnosis, treatment, and management that have occurred over the past decade, malignant tumors remain a major public health problem. Further progress in combating cancer may be enabled by personalizing the delivery of therapies according to the predicted response for each individual patient. The design of personalized therapies requires patient-specific information integrated into an appropriate mathematical model of tumor response. A fundamental barrier to realizing this paradigm is the current lack of a rigorous, yet practical, mathematical theory of tumor initiation, development, invasion, and response to therapy. In this review, we begin by providing an overview of different approaches to modeling tumor growth and treatment, including mechanistic as well as data-driven models based on ``big data" and artificial intelligence. Next, we present illustrative examples of mathematical models manifesting their utility and discussing the limitations of stand-alone mechanistic and data-driven models. We further discuss the potential of mechanistic models for not only predicting, but also optimizing response to therapy on a patient-specific basis. We then discuss current efforts and future possibilities to integrate mechanistic and data-driven models. We conclude by proposing five fundamental challenges that must be addressed to fully realize personalized care for cancer patients driven by computational models.

연구 동기 및 목표

• 치료에 대한 개별 종양 반응을 모델링하기 위한 엄밀하고 실용적인 수학적 이론의 부족을 해결한다.
• 해석 가능성 부족, 환자별 캘리브레이션 부족 등의 한계를 지닌 순수 데이터 기반 AI 모델과, 순수 기계적 모델의 한계를 극복한다.
• 영상, 유전체학 데이터 등 다스케일 임상 데이터를 예측 모델에 통합하여 환자별 맞춤형 치료 최적화를 가능하게 한다.
• 치료 후 평가에 의존하는 것을 줄이고, 환자 개개인의 치료 결과를 치료 전에 예측할 수 있도록 한다.
• 전이 예측, 모델 편향, 일관성 등의 문제를 포함한 임상 적용의 근본적 과제를 식별하고 해결한다.

제안 방법

• 기본적인 생물학적 메커니즘에 기반하여 종양 성장, 혈관신생, 치료 반응을 기술하는 상미분방정식/편미분방정식(ODEs/PDEs)의 시스템을 사용한다.
• 특히 딥러닝을 활용하여 의료 영상 분할, 영상유전체 분류, 의료 영상 및 옴믹스 데이터에서의 특징 추출을 수행한다.
• 신경망을 활용한 서면 모델링을 통해 계산 비용이 큰 기계적 시뮬레이션을 가속화하고, 불확실성 정량화 및 최적화를 가능하게 한다.
• 물리 기반 신경망(PINNs)을 적용하여 데이터 기반 모델에 생물학적 제약 조건을 통합함으로써 일반화 능력과 해석 가능성을 향상시킨다.
• 최적 제어 이론을 활용하여 효능, 독성, 환자별 제약 조건을 고려한 개인화된 치료 스케줄을 설계한다.
• 실시간 데이터 융합 및 모델 업데이트를 통해 개별 환자 궤적을 시뮬레이션하는 디지털 트윈 프레임워크를 개발한다.

실험 결과

연구 질문

• RQ1 AI 기반의 파라미터 식별 기법을 활용하여 기계적 종양 성장 모델을 어떻게 환자 개개인의 데이터에 캘리브레이션할 수 있는가?
• RQ2 온코로지 분야에서 순수 데이터 기반 AI 모델의 주요 한계는 무엇인가? 특히 해석 가능성, 편향, 일반화 능력 측면에서.
• RQ3 AI로 강화된 기계적 모델은 환자별 치료 반응 및 전이 예측을 어떻게 향상시킬 수 있는가?
• RQ4 영상, 유전체학, 임상 데이터 등 다스케일 데이터는 어떻게 하나의 예측 모델링 프레임워크에 일관되게 통합할 수 있는가?
• RQ5 임상 의사결정 환경에서 AI 기반 예측의 반복 가능성과 신뢰성을 확보하기 위한 전략은 무엇인가?

주요 결과

• 기계적 모델은 파라미터가 측정 가능한 생리적 과정와 연결되어 있어 해석 가능하고 생물학적으로 근거가 있는 종양 반응 예측을 제공한다.
• AI 모델은 종양 분할, 영상유전체 분류, 결과 예측의 정확도를 크게 향상시키지만, 해석 가능성 부족과 편향 위험으로 인해 문제를 야기할 수 있다.
• 딥러닝 기반 서면 모델링은 계산 비용을 수십만 배 이상 감소시켜 고성능 스트림 시뮬레이션과 불확실성 정량화를 가능하게 한다.
• 다양하고 이질적인 데이터셋에서 훈련된 하이브리드 AI-기계적 모델은 환자별 데이터를 통합함으로써 예측 일관성 향상과 편향 감소를 달성한다.
• 기계적 모델과 실시간 데이터 융합을 기반으로 한 디지털 트윈은 동적이고 개인화된 치료 계획 수립 및 모니터링을 가능하게 한다.
• 다섯 가지 근본적 과제가 남아 있다: 전이 예측, 모델 신뢰성 및 반복 가능성 확보, 임상 적용의 실용성 확보, 다스케일 데이터 통합, AI 구성 요소의 편향 최소화.