[논문 리뷰] Radiomics in Cancer Radiotherapy: a Review

Jiwoong Jeong, Arif Ali외 4명|arXiv (Cornell University)|2019. 10. 04.

Radiomics and Machine Learning in Medical Imaging참고 문헌 134인용 수 4

한 줄 요약

이 리뷰는 암 방사선 치료에서 영상유전자학의 현재 상태를 종합적으로 정리하며, 영상 촬영, 분할, 특징 추출, 모델 검증으로 이어지는 워크플로우에 초점을 맞추고 있으며, CT, MRI, PET, 초음파를 포함한 다중 영상 모odalities에서의 적용을 강조한다. 영상유전자학은 종양 표현형을 정량화하고 치료 반응을 예측하는 비침습적이고 반복 가능한 방법으로 평가되며, 기계학습과 정량적 영상 생물학적 지표를 통해 개인화된 종양학의 발전에 기여하고 있다.

ABSTRACT

Radiomics is a nascent field in quantitative imaging that uses advanced algorithms and considerable computing power to describe tumor phenotypes, monitor treatment response, and assess normal tissue toxicity quantifiably. Remarkable interest has been drawn to the field due to its noninvasive nature and potential for diagnosing and predicting patient prognosis. This review will attempt to comprehensively and critically discuss the various aspects of radiomics including its workflow, applications to different modalities, potential applications in cancer radiotherapy, and limitations.

연구 동기 및 목표

• 최근 10년간의 영상유전자학 문헌을 PubMed를 활용한 체계적 검토 및 인용된 자료의 수동 검토를 통해 암 방사선 치료에서의 영상유전자학에 대한 종합적이고 비판적인 개요를 제공하는 것.
• 영상 촬영, 영역 관심(ROIs)의 분할, 특징 추출(형태, 질감, 히스토GRAM, 필터 기반), 모델 개발을 포함한 영상유전자학 워크플로우를 다양한 영상 모달리티에서 분석하는 것.
• 의료 영상(CT, MRI, PET, US)에서 고스피드 정량적 특징을 추출하기 위해 기계학습 및 데이터 마이닝 기법을 적용하는 것.
• CERR, CGITA, MaZda, IBEX와 같은 표준화된 플랫폼을 사용하여 특징의 재현성과 강건성 평가를 수행하는 것.
• 독립적인 데이터셋을 활용한 영상유전자 모델의 검증 및 투명한 보고 기준(예: TRIPOD)을 통한 임상 적용성 평가.
• 생존, 치료 반응 등의 임상 결과와 영상유전자 특징을 통합하여 개인화된 방사선 치료를 위한 예측 모델을 구축하는 것.

제안 방법

• 최근 10년간의 영상유전자학 문헌을 PubMed를 활용한 체계적 검토 및 인용된 자료의 수동 검토.
• 영상유전자학 워크플로우 분석: 영상 촬영, 관심 영역(ROIs)의 분할, 특징 추출(형태, 질감, 히스토GRAM, 필터 기반), 모델 개발.
• 의료 영상(CT, MRI, PET, US)에서 고스피드 정량적 특징을 추출하기 위해 기계학습 및 데이터 마이닝 기법을 적용.
• CERR, CGITA, MaZda, IBEX와 같은 표준화된 플랫폼을 사용하여 특징의 재현성과 강건성 평가.
• 독립적인 데이터셋을 활용한 영상유전자 모델의 검증 및 투명한 보고 기준(예: TRIPOD)을 통한 임상 적용성 평가.
• 생존, 치료 반응 등의 임상 결과와 영상유전자 특징을 통합하여 개인화된 방사선 치료를 위한 예측 모델을 구축하는 것.

실험 결과

연구 질문

• RQ1 영상유전자학은 암 방사선 치료에서 종양 표현형의 비침습적이고 정량적인 특성화를 어떻게 향상시킬 수 있는가?
• RQ2 다양한 의료 영상 모달리티에서 영상유전자 워크플로우의 핵심 구성 요소와 과제는 무엇인가?
• RQ3 영상유전자 특징은 간질세포종양, 유방암, 두부·경부암과 같은 암에서 치료 반응 및 환자 생존 예측에 어느 정도의 정확도로 기여하는가?
• RQ4 영상유전자학의 임상 적용을 방해하는 주요 장애 요인은 무엇이며, 표준화가 이를 어떻게 해결할 수 있는가?
• RQ5 영상유전자학은 임상 실무에 어떻게 통합되어 개인화된 방사선 치료 계획 수립 및 예후 예측을 향상시킬 수 있는가?

주요 결과

• 영상유전자학은 고급 알고리즘을 활용하여 의료 영상에서 종양 표현형에 대한 고스피드, 객관적, 정량적 분석을 가능하게 하며, 반복적인 생검을 대체하는 비침습적 방법으로 평가된다.
• CT, MRI, PET, 초음파에서 추출된 영상유전자 특징는 간질세포종양, 유방암, 신세포암 등에서 강력한 예후 가치를 보이고 있다.
• 다양한 결과가 유망하지만 대부분의 연구는 후향적 연구이며, 영상 촬영, 분할, 특징 명명의 표준화 부족으로 재현성과 임상 적용에 제약가지며 제한된다.
• IBEX, CERR, CGITA, MaZda와 같은 소프트웨어 플랫폼은 특징 추출과 데이터 공유를 지원하지만, 기관 간 전반적인 표준화는 여전히 핵심적인 격차로 남아 있다.
• 영상유전자학의 임상 적용은 세 가지 요소에 달려 있다: 기존 예측 모델의 향상, 조기 치료 반응 탐지 기능 제공, TRIPOD와 같은 프레임워크를 통한 강력한 검증 보장.
• 영상유전자학은 이미 임상에서 routine으로 촬영된 영상을 후처리하기 때문에 추가 방사선 노출이 없으며, 종양 역학의 반복 모니터링에 이상적인 조건을 제공한다.