[논문 리뷰] Quantitative in vivo imaging to enable tumor forecasting and treatment optimization

Guillermo Lorenzo, David A. Hormuth외 7명|arXiv (Cornell University)|2021. 02. 24.

Radiomics and Machine Learning in Medical Imaging참고 문헌 120인용 수 6

한 줄 요약

이 논문은 MRI 및 PET와 같은 정량적 체내 의료 영상 데이터를 환자별 수학적 모델의 종양 성장 및 치료 반응과 융합하는 개인화된 종양 예측 프레임워크를 제안한다. 영상 유도 생물학적 매개변수를 사용하여 이러한 모델을 校정하고, 역문제 해결, 최적 제어 이론, 모델 선택 기법을 적용함으로써, 개인 맞춤형 치료 전략의 시뮬레이션 예측 및 최적화를 가능하게 하여, 집단 평균 기준을 초월한 정밀 옹류를 발전시킨다.

ABSTRACT

Current clinical decision-making in oncology relies on averages of large patient populations to both assess tumor status and treatment outcomes. However, cancers exhibit an inherent evolving heterogeneity that requires an individual approach based on rigorous and precise predictions of cancer growth and treatment response. To this end, we advocate the use of quantitative in vivo imaging data to calibrate mathematical models for the personalized forecasting of tumor development. In this chapter, we summarize the main data types available from both common and emerging in vivo medical imaging technologies, and how these data can be used to obtain patient-specific parameters for common mathematical models of cancer. We then outline computational methods designed to solve these models, thereby enabling their use for producing personalized tumor forecasts in silico, which, ultimately, can be used to not only predict response, but also optimize treatment. Finally, we discuss the main barriers to making the above paradigm a clinical reality.

연구 동기 및 목표

• 집단 평균 기반의 옹류 의사결정의 한계를 해결하고 개인 맞춤형 종양 예측을 가능하게 하기 위해.
• 임상적으로 관련성이 있는 영상 데이터를 사용하여 암의 수학적 모델에서 환자별 특화 매개변수 설정의 과제를 극복하기 위해.
• 의료 영상 데이터를 예측 가능하고 환자별 맞춤형 종양 예측으로 변환하는 계산 프레임워크를 개발하여 임상 의사결정 지원을 위해.
• 최적 제어 이론과 모델 검증을 기반으로 한 시뮬레이션을 통해 치료 루틴을 최적화하기 위해.
• 임상 적용과 전임상 모델링 사이의 격차를 좁히기 위해, 구현의 핵심 장애 요인을 규명하고 해결하기 위해.

제안 방법

• 종양 세포 밀도, 혈류량, 미세환경 특성 등의 시공간적 데이터를 추출하기 위해 정량적 체내 영상 모odal리티(예: MRI, PET)를 활용하기 위해.
• 역문제 해결을 통해 환자별 영상 데이터를 사용하여 기계적 기반 수학적 모델의 종양 성장 및 치료 반응을 校정하기 위해.
• 종양 역학을 지배하는 편미분 방정식을 수치적으로 해결하기 위해 유한요소법, 유한차분법, 등가기하 해석 기법을 적용하기 위해.
• 민감도 분석 및 모델 선택 기법(예: OPAL)을 활용하여 복잡성과 데이터 충실도를 균형 잡고 가장 타당하고 예측 가능한 모델을 식별하기 위해.
• 최적 제어 이론(OCT)을 적용하여 환자별 모델 예측을 기반으로 하여 시뮬레이션을 통해 치료 프로토콜을 설계하고 최적화하기 위해.
• 모델 校정 과정에서 영상 데이터의 부정확성과 노이즈 문제를 완화하기 위해 정규화 및 불확실성 인식 기반의 역문제 전략을 구현하기 위해.

실험 결과

연구 질문

• RQ1 정량적 체내 영상 데이터는 어떻게 체계적으로 활용되어 환자별 종양 성장 및 치료 반응의 수학적 모델을 특화할 수 있는가?
• RQ2 복잡한 생물물리 기반 종양 모델을 정확성과 계산 효율성을 유지하면서 효과적으로 해결하기 위한 계산 방법은 무엇인가?
• RQ3 모델 선택 및 검증 프레임워크(예: OPAL)는 데이터 부족과 불확실성에 직면했을 때도 예측 모델의 강건성과 신뢰성을 확보하기 위해 어떻게 적용될 수 있는가?
• RQ4 최적 제어 이론은 얼마나 실용적이고 효과적인 치료 루틴을 시뮬레이션을 통해 생성할 수 있는가?
• RQ5 영상 기반의 계산적 종양 예측을 임상 옹류 실무에 통합하기 위한 주요 장애 요인은 무엇인가?

주요 결과

• MRI 및 PET에서 유도된 종양 세포 밀도, 혈관 부피 분율, 혈류량 등의 정량적 영상 데이터는 환자별 종양 모델을 校정하는 데 핵심적인 입력 자료를 제공한다.
• 역문제 해결을 통한 모델 校정은 체내에서 직접 측정이 어려운 핵심 생물학적 매개변수(예: 증식 및 사멸 속도)의 추정을 가능하게 한다.
• 유한요소법과 등가기하 해석의 통합은 복잡한解剖학적 환경에서 종양 역학의 정확한 시공간적 시뮬레이션을 가능하게 한다.
• OPAL 기반의 모델 선택은 데이터 부족과 노이즈 상황에서도 정확도와 복잡성의 균형을 유지함으로써 모델 신뢰도를 향상시킨다.
• 최적 제어 이론을 통해 개인 맞춤형 치료 루틴을 시뮬레이션으로 설계할 수 있으며, 이는 시뮬레이션 상에서 표준 치료 프rotocol를 능가할 수 있다.
• 강력한 전임상 잠재력에도 불구하고 임상 적용은 데이터 품질, 모델 불확실성, 그리고 계산적으로 유도된 루틴의 유효성을 검증하기 위한 통제된 임상 시험의 필요성 등 주요 과제에 직면해 있다.