비소세포 폐암에서 기계학습을 이용한 비침습적 PD-L1 발현 수치 분류기 개발 및 성능평가

Abstract

Programmed cell Death Ligand 1(PD-L1)은 막 횡단 단백질로서 T세포의 Programmed cell death 1(PD-1)과 결합하여 해당 세포를 정상 세포로 판단하는 기 능을 한다. 하지만 일부 암세포들은 이러한 PD-L1을 발현함으로써 T세포가 그 암 세포를 정상세포로 판단하도록 한다. 이러한 PD-L1의 기전을 역이용한 면역 관문 억제제의 사용으로 인하여 최근 바이오 마커로서 PD-L1을 이용한 연구가 활발히 진행되고 있으며 항암 치료에서 각광받고 있다. PD-L1 수치를 판단하기 위해서 조 직 검사를 이용하는데, 조직 검사의 경우 침습적인 방법을 이용하는 검사이기 때문 에 모든 환자에게 적용할 수 없다. 이러한 점 때문에 비침습적인 방법을 이용하여 PD-L1 수치를 판단할 수 있는 방법은 중요하다. 본 연구에서는 CT 영상을 이용하여 병변의 PD-L1 수치를 분류하는 모델을 제 안한다. PD-L1 양성인지 음성인지를 분류하는 이진 분류 모델과 PD-L1 수치 50% 를 이상인지 50%미만인지를 분류하는 이진 분류 모델을 만들었다. 전체 폐암 환자 중 PD-L1 수치 50%이상의 환자들은 병변의 초기일수록 적기 때문에 불균형한 데 이터 세트를 이용하고도 분류 성능이 높은 모델을 만드는 것을 목적으로 patch based analysis를 이용하여 multiple instance learning(MIL) 기법을 사용하였고, MIL 모델의 분류 성능을 보완하기 위하여 3D image analysis 방법으로서 handcrafted radiomics feature를 이용한 전통적인 기계학습(machine learning) 분 류기를 radiomics 모델로 함께 사용하여 최종적으로 PD-L1 양성 분류기에서 AUC 0.81, PD-L1 수치 50% 분류기에서 AUC 0.93을 얻었다. 본 연구에서는 각각의 분류기가 어떻게 병변을 분류하게 되었는지에 대한 해석을 위하여 patch attention map과 feature importance를 이용하였다. 각각의 MIL 모델 들은 PD-L1 수치에 따른 attention map의 차이를 보였으며, radiomics 모델도 MIL 모델의 성능을 보완할 수 있는 특징들을 중요도 높게 학습했다는 것을 feature importance를 통해 확인할 수 있었다.