유방암 선행 항암 치료 후 림프절 전이 평가, AI 진단으로 정확성과 효율성 향상
Breast cancer research : BCR · 2026
Enhancing lymph node metastases assessment in breast cancer post-neoadjuvant therapy using artificial intelligence-driven diagnostics.
원문 논문 바로가기 →
① 선행 항암 요법(NAT) 후 유방암 림프절 전이 평가는 조직학적 변화로 인해 어려움이 있습니다.
② 기존 면역조직화학(IHC) 방식은 시간과 노동력이 많이 들고, 미세 전이를 정확히 구분하기 어렵습니다.
③ 새로운 AI 모델은 림프절 전이 상태(음성, 고립성 종양 세포, 미세 전이, 거대 전이)를 정밀하게 분류합니다.
④ AI 모델은 진단 정확도 0.97 AUROC (이진 분류) 및 84.36%의 다중 분류 정확도를 보여주었습니다.
⑤ 이 AI 진단 모델은 병리학자의 진단 불일치를 83% 감소시켜 업무 부담을 줄이고 진단 효율을 높였습니다.
선행 항암 요법 후 림프절 평가, 왜 중요한가요?
유방암 진단 후 수술 전 시행되는 선행 항암 요법(Neoadjuvant Therapy, NAT)은 종양의 크기를 줄이고 수술 범위를 축소하며, 전신 전이를 조절하는 데 중요한 역할을 합니다. 특히 국소 진행성 유방암 환자에게 필수적인 치료 방법으로 알려져 있습니다. NAT 후에는 남아있는 암세포의 유무를 확인하고, 치료 반응을 평가하여 향후 치료 계획을 수립합니다. 이 과정에서 겨드랑이 림프절(axillary lymph node)의 전이 여부 평가는 매우 중요합니다. 림프절 전이 여부는 유방암의 병기 결정뿐만 아니라 환자의 예후를 예측하고, 추가적인 치료 방향을 결정하는 데 결정적인 정보를 제공하기 때문입니다. 림프절에 암세포가 남아있는지, 남아있다면 그 양은 어느 정도인지에 따라 수술 후 보조 요법이나 방사선 치료 계획이 달라질 수 있습니다. 따라서 NAT 후 림프절 전이 상태를 정확하게 평가하는 것은 환자 맞춤형 치료를 위해 필수적입니다.
하지만 NAT를 받은 환자의 림프절은 항암 치료로 인한 조직학적 변화를 겪게 됩니다. 염증 반응, 섬유화(fibrosis), 암세포의 괴사(necrosis) 등 다양한 변화가 나타나면서 암세포를 식별하기가 매우 어려워집니다. 이러한 변화는 림프절 내 미세 잔존 암세포를 발견하기 어렵게 만들며, 기존의 육안 검사나 일반적인 현미경 검사만으로는 한계가 있습니다. 정확한 진단 없이는 불필요한 추가 수술이나 과소 치료가 발생할 가능성이 있어 환자의 삶의 질과 치료 결과를 저해할 수 있습니다. 그래서 병리학자들은 더 정밀한 방법을 통해 림프절을 평가하고 있습니다. 이러한 복잡성으로 인해 NAT 후 림프절 평가의 정확도를 높일 수 있는 새로운 접근 방식이 필요하다는 인식이 확산되고 있습니다.
기존 림프절 전이 진단 방식에는 어떤 한계가 있었나요?
기존에는 림프절 전이를 진단하기 위해 주로 헤마톡실린-에오신(H&E) 염색을 통한 조직 검사를 시행했습니다. 여기에 더해, 암세포를 특정할 수 있는 표지자(marker)를 활용하는 면역조직화학(Immunohistochemistry, IHC) 염색 기법이 널리 사용되어 왔습니다. IHC는 암세포가 존재할 가능성이 있는 부분을 더욱 명확하게 보여주어 진단 정확도를 높이는 데 기여했습니다. 그러나 이러한 기존 방식들은 몇 가지 중요한 한계를 가지고 있습니다. 첫째, IHC 검사는 많은 시간과 인력을 필요로 하는 노동 집약적인 과정입니다. 수많은 림프절 샘플을 일일이 염색하고 현미경으로 판독해야 하므로, 병리학자의 업무 부담이 상당합니다.
둘째, 고립성 종양 세포(Isolated Tumor Cells, ITC), 미세 전이(Micro-metastases), 거대 전이(Macro-metastases)와 같은 미묘한 전이 상태를 명확하게 구분하는 것이 쉽지 않습니다. ITC는 단일 암세포 또는 0.2mm 이하의 작은 암세포 군집을 의미하며, 미세 전이는 0.2mm 초과 2mm 이하의 전이를, 거대 전이는 2mm 초과의 전이를 말합니다. 이 세 가지 분류는 환자의 예후와 치료 방침에 영향을 미치지만, 육안으로 구분하기에는 난이도가 높습니다. 특히 NAT 후 조직 변화가 있는 림프절에서는 잔존 암세포와 주변 섬유화 조직을 구분하는 데 어려움이 커져 진단 불일치가 발생할 수 있습니다. 경험이 부족한 병리학자의 경우, 이러한 미세한 차이를 놓치거나 잘못 분류할 가능성이 있으며, 이는 환자의 치료에 중대한 영향을 미칠 수 있습니다. 결국 기존 방식으로는 숙련된 병리학자의 주관적인 판단에 의존하는 부분이 크다는 점이 중요한 한계로 지적되어 왔습니다.
AI 모델은 림프절 전이 평가를 어떻게 혁신하나요?
이번 연구에서는 이러한 기존의 한계를 극복하기 위해 인공지능(AI) 기반 모델을 개발하고 검증했습니다. 이 AI 모델은 '클러스터링 제약 어텐션 다중 인스턴스 학습(Clustering-constrained Attention Multiple Instance Learning, CLAM)'이라는 프레임워크를 기반으로 합니다. CLAM 모델은 수천 개의 림프절 전슬라이드 이미지(Whole-Slide Image, WSI)를 분석하여 병리학자가 육안으로 확인하기 어려운 미세한 변화까지 감지할 수 있도록 설계되었습니다. 특히, 이 모델은 림프절 내에서 진단적 가치가 높은 특정 하위 영역들을 자동으로 식별하고, 고해상도 해석 가능성 히트맵(interpretability heatmap)을 생성하여 어느 부분이 전이에 해당될 가능성이 높은지 시각적으로 보여줍니다.
AI 모델의 핵심적인 강점은 림프절 전이 상태를 음성, 고립성 종양 세포(ITC), 미세 전이(Micro), 거대 전이(Macro)의 네 가지 범주로 정밀하게 분류할 수 있다는 점입니다. 이는 기존 방식으로는 구분하기 어려웠던 미세한 전이 단계까지 자동화된 방식으로 정확하게 파악할 수 있음을 의미합니다. 연구팀은 7개 코호트에서 7,764개의 림프절 샘플을 사용하여 이 모델을 학습시키고 검증했습니다. 이렇게 학습된 AI 모델은 대규모 데이터를 기반으로 학습했기 때문에 다양한 환자 케이스와 조직학적 변화에 대해서도 높은 수준의 일반화 성능을 가질 것으로 기대됩니다. 궁극적으로 이 AI 모델은 병리학자의 진단 보조 도구 역할을 하여, 진단 정확도를 높이고 판독 시간을 단축시키는 데 크게 기여할 수 있습니다.
개발된 AI 모델의 성능은 어느 정도인가요?
이번 연구에서 개발된 AI 모델은 림프절 전이 평가에서 매우 인상적인 성능을 보여주었습니다. 전이 여부를 '양성' 또는 '음성'으로 이진 분류하는 테스트에서는 0.97의 AUROC(Area Under the Receiver Operating Characteristic curve) 값을 달성했습니다. 이 수치는 모델의 예측 성능이 매우 우수하다는 것을 나타내며, 95% 신뢰 구간은 0.962에서 0.977로 측정되었습니다. AUROC 값이 1에 가까울수록 진단 정확도가 높다는 것을 의미하므로, 0.97은 긍정적인 결과입니다.
더 나아가, 림프절 전이 상태를 음성, 고립성 종양 세포(ITC), 미세 전이(Micro), 거대 전이(Macro)의 다중 클래스로 분류하는 테스트에서도 모델은 전체 0.8436(약 84.36%)의 정확도를 기록했습니다. 이 역시 95% 신뢰 구간이 0.8282에서 0.8562로 나타나며 높은 수준의 정확성을 입증했습니다. 특히, 이 모델은 사람 병리학자와의 비교 분석에서 그 우수성을 더욱 명확히 보여주었습니다. 24개 환자의 림프절 섹션을 대상으로 한 인간-AI 비교 분석 결과, AI 모델은 경험이 적은 주니어 병리학자보다 뛰어난 성능을 보였습니다. 놀랍게도 AI 모델은 진단 불일치(diagnostic discrepancies)를 무려 83%나 감소시켰습니다. 이는 AI가 병리학자의 진단을 보완하고, 특히 복잡하고 미묘한 케이스에서 오류를 줄이는 데 크게 기여할 수 있음을 시사합니다. 이러한 결과는 AI가 유방암 림프절 진단의 정확성과 효율성을 혁신적으로 개선할 잠재력을 가지고 있음을 보여줍니다.
이 연구 결과가 유방암 환자에게 어떤 의미가 있나요?
이번 AI 모델 개발 연구는 유방암 환자와 보호자에게 여러 가지 긍정적인 의미를 가집니다. 첫째, 진단 정확도 향상입니다. 선행 항암 요법(NAT) 후 림프절 전이 여부를 더욱 정확하게 평가할 수 있게 되면, 환자 개개인에게 가장 적합한 치료 계획을 수립하는 데 큰 도움이 됩니다. 미세한 전이까지 놓치지 않고 발견함으로써 불필요한 재수술을 줄이고, 필요한 경우 적절한 추가 치료를 제때 받을 수 있게 됩니다. 이는 환자의 치료 결과를 최적화하고 재발 위험을 줄이는 데 기여할 수 있습니다.
둘째, 진단 효율성 증대 및 의료진의 부담 경감입니다. AI 모델이 림프절 전이 분류를 자동화함으로써, 병리학자들은 방대한 양의 슬라이드를 판독하는 데 소요되는 시간과 노력을 절약할 수 있습니다. 이는 병리학자들이 더 복잡하고 어려운 케이스에 집중할 수 있게 하여 전체적인 진단 품질을 높일 수 있습니다. 또한, 진단 과정의 표준화를 통해 병리학자 간의 진단 편차를 줄이고, 일관성 있는 고품질 진단을 제공하는 데 도움을 줄 수 있습니다. 셋째, 미래 의료의 가능성입니다. 이 연구는 AI가 의료 분야, 특히 암 진단 영역에서 인간의 전문성을 보완하고 향상시킬 수 있는 강력한 도구임을 보여줍니다. AI 기반 진단 시스템은 앞으로 더 많은 의료 기관에 도입되어 유방암 환자들이 더욱 빠르고 정확한 진단을 받을 수 있도록 도울 것입니다. 현재는 연구 단계이지만, 이러한 기술이 임상 현장에 적용된다면 유방암 환자의 예후를 개선하고 삶의 질을 높이는 데 크게 기여할 것으로 기대됩니다.