조영제 없는 확산강조영상과 딥러닝으로 유방암 HER2 상태를 예측하는 새로운 접근
Frontiers in oncology · 2026
Deep learning-based prediction of HER2 status from breast diffusion-weighted MRI.
PMID 42846412
원문 논문 바로가기 →
① 조영제 주입이 필요한 기존 조영증강 MRI의 한계를 극복하기 위해 비침습적 확산강조영상(DWI)을 활용한 딥러닝 모델이 개발되었습니다.
② ADC 맵과 b=0, b=800 s/mm² 조건의 DWI 이미지를 입력하여 수동 종양 분할 없이 학습을 수행했습니다.
③ 다기관 환자 239명을 대상으로 한 검증에서, 제안된 하이브리드 CNN-Transformer 모델은 우수한 HER2 상태 분류 성능을 나타냈습니다.
유방암 치료 방향을 결정하는 HER2 상태, 왜 비침습적 예측이 주목받을까요?
유방암(Breast cancer)은 전 세계 여성의 건강을 위협하는 대표적인 악성 종양 중 하나입니다. 암의 정확한 아형(Subtype)을 파악하는 것은 최적의 치료 계획을 수립하는 데 핵심적인 요소입니다. 특히 사람 상피세포 성장인자 수용체 2형(HER2, Human Epidermal Growth Factor Receptor 2)의 과발현 여부는 환자의 예후를 가늠하고 트라스투주맙(Trastuzumab, HER2 양성 유방암을 표적하는 대표적인 단일클론항체 치료제)과 같은 표적치료(Targeted therapy) 적용 여부를 결정하는 결정적 바이오마커(Biomarker, 체내 생물학적 변화를 객관적으로 측정하는 지표)로 작용합니다. 현재 임상 현장에서 HER2 상태를 진단하는 표준 방법은 수술이나 침생검(Invasive biopsy, 바늘을 삽입해 조직을 채취하는 검사)을 통해 얻은 조직을 면역조직화학검사(IHC, Immunohistochemistry, 단백질 발현을 시각적으로 확인하는 검사)나 형광제자리교잡법(FISH, Fluorescence in situ hybridization, 유전자 증폭을 형광 표지로 확인하는 분자병리 검사)으로 분석하는 것입니다. 그러나 이러한 침습적 방식은 환자에게 신체적 부담을 주며, 검사 결과 도출까지 시간이 소요된다는 한계가 있습니다. 이에 따라 임상 현장에서는 빠르고 안전하며 비침습적인 방법으로 HER2 상태를 사전에 가늠할 수 있는 대안 마련이 지속적으로 요구되어 왔습니다.
조영제 투여의 부담을 줄이는 확산강조영상(DWI), 어떤 원리로 종양 특성을 파악할까요?
자기공명영상(MRI, Magnetic Resonance Imaging)은 종양의 형태와 특성을 시각화하는 데 유용한 도구로 활용되어 왔습니다. 과거 연구들에서는 주로 조영증강 MRI(DCE-MRI, Dynamic Contrast-Enhanced MRI, 조영제를 주입한 뒤 시간에 따른 신호 변화를 관찰하는 검사)나 방사선유전체학(Radiomics, 의학 영상에서 정량적 지표를 대량으로 추출하여 분석하는 연구 분야) 기법을 결합하여 HER2 상태를 예측하려는 시도가 이루어졌습니다. 하지만 이러한 조영증강 기법은 혈관 내로 조영제를 투여해야 하므로 알레르기 반응이나 드물게 발생할 수 있는 신독성 등 환자 관련 위험을 내포하고 있습니다. 반면, 이번 연구에서 주목한 확산강조영상(DWI, Diffusion-Weighted Imaging, 조직 내 물분자의 확산 운동 정도를 측정하여 영상을 얻는 자기공명영상 기법)은 조영제 주입 없이도 생리학적 정보를 제공한다는 장점이 있습니다. 생리학적으로 HER2 양성 종양은 혈관 투과성이 증가하고 세포 외 액이 풍부하여 물분자의 확산이 덜 제한되는 특성을 보이며, 이는 DWI 상에서 높은 겉보기확산계수(ADC, Apparent Diffusion Coefficient, 조직 내 물분자의 확산 속도를 수치화한 지표) 값으로 발현됩니다. 이러한 생물학적 기전은 DWI 영상이 HER2 상태를 비침습적으로 유추할 수 있는 탄탄한 근거를 제공합니다.
수동 분할 과정 없이 이미지를 통째로 학습하는 하이브리드 딥러닝 모델의 구조는 어떠한가요?
의학 영상 분석에서 딥러닝(Deep learning, 인공신경망을 기반으로 컴퓨터가 대량의 데이터를 스스로 학습하는 기술)은 수동으로 특징을 추출해야 하는 기존 방식을 보완하며 주목을 받아왔습니다. 본 연구진은 별도의 수동 종양 분할이나 관심영역(ROI) 자르기 과정 없이, DWI 영상(ADC 맵, b=0 및 b=800 s/mm² 조건의 이미지) 전체를 모델의 입력값으로 사용하는 방식을 채택했습니다. 개발된 하이브리드 CNN-Transformer 모델은 적응형 하이브리드 풀링(AHP) 모듈, 특징 융합 합성곱 신경망(FF_CNN) 모듈, 그리고 3차원 채널 주의 집중 트랜스포머(3DCA_Trans) 모듈 등 세 가지 핵심 구성 요소로 설계되었습니다. AHP 모듈은 다운샘플링 과정에서 정보 손실을 최소화하며, FF_CNN 모듈은 얕은 층과 깊은 층의 특징을 결합하여 심층 네트워크에서의 기울기 소실 문제를 완화합니다. 이와 더불어 트랜스포머 아키텍처를 접목한 3DCA_Trans 모듈은 채널 주의 집중 메커니즘을 통해 4차원 특징 지도에서 전역적 특징을 효과적으로 포착합니다. 이러한 구조적 특징 덕분에 모델은 국소적인 세부 사항과 넓은 범위의 전역적 특징을 모두 학습하여 분류 정확도를 높일 수 있는 기반을 갖추게 되었습니다.
다기관 임상 데이터 검증에서 확인된 딥러닝 모델의 예측 성능은 어느 정도인가요?
이 연구는 2021년 1월부터 2024년 12월까지 두 곳의 의료기관에서 수집된 총 239명의 유방암 환자 데이터를 후향적으로 분석하여 진행되었습니다. 연구진은 데이터의 신뢰성과 객관성을 높이기 위해 엄격한 제외 기준을 적용하여 수술 전 항암화학이나 방사선 치료를 받은 환자 등을 배제했습니다. 전체 데이터 중 한 기관의 환자 데이터(80%)는 학습 및 내부 테스트 세트로 활용되었으며, 다른 독립된 기관의 환자 데이터(44명)는 외부 테스트 세트로 분리되어 모델의 일반화 성능을 검증하는 데 사용되었습니다. 연구 결과, 제안된 하이브리드 모델은 학습 과정에서의 데이터 누출을 철저히 차단한 상태에서도 안정적인 성능을 입증했습니다. 특히 외부 검증 집단에서의 평가는 모델이 특정 병원의 장비나 촬영 환경에만 과적합(Overfitting)되지 않고, 서로 다른 임상 환경에서도 일관된 예측력을 발휘할 수 있음을 시사하는 중요한 지표가 됩니다.
기존 딥러닝 벤치마크 모델 및 임상 전문의의 판독 결과와 비교했을 때 어떤 장점이 나타났나요?
연구진은 성능 비교를 위해 ResNet, DenseNet, ConvNeXt V2, ViT(Vision Transformer) 등 기존에 널리 쓰이는 여러 벤치마크 딥러닝 모델과 동일한 조건에서 성능을 대조했습니다. 또한 10년 이상의 경력을 가진 두 명의 숙련된 유방 전문 영상의학과 의사(Radiologist)가 참여하는 판독 평가를 함께 설계하여 인공지능 모델과 인간 전문가의 진단 능력을 비교했습니다. 외부 테스트 세트 기반의 평가에서, 제안된 하이브리드 CNN-Transformer 모델은 기존 벤치마크 모델들에 비해 수치적으로 우수한 분류 성능 지표를 기록한 것으로 보고된 바 있습니다. 아울러 Grad-CAM(Gradient-weighted Class Activation Mapping, 딥러닝 모델이 이미지의 어느 부분에 주목하여 판단했는지 시각적으로 보여주는 기법) 시각화 분석을 통해, 모델이 판독 시 실제로 종양 영역에 집중하고 있음을 영상의학과 의사들이 시각적으로 확인하였습니다. 이는 인공지능이 도출한 예측 결과가 단순한 우연에 의한 것이 아니라, 종양의 생리학적 특징을 반영한 결과물임을 뒷받침합니다.
실제 임상 현장 적용을 향해 나아가는 과정에서 고려해야 할 점은 무엇인가요?
이번 연구는 조영제 투여에 따른 부담과 부작용 위험이 없는 확산강조영상(DWI)만을 활용해 유방암의 핵심 바이오마커인 HER2 상태를 비침습적으로 예측할 수 있는 가능성을 보여주었습니다. 하지만 후향적 연구라는 디자인의 특성상 향후 더 많은 환자를 대상으로 한 전향적(Prospective) 대규모 임상 연구를 통한 검증이 뒷받침되어야 합니다. 또한 다양한 제조사의 MRI 장비와 상이한 촬영 프로토콜 환경에서도 모델이 동일한 성능을 유지할 수 있는지 확인하는 과정이 필요합니다. 환자와 보호자 입장에서 이러한 기술적 진보는 향후 불필요한 침습적 검사를 줄이고, 보다 신속하게 맞춤형 치료 계획을 세우는 데 도움을 줄 수 있는 긍정적인 신호로 평가됩니다. 의학 기술은 계속해서 발전하고 있으며, 영상 기반 인공지능 보조 진단 도구는 앞으로 정밀 의료의 정확도를 높이는 유용한 수단으로 자리 잡을 것으로 기대됩니다.
참고 자료
- Rebecca L. Siegel 외. Cancer statistics, 2024. CA: A Cancer Journal for Clinicians, 2024. 10.3322/caac.21820.
- Sara A. Hurvitz 외. Pathologic and molecular responses to neoadjuvant trastuzumab and/or lapatinib from a phase II randomized trial in HER2-positive breast cancer (TRIO-US B07). Nature Communications, 2020. 10.1038/s41467-020-19494-2 · PMID 33203854.
- Priyanka Sharma. Major Strides in HER2 Blockade for Metastatic Breast Cancer. New England Journal of Medicine, 2020. 10.1056/nejme1916310.
- Antonio C. Wolff 외. Human Epidermal Growth Factor Receptor 2 Testing in Breast Cancer: ASCO–College of American Pathologists Guideline Update. Journal of Clinical Oncology, 2023. 10.1200/JCO.22.02864.
- Paolo Tarantino 외. HER2-Low Breast Cancer: Pathological and Clinical Landscape. Journal of Clinical Oncology, 2020. 10.1200/jco.19.02488.
- Viviana Londero 외. Locally advanced breast cancer: comparison of mammography, sonography and MR imaging in evaluation of residual disease in women receiving neoadjuvant chemotherapy. European Radiology, 2004. 10.1007/s00330-004-2246-z.
- Shuhai Zhang 외. Intra- and Peritumoral Radiomics Model Based on Early DCE-MRI for Preoperative Prediction of Molecular Subtypes in Invasive Ductal Breast Carcinoma: A Multitask Machine Learning Study. Frontiers in Oncology, 2022. 10.3389/fonc.2022.905551 · PMID 35814460.
- Sung Eun Song 외. MR and mammographic imaging features of HER2-positive breast cancers according to hormone receptor status: a retrospective comparative study. Acta Radiologica, 2016. 10.1177/0284185116673119.
※ 위 목록은 원 논문이 실제로 인용한 참고문헌입니다. 관찰연구는 인과로 단정하지 않습니다.