유방암 수술 전 항암 치료 후 잔존 암 예측을 위한 머신러닝 모델 연구 소식
BMC cancer · 2026
Machine learning model for the prediction of pathological complete response after neoadjuvant chemotherapy in breast cancer.
PMID 42875758
원문 논문 바로가기 →
① 수술 전 항암화학요법 후 잔존 암 유무를 사전에 예측하여 불필요한 수술을 피하고자 하는 머신러닝 모델이 개발되었습니다.
② 초음파, 유방촬영술, MRI 등 일상적인 이종 영상 검사 결과와 111개의 임상 변수를 통합하여 분석의 정확도를 높였습니다.
③ 라소 회귀분석을 통해 선별된 14개의 핵심 변수를 기반으로 일반화 선형 모델을 구축하여 안정적인 예측 성능을 입증했습니다.
유방암 수술 전 항암화학요법 후 잔존 암 예측 연구는 왜 시작되었나요?
유방암 수술 전 항암화학요법(neoadjuvant chemotherapy, 수술 전 종양 크기를 줄이기 위해 진행하는 항암 치료)을 받는 환자분들이 늘어나는 가운데, 치료 후 잔존 암 여부를 사전에 예측하려는 연구가 큰 주목을 받고 있습니다. 국소 진행성 유방암이나 삼중음성 유방암(triple-negative breast cancer, 에스트로겐·프로게스테론 수용체와 HER2가 모두 음성인 공격적인 유방암 아형) 등의 환자들은 수술 전 항암 치료를 표준 치료로 받게 됩니다. 이 치료의 주된 목적 중 하나는 종양의 크기를 줄여 유방 보존 수술의 가능성을 높이는 것입니다. 하지만 항암 치료 후 임상적으로 암이 사라진 것처럼 보이더라도, 실제로 잔존 암세포가 남아있는지 확인하기 위해서는 여전히 수술적 절제와 정밀 조직 검사가 필수적으로 동반되어야 합니다. 수술 전 단계에서 잔존 암세포가 깨끗하게 소실된 상태(pCR, 수술 전 치료 후 조직 검사에서 잔존 암세포가 관찰되지 않는 상태)를 정확하게 예측할 수만 있다면, 환자에게 신체적·정신적 부담을 주는 불필요한 수술이나 추가적인 침습적 절차를 피할 수 있는 길이 열리게 됩니다. 이러한 배경에서 독일 하이델베르크 대학교 병원 연구팀은 다양한 영상 검사와 임상 정보를 통합하여 정확도를 높인 머신러닝(machine learning, 컴퓨터가 대량의 데이터를 분석해 패턴을 학습하는 인공지능 기술) 기반 예측 모델을 개발하여 《BMC Cancer》 2026년호에 발표하였습니다.
이번 연구에서는 어떤 환자들의 데이터와 검사 결과를 활용해 예측 모델을 만들었나요?
이번 연구는 2019년부터 2022년 사이 하이델베르크 대학교 병원 유방암 센터에서 수술 전 항암화학요법을 받고 수술을 시행한 환자들의 방대한 임상 데이터를 바탕으로 진행되었습니다. 초기 모집된 500명의 환자 중 기준에 부합하지 않거나 추적 관찰이 소실된 사례를 제외하고, 최종적으로 388명의 환자 데이터(총 386개 유방암 사례)가 머신러닝 모델 개발과 검증에 사용되었습니다. 연구팀은 환자들의 기본적인 임상 특성뿐만 아니라, 치료 전과 치료 과정 중, 그리고 치료 이후에 시행된 초음파(ultrasound, 고주파 음파를 이용해 체내 구조를 영상화하는 검사), 유방촬영술(mammography, X선을 이용한 유방 촬영 검사), 자기공명영상(MRI, 자기장을 이용해 신체 내부를 상세히 촬영하는 검사) 등 다양한 영상 검사 결과를 모두 수집했습니다. 특히 기존 선행 연구들이 단일 영상 모달리티나 일부 임상 지표에만 국한되었던 것과 달리, 실제 임상 현장에서 일상적으로 이루어지는 모든 영상 검사 결과와 종양 특성을 통합하려 시도했다는 점이 중요한 특징입니다. 수집된 변수만 무려 111개에 달했으며, 데이터의 신뢰성을 높이기 위해 결측치가 과도한 변수는 사전에 제외하는 등 엄격한 전처리 과정을 거쳐 분석의 정확도를 확보했습니다.
수많은 임상 지표 중 인공지능이 최종적으로 선택한 핵심 예측 변수는 무엇인가요?
111개의 방대한 초기 변수 중에서 인공지능 모델이 실제로 유의미한 예측력을 발휘하도록 만드는 핵심 요소를 선별하는 과정은 매우 중요합니다. 연구팀은 결측률이 50% 이상인 변수를 먼저 걸러낸 뒤, 라소 회귀분석(LASSO regularization, 불필요한 변수를 제거하고 예측에 기여도가 높은 변수만 남기는 통계적 정규화 기법)을 적용하여 최종적으로 14개의 핵심 변수를 추출했습니다. 최종 모델에 포함된 변수들을 살펴보면, 치료 전 초음파 상의 다발성 여부(multifocality, 한 유방 내에 두 개 이상의 종양이 존재하는 상태), 항암 치료 과정 중 측정한 초음파 및 유방촬영술 상의 종양 최대 직경 변화, 항암 치료 후 촉지 여부, 환자의 폐경 여부, 호르몬 수용체 상태(에스트로겐 수용체 및 프로게스테론 수용체), 종양 생물학적 아형, 미국방사선의학회(ACR) 기준 유방 치밀도, 그리고 각 영상 검사별 치료 후 반응 평가와 병기(ycT stage) 등이 포함되었습니다. 이러한 결과는 단일 검사 수치에만 의존하는 것보다 다양한 영상 검사의 변화 양상과 환자의 고유한 임상적 맥락을 함께 고려하는 것이 잔존 암 예측에 훨씬 더 효과적임을 시사합니다.
머신러닝 기반 예측 모델의 성능과 정확도는 어느 정도였나요?
개발된 모델의 성능을 평가하기 위해 연구팀은 전체 코호트를 80%의 개발 세트와 20%의 독립된 검증 세트로 무작위 분할하여 엄격하게 검증을 진행했습니다. 최종적으로 일반화 선형 모델(GLM, Generalised Linear Model)에 탄력적 페널티를 적용하여 예측 모델을 구축하였으며, 10겹 교차 검증(tenfold cross-validation, 전체 데이터를 10개로 나누어 9개로 학습하고 1개로 검증하는 과정을 반복하는 기법)을 통해 과적합(overfitting, 모델이 학습 데이터에만 지나치게 맞춰져 새로운 데이터에 대한 예측력이 떨어지는 현상)을 방지했습니다. 분석 결과, 전체 환자 코호트에서 병리학적 암세포 소실(pCR) 비율은 약 40.7%로 나타났으며, 개발 세트와 검증 세트 사이의 pCR 비율은 각각 40.8%와 40.3%로 매우 유사하게 유지되었습니다. 모델의 예측 정확도를 나타내는 지표인 AUROC(Area Under the Receiver Operating Characteristic curve, 예측 모델의 판별 능력을 나타내는 곡선 아래 면적) 등 다양한 통계 지표를 통해 검증한 결과, 영상 데이터와 임상 정보를 결합한 머신러닝 모델이 잔존 암이 없는 상태를 안정적으로 식별해 낼 수 있는 신뢰할 수 있는 성능을 보여주었습니다.
영상 검사와 임상 정보를 결합한 이번 예측 방식이 실제 임상 현장과 환자들에게 주는 의미는 무엇인가요?
이번 연구가 유방암 환자와 보호자들에게 시사하는 바는 명확합니다. 수술 전 항암화학요법 이후 조직 검사에서 잔존 암세포가 깨끗하게 소실된 상태를 수술 전에 미리 예측할 수 있다면, 향후 임상 진료 현장에서 불필요한 외과적 수술 범위를 축소하거나 일부 환자에게는 수술을 생략할 수 있는 맞춤형 치료 전략의 근거가 될 수 있습니다. 현재 많은 환자들이 항암 치료 후 임상적으로 더 이상 암이 관찰되지 않는 상태에 이르더라도 혹시 모를 잔존 암을 확인하기 위해 관례적인 수술을 거치고 있습니다. 하지만 본 연구에서 개발된 머신러닝 모델처럼 일상적인 초음파, 유방촬영술, MRI 등 이종의 영상 데이터를 통합하여 분석하는 인공지능 알고리즘이 발전한다면, 의료진은 환자 개인별 맞춤형 예후를 더욱 객관적으로 예측할 수 있게 됩니다. 환자 입장에서도 치료의 반응을 사전에 가늠해 보고, 주치의와 함께 향후 치료 방향과 수술 범위를 논의하는 데 있어 강력한 근거 자료로 활용할 수 있습니다.
앞으로 이러한 인공지능 예측 모델이 실제 치료 과정에 도입되기 위해 남은 과제는 무엇인가요?
다만 이번 연구가 지니는 몇 가지 제한점과 앞으로 보완해야 할 과제도 함께 기억해 두실 필요가 있습니다. 본 연구는 단일 기관에서 수집된 후향적 데이터(retrospective data, 과거에 이미 발생한 의료 기록을 바탕으로 진행하는 연구 데이터)를 기반으로 분석되었기 때문에, 향후 다양한 다기관 전향적 임상시험(prospective clinical trial, 연구 계획을 미리 세우고 환자를 모집하여 진행하는 임상 연구)을 통해 모델의 타당성과 안정성을 재차 검증해야 합니다. 또한 실제 임상 현장에서는 의료진의 주관적 기술이나 병원별 장비 차이에 따라 영상 보고서의 표현 방식이 조금씩 다를 수 있으므로, 데이터 표준화 작업이 병행되어야 합니다. 이러한 기술적·임상적 검증이 성공적으로 이루어진다면, 향후 유방암 치료 영역에서 환자의 삶의 질을 높이고 불필요한 신체적 부담을 줄이는 데 인공지능 기반 예측 모델이 핵심적인 조력자 역할을 하게 될 것으로 기대됩니다.
참고 자료
- Larissa A. Korde 외. Neoadjuvant Chemotherapy, Endocrine Therapy, and Targeted Therapy for Breast Cancer: ASCO Guideline. Journal of Clinical Oncology, 2021. 10.1200/jco.20.03399 · PMID 33507815.
- Manfred Kaufmann 외. Recommendations from an International Consensus Conference on the Current Status and Future of Neoadjuvant Systemic Therapy in Primary Breast Cancer. Annals of Surgical Oncology, 2011. 10.1245/s10434-011-2108-2.
- Zhifan Li 외. Ultrasound-based radiomics for early predicting response to neoadjuvant chemotherapy in patients with breast cancer: a systematic review with meta-analysis. La radiologia medica, 2024. 10.1007/s11547-024-01783-1.
- Parya Valizadeh 외. Ultrasound-based machine learning models for predicting response to neoadjuvant chemotherapy in breast cancer: A meta-analysis. Clinical Imaging, 2025. 10.1016/j.clinimag.2025.110574.
- Elizabeth J. Sutton 외. A machine learning model that classifies breast cancer pathologic complete response on MRI post-neoadjuvant chemotherapy. Breast Cancer Research, 2020. 10.1186/s13058-020-01291-w · PMID 32466777.
- Zhenwei Shi 외. MRI-based Quantification of Intratumoral Heterogeneity for Predicting Treatment Response to Neoadjuvant Chemotherapy in Breast Cancer. Radiology, 2023. 10.1148/radiol.222830.
- YuHong Huang 외. Longitudinal MRI-based fusion novel model predicts pathological complete response in breast cancer treated with neoadjuvant chemotherapy: a multicenter, retrospective study. eClinicalMedicine, 2023. 10.1016/j.eclinm.2023.101899 · PMID 37007742.
- Nicholas Meti 외. Machine Learning Frameworks to Predict Neoadjuvant Chemotherapy Response in Breast Cancer Using Clinical and Pathological Features. JCO Clinical Cancer Informatics, 2021. 10.1200/cci.20.00078.
※ 위 목록은 원 논문이 실제로 인용한 참고문헌입니다. 관찰연구는 인과로 단정하지 않습니다.