폐암 예후 예측 모델 (Prognostic Models)

1. 예후 예측 모델의 필요성과 개념 — 왜 예후 모델이 중요한가

폐암은 병기(stage), 조직형(histology), 치료 방식, 환자의 전신 상태 등 다양한 요인에 따라 예후가 크게 달라진다. 이러한 다양성 속에서, 예후 예측 모델(prognostic model)은 임상의가 치료 전략을 설계할 때 “누가 위험이 높고, 누가 추가 치료나 추적이 더 필요할지”를 판단하는 중요한 도구가 된다.
전통적으로는 연령, 병기, 성능 상태(Performance Status) 등을 이용한 통계 모델이 주로 활용되어 왔지만, 최근에는 영상(CT, PET) 기반 방사선특징(radiomics), 임상 데이터, 혈액 바이오마커, 그리고 딥러닝/머신러닝을 결합한 예측 모델이 빠르게 발전하고 있다.
이러한 모델들은 과거 단순한 위험군 분류를 넘어서 **환자 맞춤형 리스크(stratification)**를 제공하며, 치료 후 생존 가능성, 재발 위험, 무진행 생존(PFS) 등을 보다 정밀하게 예측할 수 있게 해준다.

2. 주요 폐암 예후 예측 모델 사례 — 임상 + Radiomics + AI 통합 모델

다양한 연구에서 개발된 예후 예측 모델들이 있다. 여기서 몇 가지 대표적인 모델과 그 구성 요소를 소개한다:

• NSCLC: 임상 + 다영역 Radiomics 노모그램
  • 한 연구에서는 치료 전 **CT 영상의 내부 종양 및 주변영역(내·외부)**에서 radiomics feature를 추출하고, 여기에 임상 인자(병리형 등)를 결합한 노모그램을 개발했다. 이 모델은 C‑index(예측 정밀도)가 약 0.799로 매우 우수한 성능을 보였다. 
  • 또 다른 연구에서는 3D CT 기반의 radiomics 특징 + 임상 병기 및 영상 파라미터를 합친 모델로, 1년·2년·5년 생존율을 예측하는 노모그램을 만들었고, 내부 및 외부 검증까지 수행했다.
  • 전술한 모델들은 단순 임상 모델보다 예후 예측력이 더 높아, 치료 계획 수립에 실질적인 도움을 준다.
• NSCLC: PET‑CT + Radiogenomic 기반 모델
  • 최근 연구에서는 ^18F-FDG PET 영상의 radiomic feature를 추출하고, 환자의 임상 데이터와 통합한 예후 점수(risk score)를 생성하였다. 
  • 이 모델은 5년 생존 예측에서 우수한 성능을 보였고(AUC > 0.85 노모그램 포함), 라디오제노믹 분석을 통해 고위험군과 저위험군의 분자생물학적 차이(예: 종양 유전자 발현, 면역 관련 경로 등)를 밝혀내어 생물학적 통찰도 제공했다.
• SCLC (소세포 폐암): CT 기반 임상‑Radiomics 합성 노모그램
  • 매우 공격적인 SCLC 환자에 대해, **임상 위험인자 (예: NSE, CA125, 치료 유형)**과 CT에서 추출한 radiomics feature를 결합한 예측 모델이 개발되었다.
  • 이 모델은 무진행 생존(Progression-Free Survival, PFS)을 예측하는 데 유용하며, C‑index 값도 0.744로 적절한 신뢰성을 보였다. 
  • 이런 모델은 SCLC 환자에서 치료 전략(예: 강도를 조정할지, 보조 치료를 고려할지 등)을 세우는 데 실용적인 도구가 될 수 있다.
• SBRT(정위 방사선치료) 받은 폐암 환자용 모델
  • 스테레오택틱 체부 방사선치료(SBRT)를 받은 환자를 대상으로, 임상 변수(성별, 병기, 림프구 비율 등)와 radiomics 점수를 결합한 노모그램이 개발되었다. 이 모델은 3년 암특이 생존률(Cancer‑Specific Survival) 예측에서 AUC(ROC 곡선 아래 면적)가 가장 높았다. 
  • 이를 통해 SBRT 이후 위험 계층별 치료 계획 및 추적 전략을 개인화할 수 있다.

 

3. AI / 딥러닝 기반 예후 예측 모델과 최신 연구 동향

• DeepMMSA (다중모달 딥러닝 모델)
  • NSCLC 환자에서 CT 영상 + 임상 데이터를 함께 사용하는 멀티모달 딥러닝 모델이 개발되었다.
  • 이 모델은 기존 통계적 예후 모델보다 예측 정확도가 높았으며, 특히 이미지 기반 특성과 임상 특성을 효과적으로 결합했다는 장점이 있다.
• Semi‑Supervised 생존 예측 모델
  • 최근 연구에서는 **반감독 학습(censor-aware semi-supervised learning)**을 도입하여, “생존 정보가 불완전한(중도 탈락된) 사례”도 모델에 포함하는 방식이 제안되었다. 
  • 여기서는 CT/PET의 radiomics 특징 + 임상 인자를 사용했으며, 외부 검증에서도 비교적 안정적인 예측 성능(예: c‑index 약 0.65)을 보였다. 
  • 이런 접근은 실제 임상 데이터의 제약(모든 환자가 장기간 추적되지 않음)을 고려한 현실적인 모델 설계라는 점에서 의미가 크다.
• Foundation‑Model + Radiomics 다영역 모델
  • 아주 최신 연구에서는 여러 의료기관의 데이터를 모아 foundation model (사전 학습된 대규모 딥러닝 모델) 과 전통 radiomics 피처 + 임상 데이터를 통합해 예후를 예측하는 모델이 제안되었다. 
  • 이 모델은 여러 영역(종양, 주변 림프절, 관상 동맥 등)의 특징을 통합하며, 멀티센터 데이터에서도 높은 예측력(t‑AUC, C‑index 등)을 보였다. 
  • SHAP 값(특성 기여도)을 통해 어떤 피처들이 리스크에 가장 크게 기여하는지 설명 가능하게 설계되어, 임상에 해석가능한 예측 도구로도 활용 가능성이 있다.

 

4. 장점, 한계 및 향후 과제 — 예후 예측 모델의 임상 활용과 발전 방향

장점

• 개인 맞춤 치료: 고·저위험군을 세분화해 치료 강도, 보조치료 여부 또는 추적 전략을 맞춤화할 수 있다.
• 치료 결정 지원: 수술, 방사선치료, 보조 요법 등의 결정을 내리는 데 의사에게 객관적 보조 데이터를 제공할 수 있다.
• 자원 효율화: 예후 예측을 통해 불필요한 치료나 추적을 줄이고, 의료비용 및 환자 부담을 감소시킬 수 있다.

한계

• 데이터 일반화의 어려움: 많은 모델이 단일 기관 또는 제한된 코호트에서 개발되었기 때문에, 다른 병원 또는 인구에 적용할 때 예측 성능이 떨어질 수 있다.
• 해석성 문제: 특히 딥러닝 모델은 “블랙박스” 특성이 있어, 예측 결과의 이유를 설명하기 어려운 경우가 있다.
• 검증 부족: 외부 검증(cohort validation), 전향적 검증, 임상시험 연계 검증이 부족한 모델이 많다.
• 윤리적/법적 이슈: 예후 예측 모델이 높은 리스크를 예측할 때, 환자에게 “예후 나쁨”이라는 정보 제공의 심리적 부담과 의료 책임 문제 등이 있다.

미래 발전 방향

• 대규모 다기관 연구: 다양한 병원, 인구 집단을 포함한 모델 개발이 필요하다.
• 설명 가능한 AI (Explainable AI): SHAP, LIME 등 기법을 활용해 예측 인자의 기여도를 시각화하고, 임상의가 이해할 수 있게 만드는 것이 중요하다.
• 통합 예후 플랫폼: 임상, 영상, 유전자, 면역 상태 등 여러 모달리티 데이터를 결합한 통합 예후 모델이 향후 표준이 될 가능성이 높다.
• 실시간 업데이트 모델: 치료 후 재발, 새로운 치료 반응 등을 반영하여 지속적으로 모델을 업데이트하고 리스크를 재평가하는 동적 예측 모델이 중요해질 것이다.