새 AI 모델, 32개 암종 TP53 돌연변이 예측… EGFR 모델은 유전적 조상별 성능 차이
새로운 AI 모델이 32개 암종에서 TP53 돌연변이를 예측한다. EGFR 예측 모델은 조상(ancestry)에 따라 성능이 다르다. 유방 병리 검토에서는 AI가 정확도를 향상시키지만 장벽도 있다고 지적한다.
연구진이 일상적인 전체 조직병리학 이미지를 분석해 32가지 서로 다른 고형암에서 암 아형, 특정 유전자 돌연변이, 생존 결과를 동시에 예측할 수 있는 새로운 AI 모델을 개발했다. EGFR 예측을 위한 두 가지 오픈소스 AI 모델을 평가한 별도의 연구에서는 모델 성능이 환자의 조상(ancestry)에 따라 달라지며 아시아인 환자에서 정확도가 떨어지는 것으로 나타났다.
AI 기반 Vision Transformer 모델은 Pan-Cancer Atlas에서 확보한 1만 1,000건 이상의 원발성 종양 사례와 이에 상응하는 체세포 돌연변이, RNA 시퀀싱, 임상 결과 데이터가 포함된 데이터셋으로 훈련되었다. 이 모델은 1,729개 슬라이드로 구성된 독립 검증 세트에서 32개 고형암 종류에 걸쳐 TP53 돌연변이 검출에 강력한 예측 정확도(AUROC 0.766)를 달성했다. 모델은 또한 전체 슬라이드 이미지에서 TP53 RNA 발현 수준과 종양 분류(taxonomy)를 직접 추론할 수 있음을 입증했다. 전체 슬라이드 이미지는 매우 크고 복잡하기 때문에 연구진은 약지도 학습(weakly supervised learning) 전략을 사용하여 픽셀이나 영역 수준의 정밀한 주석 없이도 슬라이드 수준의 레이블로부터 학습할 수 있게 했다. Elsevier가 발행하는 The American Journal of Pathology에 게재된 이 연구 결과는 일상적인 진단 영상을 분자 종양학과 연결하는 계산 병리학(computational pathology)의 잠재력을 강조한다.
공동 주도 연구자(co-lead investigator)인 University of Tasmania의 Menzies Institute for Medical Research 및 School of Medicine 소속 연구원은 “TP53 돌연변이에 대한 표준 분자 프로파일링은 종종 비용이 많이 들고 의료 취약 지역이나 원격 임상 환경에서는 접근이 어렵다. 우리는 전체 조직병리학 이미지에서 TP53 돌연변이 상태, TP53 RNA 발현, 종양 유형, 슬라이드 수준의 생존 관련 결과를 포함한 7가지 출력을 동시에 생성할 수 있는 단일 모델을 개발했다”고 설명했다. 또 다른 공동 주도 연구자는 이 접근법이 확진 분자 검사로 혜택을 볼 수 있는 환자를 식별하고, 유전자 검사가 제한된 환경에서 분류(triage)를 지원하며, 임상의에게 추가적인 의사결정 지원을 제공할 수 있다고 지적하면서도 분자 검사를 대체하는 것이 아니라 보완하는 역할을 해야 한다고 강조했다.
폐선암(LUAD) 환자를 대상으로 한 연구에서 연구진은 헤마톡실린-에오신(H&E) 염색 전체 슬라이드 이미지로 EGFR을 예측하는 두 가지 오픈소스 AI 모델인 EAGLE과 DeepGEM의 재현성을 검증했다. TCGA LUAD 데이터셋(n = 463)에서 재현된 AUC는 게시된 결과와 일치했다: EAGLE 0.89(95% CI, 0.85-0.93), DeepGEM 0.88(95% CI, 0.82-0.93). 전체적으로 2,098명의 LUAD 환자가 포함되었다. Dana-Farber Cancer Institute(DFCI) 코호트(n = 1,759)에서 EAGLE은 AUC 0.83(95% CI, 0.81-0.85)으로 DeepGEM의 0.68(95% CI, 0.65-0.70)보다 높았다. EU 기반 TNM-I 코호트(n = 339)에서도 EAGLE은 AUC 0.81(95% CI, 0.74-0.88) 대 0.75(95% CI, 0.68-0.83)로 DeepGEM을 다시 능가했다.
DFCI 코호트에서 EGFR 돌연변이는 아시아인 환자(60명, 63%)에서 가장 빈번했고, 그다음으로 아프리카인 환자(17명, 31%)였다. EAGLE은 대부분의 조상 그룹에서 견고한 성능(AUC >0.80)을 유지했지만, 아시아인 환자에서는 AUC가 0.68(95% CI, 0.55-0.78)로 떨어졌다. 연구는 또한 최근 90개국을 대상으로 한 글로벌 설문조사에서 40% 이상의 임상의가 바이오마커 결과가 나오기 전에 환자를 치료했다고 보고했으며, 비용, 소요 시간, 검체 품질, 접근성이 주요 장벽으로 꼽혔다고 지적했다.
유방 병리 분야 AI에 대한 별도의 검토에서는 인공지능이 진단 정확도, 효율성, 재현성을 개선함으로써 진단 유방 병리를 재편하고 있는 것으로 나타났다. 검토에서는 림프절 전이 검출, 노팅엄(Nottingham) 등급, 양성·악성 분류, 자동화된 바이오마커 정량화, 예후 예측, 위험 계층화, 종양 미세환경 분석 등의 임상 적용이 문서화되어 있다. 실제 구현 시 흔한 장벽으로는 데이터 품질과 편향, 규제 고려 사항, 비용과 인프라, 기존 검사실 워크플로에 도구를 통합하는 어려움 등이 있다.