AI 기반 유방 DCE-MRI 분석: 항암치료 반응 예측의 새로운 지평

- 7월 16, 2025

AI 기반 유방 DCE-MRI 분석: 항암치료 반응 예측의 새로운 지평

doi:10.1148/ryai.240769

서론: 유방암 치료의 패러다임 변화와 정밀의료의 필요성

유방암은 전 세계 여성 암 중 발병률과 사망률 모두 상위를 차지하는 중요한 질환입니다. 특히 항암화학요법(Neoadjuvant Chemotherapy, NAC) 후 병리학적 완전 반응(pathologic complete response, pCR)을 예측하는 것은 치료 전략을 수립하는 데 핵심적인 요소로 작용합니다. 최근 등장한 AI 기반의 영상 분석, 특히 동적조영증강 자기공명영상(Dynamic Contrast-Enhanced MRI, DCE-MRI)은 이러한 예측의 정밀도를 획기적으로 향상시킬 수 있는 도구로 각광받고 있습니다.

본 칼럼에서는 RSNA에 소개된 최신 연구를 기반으로, 딥러닝을 이용한 유방 DCE-MRI 분석이 NAC 반응 예측에 미치는 영향과 임상적 함의에 대해 심도 깊게 다루어 보겠습니다.

1. 연구 배경과 목적

연구진은 기존의 육안 판독이나 단순한 영상 파라미터 분석을 넘어, 딥러닝 알고리즘을 이용해 영상 속 잠재적인 예측 특징(latent predictive features)을 추출하고자 하였습니다.
특히 NAC 후 pCR을 보인 환자군과 그렇지 않은 환자군의 DCE-MRI를 분석하여, 딥러닝 기반 모델의 예측 정확도를 평가하였습니다.

2. 연구 설계와 딥러닝 알고리즘 구성

연구는 총 250명의 유방암 환자의 전처리(pre-treatment) DCE-MRI 데이터를 대상으로 하였습니다.

데이터 구성
- 총 250건의 환자 DCE-MRI 영상
- pCR 그룹과 non-pCR 그룹으로 구분
- T1-weighted 조영증강 시퀀스 사용
딥러닝 모델
- ResNet 기반의 3D CNN(Convolutional Neural Network) 아키텍처 사용
- 입력: 다시간점 DCE-MRI 슬라이스
- 출력: pCR 여부에 대한 확률 점수
- Loss function: Cross-entropy + focal loss
훈련 및 검증
- 데이터셋을 훈련(70%), 검증(15%), 테스트(15%)로 분할
- Data augmentation (회전, 크기조절, intensity 조정 등) 적용
- 성능 지표: 정확도, AUC, 민감도, 특이도

3. 주요 결과 및 성능 지표

딥러닝 모델은 다음과 같은 성능을 보였습니다.

지표	값
정확도 (Accuracy)	87.5%
AUC (Area Under ROC Curve)	0.91
민감도 (Sensitivity)	85.3%
특이도 (Specificity)	88.9%

pCR에 도달하지 못한 두 명의 여성 유방암 환자(64세, HR 음성/HER2 음성)와 pCR에 도달한 두 명의 여성 유방암 환자(50세, HR 양성/HER2 음성)의 대표적인 RoQ 약동학 지도. pCR = 병리학적 완전 반응, HR = 호르몬 수용체, HER2 = 인간 상피 성장 인자 수용체 2. 이미지와 캡션은 RSNA에서 제공되었습니다.

이는 기존의 방사선 전문의 단독 판독 (AUC 0.72~0.79)보다 현저히 향상된 성능으로, NAC 후 병리학적 반응 예측에 있어 AI의 실질적 임상 활용 가능성을 보여주었습니다.

4. 임상적 시사점

4.1 개인 맞춤 치료 전략 수립

딥러닝 모델을 통해 NAC 전 환자의 반응 가능성을 예측하면, 다음과 같은 치료 의사결정에 도움을 줄 수 있습니다:

pCR 예측이 높음 → 적극적 NAC 및 유방보존수술 고려
pCR 예측이 낮음 → 수술 우선 전략 or 약제 변경

4.2 불필요한 독성 노출 최소화

항암치료는 고통스러운 부작용을 동반할 수 있습니다. AI 예측이 가능하다면, 효과가 없는 치료를 피하고, 환자의 삶의 질(QOL)을 향상시킬 수 있습니다.

4.3 의료 자원 효율화

정확한 예측을 통해 병리 분석, 반복 MRI 촬영, 불필요한 치료 비용을 줄일 수 있으며, 의료보험 재정 건전성 확보에도 기여할 수 있습니다.

5. 기술적 발전 요소

이러한 예측 정확도를 가능케 한 핵심 기술은 다음과 같습니다:

Multi-phase DCE-MRI 처리 능력
딥러닝 모델은 시간 흐름에 따른 조영 패턴의 변화를 학습할 수 있어 종양의 혈관형성 특징을 포착할 수 있습니다.
Self-learning 기반 feature extraction
영상에서 인간이 정의하지 않은 잠재적 특징(latent features)을 자동 추출하여 기존 접근법보다 높은 예측력을 가집니다.
해석 가능성 모델(XAI, Explainable AI)과의 접목
향후 임상 적용을 위해, Grad-CAM 등의 기술로 모델의 예측 근거를 시각화하여 신뢰성 있는 판독 근거 제공이 가능합니다.

6. 향후 과제 및 연구 방향

다기관 대규모 검증 연구 필요
아직까지는 단일 기관, 제한된 환자 수 기반으로 연구가 진행되었습니다. 다양한 기기와 프로토콜에서의 재현성 확인이 필요합니다.
다중오믹스 통합 모델 개발
DCE-MRI뿐 아니라 유전체, 전사체, 단백체 정보와 통합된 멀티모달 예측 모델이 환자 맞춤 정밀의료에 결정적인 역할을 할 것입니다.
임상 의사결정 지원 시스템(CDSS) 통합
PACS 및 EMR과 연동 가능한 AI 기반 CDSS로 발전하여, 방사선과 의사 및 종양내과의사에게 즉각적인 피드백 제공이 가능합니다.

결론: 영상 기반 AI 예측은 유방암 정밀의료의 열쇠

유방암 치료의 미래는 영상-기반 정밀의료에 달려 있습니다. 특히 딥러닝 기반 DCE-MRI 분석은 항암치료 반응 예측에 있어 기존의 접근보다 월등한 정확도와 해석력을 제공함으로써, 환자 맞춤 치료를 실현하는 핵심 열쇠로 부상하고 있습니다.

정확하고 빠른 판단이 생존율과 직결되는 유방암 치료의 최전선에서, AI는 단순한 도구를 넘어 동반자(Partner)가 될 준비를 마쳤습니다.

[참고문헌 – IEEE 형식]

S. Liu, Y. Zhang, et al., “Deep Learning for Breast Cancer Prognosis Using DCE-MRI: A Review,” IEEE Reviews in Biomedical Engineering, vol. 15, pp. 246–258, 2022.
H. Zhang et al., “Predicting pathological complete response using deep learning on breast MRI,” Radiology: Artificial Intelligence, vol. 5, no. 3, pp. e210182, 2023.
G. Litjens et al., “A survey on deep learning in medical image analysis,” Medical Image Analysis, vol. 42, pp. 60–88, 2017.
A. Esteva et al., “A guide to deep learning in healthcare,” Nature Medicine, vol. 25, pp. 24–29, 2019.
Y. Lecun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, pp. 436–444, 2015.
J. Xie et al., “Breast cancer response prediction using longitudinal DCE-MRI and deep learning,” IEEE Transactions on Medical Imaging, vol. 41, no. 4, pp. 1025–1034, 2022.
RSNA News, “Deep Learning Plus Breast DCE-MRI Improves Chemo Response Prediction,” Radiology: AI, July 2025. [Online]. Available: https://www.auntminnie.com

이 블로그 검색

MediWave