Radiomics와 딥러닝을 결합한 폐암 침습성 예측 모델: 인공지능이 여는 영상의학의 새로운 장

- 10월 23, 2025

https://doi.org/10.1016/j.acra.2025.10.004

키워드: 폐암 예측, 인공지능 영상 분석, Radiomics, 딥러닝, GGN(간유리결절), 폐선암, 의료AI

서론: 폐암 예측의 새 전환점

폐암은 여전히 전 세계 암 사망 원인 1위를 차지합니다.

특히 간유리결절(Ground-Glass Nodule, GGN) 형태로 나타나는 조기 폐선암(adenocarcinoma)은 겉보기에는 작은 병변이지만, 그 내부가 침습성(invasive)인지, 아니면 비침습성(preinvasive)인지를 구별하는 것이 임상적으로 매우 중요합니다.

기존 CT 영상만으로는 두 형태를 정확히 구분하기 어렵기 때문에, 수술 시기를 놓치거나 불필요한 절제를 시행하는 문제가 발생하기도 했습니다.

이러한 한계를 극복하기 위해 등장한 것이 Radiomics(라디오믹스)와 Deep Learning(딥러닝)을 결합한 새로운 접근법입니다.

Radiomics는 영상 데이터를 수치화하여 숨은 패턴을 찾아내는 기술이며, 딥러닝은 이러한 복잡한 패턴을 학습해 스스로 예측 모델을 만드는 인공지능 방법입니다.

Radiomics와 딥러닝의 결합: 영상의 새로운 언어

Radiomics는 CT 영상의 픽셀 속에서 ‘숫자’를 추출합니다. 예를 들어, 결절의 텍스처(질감), 모양, 경계, 밀도 변화 등을 수백~수천 개의 변수로 변환합니다.

하지만 이 데이터만으로는 모든 임상적 복잡성을 담아내기 어렵습니다.

그래서 연구팀은 ResNet50 기반 딥러닝 모델을 추가하여, 영상에서 Radiomics가 놓칠 수 있는 고차원적 패턴을 학습하도록 했습니다.

이때 세 가지 주요 데이터가 결합되었습니다.

Radiomics feature: CT에서 추출한 정량적 이미지 특징
Deep Learning feature: ResNet50 딥러닝 네트워크에서 얻은 표현
Intratumoral Habitat(ITH): 병변 내부의 혈관, 세포 밀도, 대사 등 ‘미세 환경’ 분석

이 세 가지가 합쳐진 종합 모델은 마치 의사, 병리학자, AI 전문가가 함께 판단하는 시스템과도 같습니다.

연구 개요

중국 Ningxia 의과대학 병원 연구팀(Huairong Zhang 박사)은 2018년부터 2023년까지의 데이터를 활용해 총 516명의 GGN 환자를 분석했습니다.

훈련 세트: 276명
내부 검증 세트: 120명
외부 검증 세트: 120명

연구팀은 비조영(NECT)과 조영(CECT) CT 이미지를 모두 활용했고, K-means 알고리즘으로 병변 내부를 여러 하비탯(habitat) 영역으로 분류했습니다.

각 영역의 Radiomics 특징과 딥러닝 특징을 조합하여 8가지 예측 모델을 제작했으며, 이 중 종합 모델(Comprehensive Model)이 가장 뛰어난 성능을 보였습니다.


환자 모집 (n=516)
   ├─ Center 1: 훈련 (276명) + 내부 검증 (120명)
   └─ Center 2: 외부 검증 (120명)
        ↓
CT 영상 (비조영 + 조영)
        ↓
Intratumoral Habitat 분석 (ITH)
        ↓
Radiomics & Deep Learning Feature 추출
        ↓
8가지 예측 모델 생성 → 종합 모델 최종 선정

그림 1. Radiomics, 딥러닝, ITH가 결합된 예측 모델의 전체 구조

결과: AI 모델이 보여준 정밀 예측

연구팀은 각 모델의 성능을 AUC (Area Under the Curve), 정확도, 민감도(Sensitivity), 특이도(Specificity)로 비교했습니다.

[표 1] Radiomics + 딥러닝 + ITH 종합 모델의 예측 성능

데이터 세트	AUC	정확도	민감도	특이도
훈련 세트	0.92	84%	85%	84%
내부 검증 세트	0.90	82%	88%	74%
외부 검증 세트	0.85	80%	80%	80%

AUC가 0.85~0.92에 달한다는 것은, 모델이 침습성과 비침습성 병변을 거의 의사 수준으로 구별할 수 있음을 의미합니다.

SHAP 분석 결과

Wavelet 기반 텍스처 특징: 병변 내부의 복잡한 질감 패턴을 반영
딥러닝 Feature: Radiomics가 포착하지 못한 공간적 구조 정보
ITH Feature: 병변 내 혈류와 세포 분포를 반영하여 종양 활성을 예측

그림 2. SHAP 분석을 통해 확인된 주요 특징의 중요도. Radiomics, 딥러닝, ITH가 모두 모델 성능 향상에 기여함을 보여줌.

임상적 의의: “영상에서 병리까지, 수술을 바꾸다”

이 연구의 핵심 가치는 단순히 예측 정확도를 높였다는 데 있지 않습니다.

Radiomics와 딥러닝 모델이 제공하는 예측 결과는 환자 맞춤형 수술 전략(personalized surgical decision-making)을 가능하게 합니다.

비침습성(GGN-AIS/MIA) → 경과 관찰 혹은 최소 절제
침습성(GGN-IAC) → 보다 적극적인 절제 및 치료

즉, 영상 판독 단계에서 이미 병리적 특성을 예측함으로써, “영상에서 병리까지(From imaging to pathology)”라는 영상의학의 새로운 패러다임을 제시한 것입니다.

결론: 인공지능이 예측하는 미래

이번 연구는 Radiomics, Deep Learning, Intratumoral Habitat 세 가지 축을 결합하여
폐암의 침습성을 높은 정확도로 예측할 수 있음을 입증했습니다.

이러한 접근은 향후 AI 기반 정밀의료(Precision Medicine)의 핵심이 될 것이며, 폐암뿐 아니라 간암, 유방암, 뇌종양 등 다양한 암종으로 확장될 가능성이 큽니다.

의료 인공지능은 더 이상 단순한 보조 도구가 아니라, 진단과 치료 의사결정의 핵심 파트너로 자리 잡고 있습니다.

참고문헌

[1] H. Zhang et al., “Radiomics plus Deep Learning Improve Prediction of Lung Cancer Invasiveness,” Academic Radiology, Oct. 2025, doi:10.1016/j.acra.2025.10.004.
[2] P. Lambin et al., “Radiomics: Extracting more information from medical images using advanced feature analysis,” Eur. J. Cancer, vol. 48, no. 4, pp. 441–446, 2012.
[3] G. Litjens et al., “A survey on deep learning in medical image analysis,” Med. Image Anal., vol. 42, pp. 60–88, 2017.
[4] J. van Griethuysen et al., “Computational radiomics system to decode the radiographic phenotype,” Cancer Res., vol. 77, no. 21, pp. e104–e107, 2017.
[5] J. Yoon et al., “Deep learning–based radiomics improves prediction of lung adenocarcinoma invasiveness,” Radiology, vol. 302, no. 3, pp. 654–666, 2022.
[6] Z. Lao et al., “A deep learning approach to predict tumor invasiveness in lung adenocarcinoma,” Front. Oncol., vol. 11, pp. 665–678, 2021.
[7] K. Ardila et al., “End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest CT,” Nat. Med., vol. 25, no. 6, pp. 954–961, 2019.

이 블로그 검색

MediWave