AI 기반 폐암 면역치료 부작용 예측: CT 영상 기반 딥러닝 모델 CIPHER 개발 및 검증

면역 체크포인트 억제제 (ICI) 는 비소세포폐암 (NSCLC) 치료의 지형을 변화시켰으나, 면역 관련 이상반응 (irAEs) 의 위험도 동반합니다. 특히 ICI 유발 폐렴 (ICI-P) 은 생명을 위협할 수 있는 중대한 부작용으로, 약 10% 의 환자에서 발생합니다. 현재 치료 시작 전 고위험 환자를 식별할 수 있는 신뢰할 수 있는 정량적 바이오마커가 부재하여, 기존 위험 평가는 주로 전문의의 정성적 평가에 의존하고 있습니다. 이로 인해 전향적 예방 시험 설계 및 환자의 안전한 치료 관리가 어렵습니다.

본 연구에서는 치료 전 흉부 CT 스캔으로부터 ICI-P 위험을 예측하는 딥러닝 파운데이션 모델 'CIPHER(Checkpoint-Inhibitor Pneumonitis Hazard EstimatoR)'를 개발하고 외부 검증을 수행했습니다. CIPHER 는 59 만 장 이상의 CT 슬라이스를 활용한 자기지도 학습을 통해 폐 실질의 복잡한 패턴을 학습했습니다. 내부 코호트 및 외부 코호트 (존스 홉킨스 대학교) 검증에서 CIPHER 는 임상 모델 및 기존 방사선학적 모델 (Radiomics) 을 능가하는 성능 (AUC 0.83) 을 보이며, 높은 민감도와 특이도로 위험을 식별할 수 있음을 입증했습니다.

CIPHER 는 트랜스포머 기반의 마스크드 오토인코더를 기반으로 한 딥러닝 모델입니다. 먼저 2,500 명의 NSCLC 환자로부터 얻은 59 만 284 슬라이스의 대규모 데이터셋을 사용하여 폐의 해부학적 구조를 학습하는 사전 학습 (Pre-training) 을 진행했습니다. 이후 ICI-P 발생 사례를 포함한 코호트를 사용하여 미세 조정 (Fine-tuning) 을 수행했으며, 모델이 정상 폐 구조를 재구성할 때의 '재구성 오차'를 위험 점수로 활용하는 방식을 채택했습니다. 이러한 자기지도 학습 방식은 레이블이 지정된 데이터가 제한된 희귀 사건 예측에 효과적입니다.

• 대규모 CT 데이터를 활용한 자기지도 학습 기반 사전 학습
• 트랜스포머 아키텍처를 통한 장거리 공간 의존성 모델링
• 재구성 오차를 기반으로 한 위험 점수화
• MD 앤더슨 암센터 및 존스 홉킨스 대학교에서의 독립적인 외부 검증

CIPHER 개발은 면역요법의 안전성 향상에 중요한 의미를 가집니다. 치료 전 비침습적 위험 층화 도구로서 고위험 환자에 대한 엄중한 모니터링 및 예방적 개입 도입을 가능하게 합니다. 또한 ICI-P 발생 위험을 사전에 평가할 수 있다는 점은 더 안전한 면역요법 시행 및 부작용 감소를 목표로 하는 전향적 임상 시험 설계에 기여합니다. 특히 기존 임상 인자나 방사선학적 소견으로는 포착하기 어려운 미세한 폐 실질 변화를 정량화할 수 있다는 점은 신약 개발 연구에서의 안전성 평가 정확도 향상에 기여할 것으로 기대됩니다.

본 연구 결과는 면역체크포인트억제제 의 안전성 평가에서 전임상 모델 의 중요성을 부각시킵니다. CIPHER 와 같은 AI 영상진단 도구는 인간화 마우스(인간화 Mouse) 나 PDX 모델(환자 유래 이종이식 모델) 을 이용한 in vivo 시험에서 면역 관련 독성 메커니즘 규명 및 신규 안전성 평가 바이오마커 검증에 활용될 가능성이 있습니다. 특히 CTLA4 인간화 마우스 모델 또는 CTLA-4 억제제에 의한 면역관련이상반응 메커니즘을 규명하고 예방책을 확립하기 위한 연구에서, 영상 바이오마커와 동물 모델을 결합하는 접근법이 유효할 것입니다.

본 연구는 CT 영상 기반 딥러닝 모델 CIPHER 를 개발하여 비소세포폐암 환자에서 ICI-P 위험을 고정밀 예측할 수 있음을 보였습니다. 이 기술은 면역요법의 맞춤형 의료 및 안전성 관리에서 큰 진전을 가져올 수 있습니다. 향후 전향적 다기관 공동 연구를 통한 추가 검증이 필요합니다.