MIA-Prognosis: 치료 반응을 예측하기 위한 딥러닝 프레임워크

임상 결과 예측은 매우 중요하지만 동시에 큰 도전 과제이다. 치료 반응이나 환자 생존과 관련된 중요한 생물학적 지표(바이오마커)를 찾기 위한 연구 노력이 지속적으로 이루어져 왔다. 그러나 이러한 바이오마커는 일반적으로 비용이 높고 침습적인 특성을 가지며, 새로운 치료법에 대한 적용에서는 만족스럽지 않을 수 있다. 반면 임상 현장에서는 다중 모달, 이질적이고 비정렬된 시간 데이터가 지속적으로 생성되고 있다. 본 논문은 영상정보, 검사 결과, 임상 정보와 같이 쉽게 접근 가능한 데이터를 활용하여 환자의 예후 및 치료 반응을 예측하기 위한 통합적인 딥러닝 접근법을 제안한다. 기존의 연구는 단일 데이터 모달만을 모델링하거나 시간적 변화를 무시하는 경향이 있다. 특히 실제 임상에서 시간 시계열 데이터는 비동기적(asynchronous)으로 기록되며, 불규칙한 간격으로 데이터가 수집된다. 본 연구에서는 예후 모델링을 다중 모달 비동기 시간 시계열 분류 문제로 정식화하고, 측정(Measurement), 개입(Intervention), 평가(Assessment)를 통합한 MIA-Prognosis 프레임워크를 제안한다. 이 프레임워크는 비동기 시간 시계열 데이터를 처리하기 위해 단순 시간 주의( Simple Temporal Attention, SimTA) 모듈을 개발하였다. 합성 데이터셋을 활용한 실험을 통해 SimTA가 기존의 RNN 기반 접근법보다 우수한 성능을 보임을 입증하였다. 더불어, 실제 비소세포 폐암 환자들을 대상으로 한 내부 후향적(retrospective) 데이터셋(anti-PD-1 면역요법 치료 환자군)을 이용한 실험에서도 제안된 방법이 면역요법 반응 예측에서 탁월한 성능을 나타냈다. 특히, 본 예측 모델은 장기 생존율 측면에서 저위험군과 고위험군 환자를 추가적으로 분류할 수 있는 잠재력을 보였다.