AI 췌장암 발병 위험 3년 전 식별

과학자들이 인공 지능(AI) 솔루션으로 환자의 의료 기록만으로 진단 전 최대 3년까지 췌장암에 걸릴 위험이 가장 높은 사람들을 성공적으로 식별했다.

췌장암은 세계에서 가장 치명적인 암 중 하나로 현재 췌장암을 광범위하게 선별할 수 있는 인구 기반 도구는 없다. 가족력이 있고 췌장암에 걸리기 쉬운 특정 유전적 돌연변이가 있는 사람들은 표적 방식으로 선별 검사를 받는다. 그러나 표적 검사는 해당 범주를 벗어나는 다른 사례를 놓칠 수 있다.

네이처 메디신(Nature Medicine)에 5월 8일(현지시각) 발표된 이번 연구는 미국 하버드 의과대학과 덴마크 코펜하겐 대학이 공동 주도, VA Boston Healthcare System, Dana-Farber Cancer Institute 및 Harvard T.H. Chan 공중보건대 연구자들이 참여했다.

연구에 참여한 HMS Blavatnik Institute 선임 연구원 Chris Sander는 “추가 검사에서 가장 큰 혜택을 볼 수 있는 췌장암 고위험군에 집중할 수 있는 AI 도구는 임상 의사 결정을 개선하는 데 큰 도움이 될 수 있다”고 말했다.

Sander는 이러한 접근 방식을 대규모로 적용하면 췌장암의 발견을 촉진하고 조기 치료로 이어지며 결과를 개선하고 환자의 수명을 연장할 수 있다고 덧붙였다.

코펜하겐 대학 Novo Nordisk Foundation의 공동 선임 조사자 Søren Brunak은 “많은 유형의 암, 특히 조기에 식별하고 치료하기 어려운 암은 환자, 가족 및 전체 의료 시스템에 불균형적인 피해를 준다. AI 기반 스크리닝은 성공 가능성이 가장 높을 때 조기에 진단하고 신속하게 치료하기 어려운 공격적인 질병인 췌장암의 궤적을 바꿀 수 있는 기회”라고 말했다.

새로운 연구에서 AI 알고리즘은 덴마크와 미국의 총 900만 환자 기록에 대한 두 개의 개별 데이터 세트에 대해 교육을 받았다. 연구원들은 AI 모델에 기록에 포함된 데이터를 기반으로 숨길 수 없는 신호를 찾도록 “요청”했다. 질병 코드와 발생 시기의 조합을 기반으로 이 모델은 미래에 어떤 환자가 췌장암에 걸릴 가능성이 있는지 예측할 수 있었다. 특히, 많은 증상과 질병 코드는 췌장과 직접적인 관련이 없거나 췌장에서 비롯된 것이 아니었다.

연구원들은 서로 다른 시간 척도(6개월, 1년, 2년, 3년) 내에서 질병 발병 위험이 높은 사람들을 감지하는 능력에 대해 다양한 버전의 AI 모델을 테스트했다.

전반적으로 AI 알고리즘의 각 버전은 특정 기간 동안 인구에서 질병이 얼마나 자주 발생하는지로 정의되는 현재 인구 전체의 질병 발병률 추정치보다 누가 췌장암에 걸릴지 예측하는 데 훨씬 더 정확했다. 연구원들은 이 모델이 적어도 데이터 세트에서 환자의 작은 하위 집합에 대해서만 사용할 수 있는 현재 유전자 시퀀싱 테스트만큼 질병 발생을 예측하는 데 정확하다고 믿는다고 말했다.

유방암, 자궁경부암 및 전립선암과 같은 특정 일반적인 암에 대한 선별검사는 상대적으로 간단하고 매우 효과적인 기술인 유방조영술, Pap smear 및 혈액 검사에 의존한다. 이러한 선별 방법은 가장 치료 가능한 단계에서 조기 발견 및 개입을 보장함으로써 이러한 질병에 대한 결과를 변화시켰다.

이에 비해 췌장암은 선별검사와 검사가 더 어렵고 비용이 더 많이 든다. 의사들은 주로 가족력과 유전적 돌연변이의 존재를 살펴본다. 이는 미래의 위험에 대한 중요한 지표이지만 종종 많은 환자를 놓치고 있다. AI 도구의 특별한 장점 중 하나는 알려진 가족력이나 질병에 대한 유전적 소인이 있는 환자뿐만 아니라 건강 기록과 병력을 사용할 수 있는 모든 환자에게 사용할 수 있다는 것이다.

연구자들은 이것이 특히 중요하다고 지적했다. 왜냐하면 고위험군에 있는 많은 환자들이 자신의 유전적 소인이나 가족력을 알지 못할 수도 있기 때문이다.

췌장암 위험이 가장 높은 사람들을 식별하는 AI 도구는 임상의들이 불필요한 검사와 추가 절차를 생략하면서 적절한 인구를 검사할 수 있도록 보장할 것이라고 연구팀은 밝혔다.

췌장암의 초기 단계에서 진단받은 사람들의 약 44%가 진단 후 5년 동안 생존하지만 사례의 12%만이 일찍 진단된다. 연구자들은 종양이 원래 위치를 넘어 성장한 사람들의 생존율이 2~9%로 떨어진다고 추정한다.

Sander는 “따라서 정교한 치료법 외에도 더 나은 선별, 더 많은 표적 검사, 조기 진단이 필요하며 AI 기반 접근 방식이 이 연속체의 첫 번째 중요한 단계”라고 말한다.

연구를 위해 연구원들은 AI 모델의 여러 버전을 설계하고 41년에 걸친 덴마크 국가 의료 시스템의 620만 명의 환자 건강 기록에 대해 훈련했다. 이 환자들 중 2만3985명이 시간이 지남에 따라 췌장암에 걸렸다. 훈련하는 동안 알고리즘은 질병 궤적, 즉 환자가 시간이 지남에 따라 특정 순서로 발생하는 특정 조건을 가지고 있는지 여부를 기반으로 향후 췌장암 위험을 나타내는 패턴을 식별했다.

예를 들어, 담석, 빈혈, 제2형 당뇨병 및 기타 GI 관련 문제와 같은 진단은 평가 3년 이내에 췌장암에 대한 더 큰 위험을 예고했다. 췌장염은 2년이라는 훨씬 더 짧은 기간 내에 미래의 췌장암을 강력하게 예측했다.

연구원들은 이러한 진단 중 어느 것도 그 자체로 미래의 췌장암을 나타내거나 원인이 되는 것으로 간주되어서는 안 된다고 경고한다. 그러나 시간이 지남에 따라 발생하는 패턴과 순서는 AI 기반 감시 모델에 대한 단서를 제공하고 의사가 위험이 높은 사람들을 더 면밀히 모니터링하거나 그에 따라 테스트하도록 유도할 수 있다.

다음으로, 연구원들은 이전에 접한 적이 없는 완전히 새로운 환자 기록 세트, 즉 췌장암 진단을 받은 3,864명의 개인을 포함하고 21년에 걸쳐 거의 300만 개의 레코드로 구성된 미국 재향군인 보건국 데이터 세트에서 최고 성능의 알고리즘을 테스트했다. 도구의 예측 정확도는 미국 데이터 세트에서 다소 낮았다.

이것은 미국 데이터 세트가 더 짧은 시간에 걸쳐 수집되었고 약간 다른 환자 인구 프로필(덴마크 데이터 세트의 덴마크 전체 인구와 Veterans’ Affairs 데이터 세트의 현재 및 이전 군인)을 포함했기 때문일 가능성이 크다. 미국 데이터 세트에서 알고리즘을 처음부터 다시 학습했을 때 예측 정확도가 향상됐다.

연구원들은 이것이 두 가지 중요한 점을 강조한다고 말했다. 첫째, AI 모델이 고품질의 풍부한 데이터에 대해 훈련되도록 보장한다. 둘째, 국내 및 국제적으로 집계된 임상 기록의 대규모 대표 데이터 세트에 대한 액세스 필요성이다. 이러한 전 세계적으로 유효한 모델이 없는 경우 AI 모델은 지역 인구의 특이성을 반영하도록 지역 건강 데이터에 대해 교육을 받아야 한다.