배경

비소세포폐암(Non-Small Cell Lung Cancer, NSCLC) 치료 패러다임은 면역관문억제제(Immune Checkpoint Inhibitor, ICI) 등장 전후로 극명히 나뉜다. programmed death-ligand 1(PD-L1) 발현율이나 종양 변이 부담(Tumor Mutational Burden, TMB) 같은 생체지표(Biomarker)를 나침반 삼아 처방을 결정해 왔다. 임상 현장에서는 여전히 상당수 환자가 예측과 다른 예후를 보인다. PD-L1 발현율이 높아도 무반응에 그치거나, 반대로 음성 판정을 받은 환자가 장기 생존을 누리기도 한다. 단일 분자 생체지표만으로 복잡다단한 종양미세환경(Tumor Microenvironment, TME)과 숙주 면역계 사이 상호작용을 온전히 포착하기 어렵기 때문이다.

이러한 불일치를 해결하고자 의료 영상, 병리 조직 슬라이드, 유전체 데이터를 통합하려는 다중오믹스 시도가 이어졌다. 기존 기계학습 모델은 내부 연산 과정을 알 수 없는 블랙박스(Black Box) 구조 탓에 임상 도입 문턱을 넘지 못했다. 왜 특정 환자를 반응군으로 분류했는지 의료진이 납득할 수 없는 알고리즘은 실제 처방 변경으로 이어지기 어렵다. 여러 기관과 인종 간 데이터 편차를 극복하는 범용성 확보 역시 번번이 발목을 잡았다.

핵심 발견

국제 공동 연구진은 다국가 대규모 실제임상근거(Real-World Evidence, RWE) 데이터를 기반으로 다중모달 설명가능 인공지능(Explainable AI, XAI) 모델을 구축했다. 이번 연구는 서로 다른 의료 체계를 지닌 다수 국가의 비소세포폐암 환자 코호트를 대상으로 알고리즘의 유효성을 검증했다. 디지털 병리 이미지(H&E 염색 전슬라이드 이미지)와 컴퓨터단층촬영(CT) 영상, 전장 엑솜 염기서열(Whole Exome Sequencing, WES) 및 전사체 프로파일링, 임상 전자의무기록을 단일 네트워크로 융합 분석하는 방식이다.

연구진이 제시한 모델은 면역항암치료 반응 예측 정확도 지표인 수신자조작특성 곡선하면적(AUC)에서 기존 단일 지표들을 뚜렷한 격차로 앞질렀다. PD-L1 면역조직화학염색 기반 예측치인 0.60대 중반, TMB 기반 예측치인 0.60대 초반을 크게 상회하는 0.80 이상의 판별 능력을 입증했다. 무진행 생존기간(Progression-Free Survival, PFS) 및 전체 생존기간(Overall Survival, OS) 계층화에서도 고위험군과 저위험군을 통계적으로 명확히 분리해 냈다.

핵심 경쟁력은 해석 가능성에 있다. 모델은 예측 점수만 출력하는 데 그치지 않고, 판정 근거가 된 병리 영상 내 종양침윤림프구(TIL)의 공간적 밀집도와 CT 영상 내 종양 경계면의 침윤 특성, 특정 케모카인 발현 경로를 어텐션 맵(Attention Map) 형태로 시각화했다. 이를 통해 연구진은 알고리즘이 종양 실질 부위보다 종양 기질 경계부의 면역 활성 패턴에 가중치를 두고 있음을 확인했다. 다수의 종양내과 전문의가 참여한 다기관 결정 보조 실험에서, 해당 모델의 근거 제시를 확인한 의료진의 치료 방침 결정 일치도와 정확성이 모두 유의미하게 향상됐다.

의미와 전망

단편적인 유전자 검사나 면역염색 한두 가지에 기대던 정밀 종양학이 데이터 융합형 진단 체계로 진화하고 있다. 환자의 신체에서 얻은 다차원 데이터를 유기적으로 엮어내자 숨어 있던 임상적 가치가 드러났다. 독자적인 해석 모듈을 갖추어 인공지능에 대한 의료계의 불신을 해소할 통로를 열어젖힌 점도 돋보인다. 예측 근거를 제시함으로써 의사와 환자 사이 치료 선택 과정에서 신뢰도를 끌어올릴 기반을 다졌다.

상용화까지 넘어야 할 과제는 분명하다. 기관마다 상이한 H&E 염색 조건, CT 스캐너 제조사별 해상도 차이, 시퀀싱 플랫폼에 따른 기술적 변이를 표준화하는 파이프라인이 필수적이다. 설명가능성 모듈이 제시하는 생물학적 기전이 실제 실험실 차원의 기능 검증과 얼마나 부합하는지 규명하는 후속 작업도 뒤따라야 한다. 규제 기관의 의료기기 소프트웨어(SaMD) 허가 기준에 맞춘 전향적 무작위 배정 임상시험 역시 완주해야 할 숙제다.