| 초록 |
▣ 연구개요 ▢ 제1세부: 임상자료 구축 및 수집: 연세대학교 의과대학 세브란스병원 (신촌,강남)에서 2005년 1월과 2019년 12월 사이 거세저항성 전립선암으로 이환되어 치료받은 대상자 (n=822)를 선정함. 거세저항성 전립선암으로의 이환 당시부터 사망에 이르기까지 질환의 생존예후와 관련된 임상/병리학적 지표를 확보함. ▢ 제2세부: 데이터 저장, 분석설계, 및 기계학습: 제1세부에서 확보한 지표들을 학습, 검증, 테스트 셋 (6:2:2)으로 구성한 후, 예측모델 개발을 위한 설계 및 서버를 구축함. 예측 알고리즘 개발에는 생존분석 기계학습법들인 multi-layer perceptron(MLP), MLP for N-year survival prediction (MLP-N), 및 long short-term memory models (LSTM)을 시행함. 대규모 학습데이터를 지원하는 학습 알고리즘 가공 작업은 Selvas AI사와 협업함. 각각의 예측력 결과는 Harrell’s C-index와 logistic AUC 분석법을 이용하여, 고식적인 Cox 비례위험 회귀모델 성능과의 우월성을 비교함. ▢ 제3세부: 임상응용 시스템을 개발하여 외적검증 후 웹(WEB)과 앱(APP) 프로그램으로 게시: 가장 우월한 예측성능 (정확도, 정밀도, 재현율, 예측력)을 보이는 기계학습 분석법을 활용하여 임상응용 시스템을 개발함. 타기관 자료를 수집하여 외적검증을 시행함. 검증된 ‘환자-맞춤형’ 치료약제 선택 알고리즘은 전세계 환자들과 임상의들이 진료현장에서 활용하도록 무료로 웹(WEB)과 앱(APP) 프로그램으로 게시함. ▣ 연구 목표대비 연구결과 ▢ 제1세부: 임상자료 구축 및 수집: 연세대학교 의과대학 세브란스병원에서 2005년 1월과 2019년 12월 사이 거세저항성 전립선암으로 이환되어 치료받은 대상자 832명의 환자/종양 및 생존-관련 변수를 수집함. ▢ 제2세부: 데이터 저장, 분석설계, 및 기계학습: 제1세부에서 확보한 지표들을 학습, 검증, 테스트 셋 (6:2:2)으로 구성한 후, 예측모델 개발을 위한 설계 및 서버를 구축함. XGBoost model을 이용하여 예측 알고리즘을 개발함. 예측력 결과는 Harrell’s C-index와 logistic AUC 분석법을 이용하여, 고식적인 Cox 비례위험 회귀 모델 성능과의 우월성을 비교함. ▢ 제3세부: 임상응용 시스템을 개발하여 외적검증 후 웹(WEB)과 앱(APP) 프로그램으로 게시: 개발한 XGBoost model을 활용하여 임상응용 시스템을 개발함. ‘환자-맞춤형’ 치료약제 선택 알고리즘은 전세계 환자들과 임상의들이 진료현장에서 활용하도록 무료로 웹(WEB)과 앱(APP) 프로그램으로 게시함. 전체적인 연구개발 과정 중 총 6편의 논문과 2023년 대한전립선학회에서 최우수학술상으로 선정됨. ▣ 연구개발성과의 활용 계획 및 기대효과(연구개발결과의 중요성) ▢ 임상적 측면: 난치성 거세저항성 전립선암 환자의 치료 방침 결정에 있어서 ‘환자-맞춤형’ 최적치료법을 제시함으로써, 종양학적 예후와 생존율을 향상시키는데 이바지 할 수 있음. 전립선암 분야의 치료 패러다임을 재정립할 수 있는 세계 최초의 독창적 연구임. 진료현장에서 의료진의 오판 (잘못된 치료제 선택)을 스크리닝 할 수 있는 알고리즘으로 활용할 수 있음. ▢ 연구적 측면: 전립선암 분야에서 big data를 이용한 기계학습-기반 생존 예측모델 연구는 아직 시도하는 연구진이 전 세계적으로 드물다는 점에서 연구적 가치와 원천기술의 선점효과가 높음. 기계학습을 활용한 연구방법론 확립은 전립선암 이외에도 전체 종양학 분야로의 확대 잠재력이 우수함. (출처 : 연구결과 요약문 2p) |
