초록 ▼

본 연구과제는 다중의료정보기반 심층신경망 인공지능기법을 활용한 폐암의 통합적 예후분석 모델개발에 관한 과제임. 심층신경망 인공지능 기술을 이용하여 폐암 코호트의 대규모 다중의료정보를 통합적으로 학습하여 최적의 예후 기반 분류 모델을 개발하는 것이 핵심임.

* 연구목표
■ 총괄목표: 폐암에서 다중의료정보 (병리조직이미지, CT 영상이미지, 차세대염기서열분석(NGS)을 통해 확보한 유전체 데이터베이스 및 임상정보)를 기반으로 심층신경망 인공지능 기법을 활용하여 환자의 예후 분석모델 수립 및 새로운 맞춤형 치료 전략에

본 연구과제는 다중의료정보기반 심층신경망 인공지능기법을 활용한 폐암의 통합적 예후분석 모델개발에 관한 과제임. 심층신경망 인공지능 기술을 이용하여 폐암 코호트의 대규모 다중의료정보를 통합적으로 학습하여 최적의 예후 기반 분류 모델을 개발하는 것이 핵심임.

* 연구목표
■ 총괄목표: 폐암에서 다중의료정보 (병리조직이미지, CT 영상이미지, 차세대염기서열분석(NGS)을 통해 확보한 유전체 데이터베이스 및 임상정보)를 기반으로 심층신경망 인공지능 기법을 활용하여 환자의 예후 분석모델 수립 및 새로운 맞춤형 치료 전략에 응용.
- 1세부 과제: 후향적 코호트와 전향적 코호트 폐암환자의 다중의료정보에 심층신경망 인공지능기법기반 폐암예후예측모델을 적용하여 폐암예후 모델로서의 효용성 검증.
- 2세부 과제: 폐암 환자의 예후를 환자의 다중의료정보를 이용하여 정밀하게 예측하는 서비스 플랫폼을 개발.

* 연구방법 및 내용
■ 1세부 과제: 심층신경망 인공지능 기법을 통한 폐암환자의 예후 예측
· 가톨릭대학교 산하병원 8개 병원에서 근치적절제술을 시행받은 환자를 대상으로 환자 등록함.
· 각 환자당 매칭 되는 병리조직이미지, 영상이미지, 유전체데이터 및 임상정보 등의 다중의료정보를 수집.
· 심층신경망 인공지능 기반 예후예측 서비스 플랫폼에 의한 수술 후 재발예측에 대한 효용성 검증함.
· 예후관련 새로운 유전체 (miRNA) 발굴 및 이에 대한 기능성연구 진행
· 궁극적으로 심층신경망 인공지능 기반 예후예측 서비스 플랫폼에 기반한 최적의 폐암환자 맞춤형 치료 전략 수립 (수술 방법 및 수술 후 보조항암치료의 적절성 고려)
■ 2세부 과제: 다중의료정보의 심층신경망 인공지능 학습을 통한 폐암 환자 정밀 예후 예측 서비스 플랫폼 개발
· 심층신경망 인공지능 기술을 이용하여 대규모 폐암 코호트의 다중의료정보를 통합적으로 학습하여 예후에 따른 분류 가능한 정밀한 예후 기반 분류 모델 개발.
· 임상에서 실제로 사용할 수 있는 서비스 플랫폼 형태의 소프트웨어 개발.

* 연구결과
■ 1세부 과제: 심층신경망 인공지능 기법을 통한 폐암환자의 예후 예측
· 폐암 환자 코호트를 통해 1459례의 통해 매칭된 다중의료 정보 (임상정보, 영상정보, 병리정보 및 병리조직)를 확보함.
· 2세부에서 개발된 각 모델별 DeepBTS, DeepCUBIT, DeepRePath, Cascaded WX based miRNA를 통한 수술후 재발예측에 대한 효용성 검증함.
· 폐암환자 코호트에서 예후관련 새로운 유전체(miRNA; miR-21/miR-374a,b)를 발굴하고 이에 대한 기능성 연구를 수행하여 폐암 예후 예측 키트 제작의 기틀을 마련함
· 궁극적으로, DeepIntegration model은 검증코호트에서 재발 생존곡선에서도 통계적 유의성을 보여줌 (P = 1.482 x e-10). 이는 DeepIntegration 심층신경망 인공지능 기반 예후예측 서비스 플랫폼에 기반한 폐암 환자의 수술후 재발을 예측가능함을 시사함.

■ 2세부 과제: 다중의료정보의 심층신경망 인공지능 학습을 통한 폐암 환자 정밀 예후 예측 서비스 플랫폼 개발
· 심층신경망 인공지능 기법 기반 예후분석 통합모델 개발: 분석모듈4 – DeepIntegration 모델
· DeepIntegration 인공지능 모델로 비소세포폐암 초기 병기 환자의 수술 후 재발 예후 예측 AUC 0.8 확보 성능확보함(CT영상이미지 단독: 0.68, 병리조직이미지 단독: 0.74, 환자임상정보 단독: 0.68)
· 웹기반 심층신경망 인공지능 기법 기반 예후분석 플랫폼 개발(위 통합모델 탑재): 다기관에서 보안성을 유지하며 활용 가능한 웹기반 심층신경망 인공지능 기법 기반 예후분석 통합 플랫폼
· [분석모듈1 - DeepOmicsProg] 다중오믹스 데이터 통합분석 학습 모델 개발
· [분석모듈1 – Wx] 다중오믹스(전사체, DNA메틸화 등 수치화 데이터) 데이터를 학습하여 주어진 그룹을 구별할 수 있는 핵심 피쳐(유전자 등)를 선별하는 딥러닝 기반 피쳐 선택(feature selection) 모델 개발
· [분석모듈1 – Cascaded Wx] 다중오믹스(전사체, DNA메틸화 등 수치화 데이터) 데이터를 학습하여 주어진 환자군의 예후를 예측할 수 있는 핵심 피쳐(유전자 등)를 선별하는 딥러닝 기반 예후연관 피쳐 선택(prognosis-related feature selection) 모델 개발
· [분석모듈2 – DeepRePath] 병리조직이미지(pathology image)만을 분석하여 초기 비소세포 폐암 환자의 재발(recurrence)을 예측하는 딥러닝 기반 모델인 DeepRePath 모델 개발 및 병리조직이미지 중 재발과 연관된 관심영역(region of interest; ROI)을 예측하여 추출하는 추출 기술 내재
· [분석모듈3 – DeepCUBIT] 비소세포 폐암 환자의 CT영상이미지로 예후관련 invasiveness를 예측하는 모델인 DeepCUBIT(Deep Cubical Nodule Transfer Learning Algorithm)을 개발 및 CT 영상이미지를 분석하여 예후 연관 nodule을 자동으로 detection 하는 기술 내재
· [추가모듈 – DeepBTS] 환자의 임상정보를 기반으로 재발 가능성을 예측하는 딥러닝 기반 DeepBTS 모델 개발 및 환자의 임상정보 중 재발과 연관된 핵심 정보를 예측하며, 이를 활용시 가장 높은 재발 가능성 예측 정확도를 보임을 검증
· [분석모듈4 – DeepIntegration 통합 모델] DeepOmicsProg(Wx and CWx)로 도출한 miR-21의 발현 정도, CT영상이미지(DeepCUBIT), 병리조직이미지(DeepRePath) 및 임상정보(DeepBTS)를 개별 및 통합 분석하여 환자의예후를 정밀하게 예측하는 Deep Integration 통합 모델 개발

(출처 : 요약문 4p)

Abstract ▼

This project is regarding the development of an integrated prognostic analysis model for non-small cell lung cancer (NSCLC) using multi-medical information-based deep neural network (DNN) algorithm. The main subject is to develop an optimal prognosis-based classification model by integrating and lea

This project is regarding the development of an integrated prognostic analysis model for non-small cell lung cancer (NSCLC) using multi-medical information-based deep neural network (DNN) algorithm. The main subject is to develop an optimal prognosis-based classification model by integrating and learning large-scale multi-medical information of a NSCLC cohort using DNN artificial intelligence techniques.

* Study objective
■ General goal
Based on multi-medical informations (ex. CT image, pathologic image, clinical information and genomic database obtained by next generation sequencing) of NSCLC patients, we will establish prognostic analysis models using DNN artificial intelligence techniques and will apply these models to novel customized treatment strategy for NSCLC patients.
■ Specific Aim 1
Verification of the efficacy of the DNN prognosis prediciton model based on multi-medical informations in in prospective and retrospective cohorts of NSCLC patients.
■ Specific Aim 2
Development of the service platform that accurately predicts the prognosis of NSCLC patients using the patients’ multi-medical informations.

* Material and Method
■ Specific Aim 1 : Prediction of prognosis in NSCLC patients through DNN algorithm
· Patients were enrolled who underwent radical resection at 7 hospitals within the Catholic University of Korea.
· Multi-medical informations such as CT images, pathologic images, clinical information and genomic database matched for each patient were collected.
· The effectiveness of postoperative recurrence prediction by the DNN algorithm-based prognostic prediction platform was verified.
· Prognosis-related genomic biomarkers (ex. miRNA) were identified and functional research was performed.
· Finally, the optimal treatment strategy of NSCLC patients was established using the DNN-based prognostic prediction platform, considering the suitability of the surgical method and postoperative adjuvant chemotherapy.
■ Specific Aim 2 : Development of the precise service platform that predicts prognosis of NSCLC patients using DNN artificial intelligence techniques on multi-medical informations
· The precise prediction model that can classify the patients’ prognosis was developed by learning multi-medical information of a large-scale lung cancer cohort through integrated DNN artificial intelligence techniques.
· The service platform software that can be used in clinical practice was developed.

* Result
■ Specific Aim 1 : Prediction of prognosis in NSCLC patients through DNN algorithm · We obtained 1459 patients with multi-medical information by matching CT images, pathological images, clinical information and genomic databases in retrospective and prospective cohorts of NSCLC patients.
· We verified the effectiveness of postoperative recurrence prediction using the developed models (DeepBTS, DeepCUBIT, DeepRePath, and Cascaded WX based miRNA).
· We identified novel prognosis-related features (miRNAs) in the NSCLC cohort and performed functional studies to develop a prognosis prediction kit for NSCLC patients.
· Eventually, we predicted the recurrence of NSCLC patients after surgery using the DNN-based prognostic prediction service platform of the DeepIntegration model.

■ Specific Aim 2 : Development of the precise service platform that predicts prognosis of NSCLC patients using DNN artificial intelligence techniques of multi-medical informations
· We developed an integrated model for prognostic analysis based on DNN AI technique : Analysis module 4 – DeepIntegration model (model performance AUC 0.8)
· We developed a prognostic analysis platform based on web-based DNN AI technique (with previously developed integrated model): An integrated platform for prognostic analysis based on a web-based DNN AI technique that can be used while maintaining security in multiple institutions.
· [Analysis module 1 – DeepOmicsProg] We developed an integrated analysis learning model of multiomics data
· [Analysis module 1 – Wx] We developed a deep learning-based feature selection model that learns multiomics (numerical data such as transcriptome, DNA methylation, etc.) data and selects key features (genes, etc.) distinguishing given groups.
· [Analysis module 1 – Cascaded Wx] We developed a deep learning-based prognosis-related feature selection model that selects key features (genes, etc.) predicting the prognosis of a given patient group by learning multiomics (numerical data such as transcriptome, DNA methylation, etc.) data.
· [Analysis module 2 – DeepRePath] We deveoloped a deep learning-based model that predicts recurrence of early NSCLC patients by analyzing pathology images. This model includes an extraction technology that predicts and extracts a region of interest (ROI) related to recurrence among pathological tissue images.
· [Analysis module 3 – DeepCUBIT] We developmed DeepCUBIT (Deep Cubical Nodule Transfer Learning Algorithm), a model for predicting prognosis-related invasiveness with CT images of NSCLC patients. This model includes a built-in technology to automatically detect prognosis-related nodules by analyzing CT images.
· [Additional module – DeepBTS] We developed the deep learning-based DeepBTS model that predicts the likelihood of recurrence based on the patient's clinical information. We verified the highest recurrence probability prediction accuracy when predicting with selected key informations related to recurrence among patients’ clinical informations.
· [Analysis module 4 – Deep Integration Model] We developed the Deep Integration model that accurately predicts the patient's prognosis by individual and integrated analysis of miR-21 level, CT images (DeepCUBIT), pathological images (DeepRePath) and clinical information (DeepBTS) discovered with DeepOmicsProg (Wx and CWx).

(source : Project Summary 6p)

목차 Contents

• 표지 ... 1
• 제 출 문 ... 2
• 목차 ... 3
• 요약문 ... 4
• Project Summary ... 6
• 총괄연구과제 연구결과 ... 8
• 1. 총괄연구과제의 최종 연구개발 목표 ... 8
• 2. 총괄연구과제의 최종 연구개발 내용 및 결과 ... 11
• 3. 총괄연구과제의 연구결과 고찰 및 결론 ... 14
• 4. 총괄연구과제의 연구성과 및 목표달성도 ... 17
• 5. 총괄연구과제의 활용계획 ... 49
• 6. 첨부서류 ... 53
• 제1세부연구과제 연구결과 ... 91
• 1. 제1세부연구과제의 최종 연구개발 목표 ... 92
• 2. 제1세부연구과제의 연구대상 및 방법 ... 105
• 3. 제1세부연구과제의 최종 연구개발결과 ... 107
• 4. 제1세부연구과제의 연구결과 고찰 및 결론 ... 123
• 5. 제1세부연구과제의 연구성과 및 목표달성도 ... 127
• 6. 제1세부연구과제의 활용계획 ... 128
• 7. 참고문헌 ... 130
• 제2세부연구과제 연구결과 ... 131
• 1. 제2세부연구과제의 최종 연구개발 목표 ... 132
• 2. 제2세부연구과제의 연구대상 및 방법 ... 142
• 3. 제2세부연구과제의 최종 연구개발결과 ... 142
• 4. 제2세부연구과제의 연구결과 고찰 및 결론 ... 163
• 5. 제2세부연구과제의 연구성과 및 목표달성도 ... 165
• 6. 제2세부연구과제의 활용계획 ... 166
• 7. 참고문헌 ... 169
• 끝페이지 ... 170