초록 ▼

□ 연구개요
1) 인공지능을 이용한 전산화 단층촬영(CT) 및 양전자 방출 단층촬영(PET) 기반의 폐암 예후인자 발굴, 2) 정형 및 비정형 멀티오믹스(multi-omics) 데이터를 통합하는 앙상블 딥러닝 알고리즘 기반의 비선형 폐암 예후예측 모델 개발.

□ 연구 목표대비 연구결과
3차 의료기관으로부터 대량의 폐암 영상 및 임상 데이터를 확보하였으며, 영상에 대한 전문가 레이블링을 시행함. 이를 바탕으로 CT 기반 수술 후 예후예측 모델, PET기반 모델 및 이를 결합한 앙상블 모델 등을 개발하고 비교함.

□ 연구개요
1) 인공지능을 이용한 전산화 단층촬영(CT) 및 양전자 방출 단층촬영(PET) 기반의 폐암 예후인자 발굴, 2) 정형 및 비정형 멀티오믹스(multi-omics) 데이터를 통합하는 앙상블 딥러닝 알고리즘 기반의 비선형 폐암 예후예측 모델 개발.

□ 연구 목표대비 연구결과
3차 의료기관으로부터 대량의 폐암 영상 및 임상 데이터를 확보하였으며, 영상에 대한 전문가 레이블링을 시행함. 이를 바탕으로 CT 기반 수술 후 예후예측 모델, PET기반 모델 및 이를 결합한 앙상블 모델 등을 개발하고 비교함. 여러 도메인의 데이터를 결합할 때 얻을 수 있는 추가적인 예후예측능에 대한 분석 및 멀티 도메인 데이터의 필요성 등에 대한 고찰을 수행함. 인공지능 예후예측모델 개발 후 외부검증을(external validation) 수행하였을 뿐 아니라, 다른 치료 모달리티를(stereotactic ablative radiotherapy) 이용한 폭넓은 외부검증(broad validation)을 수행하였고, 수술검체에 대한 조직학적 예후인자와의 연관성을 분석함으로써 인공지능 예후예측 모델에 대한 해석능, 신뢰도 향상 및 조직학적 기반을 마련함. 연구 초기에 목표로 했던 바를 모두 수행하였음.

□ 연구개발성과의 활용 계획 및 기대효과 (연구개발결과의 중요성)
본 연구에서 개발된 영상기반 예후예측 모델을 이용해서 조기폐암 환자 중 수술 후 adjuvant therapy가 필요한 고위험군을 선별할 수 있음. 이를 목적으로 하는 임상시험을 위한 candidate selection, 즉 고위험군 선별을 위한 imaging biomarker로 본 모델을 활용 가능. 또한, 재발/사망 고위험군의 치료 후 surveillance scheduling 세분화 가능. 향후 인공지능 기반의 clinical T category modification으로 더욱 정밀한 cancer staging 이 가능해질 것으로 기대함.

(출처 : 연구결과 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 4
• 1) 연구의 목표 ... 4
• 2) 연차별 연구 목표 ... 4
• 2. 연구개발과제의 수행 과정 및 수행 내용 ... 4
• 1) 1차년도 연구수행 ... 4
• 2) 2차년도 연구수행 ... 6
• 3) 3차년도 연구수행 ... 9
• 3. 연구개발과제의 수행 결과 및 목표 달성 수준 ... 15
• 1) 정성적 연구개발성과(연구개발결과) ... 15
• 2) 세부 정량적 연구개발성과 ... 15
• 3) 목표 달성 수준 ... 15
• 4) 목표 미달 시 원인 분석 ... 15
• 4. 연구개발성과의 관련 분야에 대한 기여 정도(연구개발결과의 중요성) ... 16
• 5. 연구개발성과의 관리 및 활용 계획 ... 16
• 6. 참고문헌 ... 16
• [붙임1] 세부 정량적 연구개발성과 ... 18
• [붙임2] 연구책임자 대표적 연구실적 및 증빙(요약문 및 사본) ... 20
• 끝페이지 ... 28