라디오믹스 (Radiomics)
쉽게 풀면
영상의학과 의사는 CT를 보며 종양이 둥글다, 가장자리가 지저분하다 같은 말로 인상을 남깁니다. 라디오믹스는 이 인상을 숫자로 바꾸는 작업입니다. 먼저 종양 영역을 그린 뒤, 그 안 화소들의 밝기 평균과 퍼짐 정도, 모양의 둥근 정도, 밝기 값들이 얼마나 규칙적으로 배열되어 있는지 같은 특징을 수백에서 수천 개까지 컴퓨터가 자동으로 계산합니다. 와인 감정가가 깊은 맛이라고 표현한 것을 성분 분석기가 당도, 산도, 페놀 함량 수치로 환산해 주는 것과 비슷합니다. 이렇게 얻은 숫자들을 기계학습 모형에 넣으면 조직검사 없이도 종양의 성질이나 치료 반응을 예측해 볼 수 있습니다.
왜 중요한가
이미 찍어 둔 영상만으로 추가 침습 없이 정보를 얻는다는 점이 가장 큰 매력입니다. 조직검사는 종양의 한 조각만 보지만 영상은 병변 전체와 전이 부위까지 한꺼번에 담기 때문에 종양 내부의 이질성을 평가하는 데 유리합니다. 최근 연구에서는 표준섭취계수 같은 단일 지표를 넘어 예후 예측 모형과 치료 반응 조기 판정의 핵심 도구로 쓰이고 있습니다.
논문에서는 이렇게 쓰입니다
수천 개까지 뽑히는 특징을 그대로 쓰면 과적합이 생기므로, 변수 선택 알고리즘으로 소수의 핵심 특징만 남긴 뒤 모형을 만들었다는 뜻입니다.
영상 지표가 기존 임상 정보를 대체하는 것이 아니라 추가 정보를 제공했다는 의미로, 라디오믹스 논문에서 가장 흔히 제시되는 형태의 결론입니다.
같은 환자라도 영상을 만드는 조건이 달라지면 특징값이 크게 흔들린다는 뜻으로, 라디오믹스의 재현성 문제를 직접 보여 주는 결과입니다.
조금 더 깊게 보면
라디오믹스 특징은 크게 히스토그램 기반 1차 통계, 병변의 부피와 표면적, 구형도 같은 형태 특징, 그리고 화소 배열 패턴을 보는 질감 특징으로 나뉩니다. 질감 특징에는 회색조 동시발생 행렬과 회색조 런렝스 행렬 등이 쓰이고, 원본 영상에 웨이블릿 필터를 씌운 뒤 같은 계산을 반복해 특징 수를 더 늘리기도 합니다. 가장 큰 쟁점은 재현성입니다. 장비 제조사, 재구성 커널, 절편 두께가 달라지면 값이 흔들리기 때문에 국제 표준화 작업과 영상 조건 조화 절차가 필수로 요구됩니다.
주의할 점
특징 수가 환자 수보다 훨씬 많은 상황이 흔해 과적합이 일어나기 쉽습니다. 내부 데이터에서만 좋은 성능을 보이고 외부 기관 데이터에서 무너지는 모형이 많으므로 독립 검증 코호트 없이 보고된 결과는 신중히 해석해야 합니다. 딥러닝이 특징을 스스로 학습하는 방식과는 절차가 다르다는 점도 구분해야 합니다.