조기 위암에서 림프절 전이 예측을 위한 병리 기반 인공지능 모델 개발 = Development of an Artificial Intelligence Model for Predicting Lymph Node Metastasis in Early Gastric Cancer Using Digital Pathology and Clinical Data

국문 초록 (Abstract)

조기 위암에서 림프절 전이 여부를 정확히 예측하는 것은 불필요한 위절제술을 줄이면서도 치료 부족을 방지하기 위해 중요하다. 그러나 기존의 임상병리학적 기반 예측 모델이나 기계학습 모델은 전반적으로 중등도의 예측 성능에 그치며, 림프절 전이와 연관된 미세한 병리학적 형태학적 신호를 충분히 반영하지 못하는 한계가 있다. 본 연구에서는 조기 위암에서 림프절 전이를 예측하기 위해 두 가지 예측 모델을 개발하였다. 하나는 구조화된 임상 및 종양 변수를 기반으로 한 임상병리학적 단독 모델이며, 다른 하나는 동일한 임상병리학적 변수에 더하여 병리 전장 슬라이드 영상(whole-slide image, WSI)에서 추출한 형태학적 특징을 통합한 다중모달 모델이다. 근치적 위절제술을 시행받은 995명의 환자를 대상으로 후향적 분석을 수행하였다. WSI는 병변에 대한 수동 주석 없이 분할이 필요 없는 패치 기반 파이프라인과 어텐션 풀링 기법을 이용하여 처리하였다. 모델의 예측 성능은 수신자 조작 특성 곡선 아래 면적(area under the receiver operating characteristic curve, AUROC), 민감도, 특이도, 균형 정확도, 음성 예측도, 그리고 보정 곡선을 통해 평가하였다. 임상병리학적 단독 모델은 AUROC 0.887의 예측 성능을 보였으며, 다중모달 모델은 AUROC 0.898로 소폭이지만 일관된 성능 향상을 보였다. 특히 다중모달 모델은 민감도, 균형 정확도, 음성 예측도에서 개선된 결과를 나타냈다. 임상적으로 중요한 기준인 민감도 100%를 만족하는 절단값에서, 다중모달 모델은 임상병리학적 단독 모델보다 더 높은 특이도(59.7% 대 53.4%)를 보여, 위음성이 없는 조건하에서 불필요한 위절제술을 피할 수 있는 환자의 비율이 더 높음을 시사하였다. 병리 전장 슬라이드 영상에서 추출한 형태학적 정보를 기존의 임상병리학적 예측 인자와 통합함으로써, 조기 위암에서 림프절 전이 위험 분류의 예측 성능을 점진적으로 향상시킬 수 있었다. 본 연구에서 제시한 다중모달 예측 모델은 향후 모델 개선을 위한 실질적인 기반을 제공하며, 조기 위암 환자에서 보다 신중하고 선택적인 치료 결정에 도움을 줄 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

Background: Accurate prediction of lymph node metastasis (LNM) in early gastric cancer (EGC) is essential for minimizing unnecessary gastrectomy while avoiding undertreatment. Existing clinicopathologic and machine-learning models demonstrate only moderate performance and often fail to capture subtle morphologic cues associated with metastatic potential. Methods: We developed two prediction models for LNM in EGC: a clinicopathologic-only model based on structured patient and tumor variables, and a multimodal model integrating whole-slide image (WSI)- derived morphologic features with the same clinicopathologic predictors. A retrospective cohort of 995 patients who underwent curative gastrectomy was analyzed. WSIs were processed using a segmentation-free, patch-based pipeline with attention pooling. Model performance was evaluated using AUROC, sensitivity, specificity, balanced accuracy, negative predictive value (NPV), and calibration curves. Results: The clinicopathologic-only model achieved an AUROC of 0.887, while the multimodal model improved AUROC to 0.898 with modest but consistent gains in sensitivity, balanced accuracy, and NPV. At a clinically relevant threshold achieving 100% sensitivity, the multimodal model demonstrated higher specificity (59.7%) than the clinicopathologic model (53.4%), indicating a greater proportion of potentially avoidable gastrectomies under a zero-false-negative constraint. Conclusion: Integrating WSI-derived morphologic features with established clinicopathologic predictors provides incremental improvements in LNM risk stratification. This multimodal framework offers a practical foundation for future model refinement and may support more informed and selective treatment decisions in EGC.

목차 (Table of Contents)

• Abstract i
• Table of Content ii
• List of Figure iii
• List of Table iii
• Introduction 1
• Methods 3
• Study design and population 3
• Digital pathology data acquisition and preprocessing 3
• Rationale for model construction 4
• Model development 4
• Clinicopathologic-only model 4
• Multimodal WSI-clinicopathologic model 4
• Model training 5
• Statistics 5
• Results 7
• Patient characteristics 7
• Clinicopathologic-only model performance 7
• Multimodal WSI-clinicopathologic model performance 8
• Predictive performance at clinically relevant thresholds 8
• Discussion 9
• Reference 12
• 국문요약 20
• List of Figure
• Figure 1. Flowchart of patient selection and dataset allocation. 14
• Figure 2. Architectural comparison of the clinicopathologic-only model and the multimodal WSI-clinicopathologic model. 14
• Figure 3. ROC and calibration curves for the clinicopathologic-only model (A) and the multimodal WSI-clinicopathologic model (B). 15
• Figure 4. Confusion matrices of clinicopathologic-only and multimodal WSI-clinicopathologic models at the optimal AUROC threshold and at the sensitivity = 1.0 operating point. 16
• List of Table
• Table 1. Clinicopathologic Characteristics of the Cohort. 17
• Table 2. Model performance comparison at the optimal threshold. 18
• Table 3. Model performance at the FN=0 cutoff (Sensitivity = 100%). 18