영상유전체 연구의 기회와 도전:
뇌종양 표현형 분석을 중심으로
이 명 은1, 2∙김 종 효1, 2, 3
1서울대학교 차세대융합기술연구원 의료-IT 융합기술 연구센터,
2서울대학교병원 영상의학과,
3서울대학교 융합과학기술대학원 융합과학부
Opportunities and Challenges in Radiogenomics:
Imaging Phenotype Analysis for Brain Tumor
Myungeun Lee1, 2, Jong Hyo Kim1, 2, 31Advanced Institutes of Convergence Technology,
Center for Medical-IT Convergence Technology Research, Seoul National University,
2Department of Radiology, Seoul National University Hospital,
3Department of Transdisciplinary Studies,
Graduate School of Convergence Science and Technology, Seoul National University
= Abstract =
Radiogenomics is an emerging field of study which aims at improving cancer treatment outcome by discovering and employing associations between genomic and imaging phenotype signatures in vari- ous cancers. The TCGA project launched in 2006 enabled active researches in radiogenomics, which has been hindered by the lack of accessibility to high quality and high volume genomic and imaging data obtained at same patients. The TCGA project was initiated in order to promote the basic under- standing the molecular biology of cancer in accordance of rapidly developing genome sequencing technologies and therewith amassing genomic data of tumors, which allowed collection of large amount of genomic and imaging data through a standardized protocol from a number of institutions. In particular, the imaging data having the same unique identifier as TCGA data are archived at TCIA site, and are accessible freely for researchers investigating the imaging phenotypes of cancer. High throughput analysis of imaging phenotype requires a set of appropriate and advanced image process- ing techniques including image registration, tumor segmentation, and feature extraction. Patient mo- tion occurred during images acquisition requires image registration step, followed by tumor segmenta- tion step and subsequent feature extraction step. Finally, associations between imaging phenotype and genomic data are analyzed through an advanced cluster and statistical testing. As an emerging field, landscape of radiogenomic continues to change and many challenging issues remain unex- plored. When the imaging phenotype and genotype signatures of cancers are appropriately integrated into a single platform in the future, the radiogenomics platform could enable the subtype identification
통신저자: 김종효, (110-744) 서울시 종로구 대학로 101 (연건동 28) 서울대학교병원 영상의학과
Tel: 02-2072-3677, Fax: 02-747-1762 E-mail: [email protected]
서 론
암의 진단 및 치료에 있어서 가족력이나 환경적 요인뿐 아니 라 개인 유전적 변이를 이용하는 개인 맞춤 의학에 관심이 높 아지고 있다. 최근 미국의 유명 영화배우가 유방암의 유전자 돌연변이를 가지고 있어 향후 유방암에 걸릴 확률이 높다는 이 유로 예방적 차원의 유방 절제술을 받은 사례가 이러한 관심을 대변한다. 이러한 개인 맞춤 의학의 최신 동향으로서 암의 진 단 및 치료에서 환자의 유전정보와 영상검사에서 발견되는 표 현형 특징과의 관계를 분석하여 활용하고자 하는 영상유전체 (radiogenomic) 연구에 관심이 높아가고 있다. 대표적인 암유 전체 연구의 하나인 암유전체지도 (The Cancer Genome Atlas, TCGA) 프로젝트[1]는 대규모 유전체 시퀀싱을 포함 한 게놈 분석 기술을 통해 암의 분자생물학적 기초에 대한 이 해를 촉진하기 위해 미국 국립보건원에 의해 시작되었으며 표 준화를 통해 여러 기관의 데이터를 수집하였다 수집된 데이터 는 미국 국립암연구소 (National Cancer Institute)의 종양 영상아카이브 (The Cancer Imaging Archive, TCIA)[2]에 저장 관리되고 있다. 이 프로젝트에서는 단순히 암 유전체만을 분석하는데 그치지 않고, 뇌종양, 폐암, 신장암, 전립선암, 유 방암 등 다양한 암에 있어서 동일 환자에 대한 CT, MRI 등 영 상데이터를 얻어서 영상표현형 분석과 유전체 및 예후와의 연 관성을 찾고자 하는 영상유전체 연구를 지원하고 있고, 일부 결과들이 Neuroradiology, Radiology와 RSNA에서 발표되 었다[1-3]. 암의 영상유전체 연구의 가설은 영상에서 보이는 암의 표현형 특징 (phenotype feature)과 암의 생물학적 특 성은 서로 상관관계가 있다는 것이다[4]. 과거에도 양성과 악 성 종양의 감별, 저등급암과 고등급암 또는 림프절 전이등 암 의 영상 진단에 있어서 영상의학과 의사의 소견 또는 컴퓨터로 추출한 특징들을 분석하거나 암의 진단 및 치료반응과 예후 등 을 영상 파라미터들의 조합으로 예측하는 모델을 찾아내려는 연구들은 꾸준히 이루어졌다. 최근에는 항암제 임상시험과 관 련해서 분자아형별 영상 특징 및 치료반응과 관련된 영상 바이 오마커를 발굴하고자 하는 연구로 발전되기도 하였다[5, 6].
하지만 양질의 유전체 정보의 접근이 쉽지 않았기 때문에 현재 까지 연구는 병리조직의 단순염색이나 면역염색에 근거 한 분 류를 판별근거로 삼아 비교하는 것이 대부분이었다. 그러나 TCGA/TCIA와 같은 대량의 양질 유전체 데이터 및 영상데이 터의 사용이 가능해지면서 영상유전체 연구가 본격화될 것이 예상되고 있다.
본 종설에서는 영상유전체 분석을 위해 공개적으로 사용 가 능한 TCGA/TCIA에 관하여 간단히 기술하고, TCGA/TCIA 데이터를 이용하여 이루어진 다형성아교모세포종 (glioblas- toma multiforme, GBM)에 대한 영상유전체 연구 결과를 소 개한다. 특히 영상유전체 분석을 위해 필수적으로 요구되는 영 상처리 단계인 관심영역 분할 (segmentation) 및 특징추출 (feature extraction) 기술의 동향에 관하여 소개한다.
TCGA/TCIA 데이터 베이스
영상유전체 연구는 2006년 TCGA 프로젝트가 시작되면서 본격화되었다고 할 수 있다. TCGA는 대규모 유전체 시퀀싱을 포함한 게놈 분석 기술을 통해 암의 분자생물학적 기초에 대한 이해를 촉진하기 위해 시작되었으며 표준화를 통해 여러 기관 의 데이터를 수집하였다. TCGA 데이터에는 임상 진단 및 치 료 과정, 병리학적 진단, 종양 발생 부위, 수술 방법 등과 같은 임상정보와 더불어, 유전자 발현, RNA 시퀀스, 염색체 숫자, 종양 이질성, DNA 메틸레이선 패턴, miRNA 발현, DNA 시 퀀스, 단백질과 인단백질 발현과 같은 유전체 정보, 그리고 CT/MRI/PET 등의 영상 정보가 포함되어 있다[1, 2]. 다형성 아교모세포종, 난소암 및 폐암에 초점을 맞춘 TCGA 시범사업 은 유전체 변화가 특정 종양 유형에 따라 구성 될 수 있음을 확 인했으며, 시범사업의 성공은 유방암 등 20개 이상의 추가 종 양 유형을 수집하고 특성을 저장하는 방향으로 확산되었다. 이 중 GBM 데이터는 528례가 저장되어 있다.
TCGA 프로젝트 환자의 고유번호와 연결된 영상 데이터는 TCIA에 저장되고 있으며 유전자형에 따른 표현형 분석에 초 점을 맞추고 TCGA 참여기관에서 영상 데이터가 수집되고 있 다. 그림 1은 TCGA GBM 데이터 중 한 예를 나타낸다.
of given cancer along with survival prediction for a set of alternative treatment options, which is the promise of personalized medicine.
Key words: Radiogenomics, Imaging Phenotype, The Cancer Genome Atlas (TCGA),
The Cancer Imaging Archive (TCIA), Segmentation, Glioblastoma Multiforme (GBM), Feature Extraction
TCGA/TCIA 데이터를 이용한 뇌종양 영상유전체 연구사례
Emory 대학의 연구진은 TCGA/TCIA 에서 제공되는 GBM 데이터를 이용한 영상유전체 연구 결과를 2013년 Radiology에 발표하였다[7]. TCGA에 유전 정보를 가지고 있 는 75명 환자의 수술 전 MRI를 세 명의 신경전공 영상의학 의 사가 크기, 위치, 종양 형태에 대하여 표준화된 특징 세트를 이 용하여 판독하였으며, 생존율과 종양 크기, 종양 형태 사이의 연관성에 대하여 분석하였다. 종양의 조영 증강, 비 조영 부분, 괴사, 부종, 크기의 다양성과 생존율을 평가한 결과, 조영 증강 되는 종양 부피와 종양의 장축 크기가 생존율 저하와 관련이 있었다.
Moffitt 암 센터의 연구진은 TCGA에 유전 정보를 가지고 있는 32명 아교모세포종 환자의 수술 전 MRI에서 공간 이질 성을 조영증강 영상과 T2강조 또는 FLAIR 영상의 히스토그 램으로 분석하고 환자의 생존율과 비교하였다. 그 결과 낮은 조영 증강을 보이면서 세포 밀도가 높은, 즉 완전 괴사가 아닌 영역 (habitat)을 많이 갖는 종양이 유의하게 낮은 생존율 그 룹과 연관성이 있었다[8].
2014년 MD Anderson 종양 센터 연구진은 침습성의 표현 형과 대사기능저하간의 영상유전체 매핑에 관한 연구를 발표 하였다[9]. TCGA 104명의 환자데이터를 이용하였으며, 뇌종 양의 시각적 패턴을 정량화로 분류하는 VASARI (Visually AcceSAble Rembrandt Images) 특징 세트를 이용하여 침습 성 정도를 평가하였다. 이 논문에서 환자데이터는 통계적으로 중요한 침습성 표현형이 있는 그룹 (그룹 A)과 그렇지 않은 그 룹 (그룹 B)으로 나뉘었으며, 각각의 그룹과 생존률의 관계를 조사하였다. 영상 표현형중 심부 뇌백질신경로(deep white matter tract) 침범, 뇌실막 (ependymal) 침범, 중심선/뇌량 을 교차하는 조영증강 종양 (enhancing tumor across mid-
line/corpus callosum) 등 세가지 영상표현형이 생존률과 연 관됨을 발견하였으며, 세 가지 영상 표현형이 존재하지 않은 경우가 표현형이 존재하는 경우보다 생존률이 높았고, 이중 중 심선/뇌량을 교차하는 조영증강 종양이 존재하는 경우 다른 표 현형에 비해 생존률이 현저히 낮음을 보였다. 결론적으로 어떤 형태이든 침습성의 표현형이 있는 그룹이 그러한 요인이 없는 그룹 B에 비해 낮은 생존률을 보였다.
스탠포드 대학 연구진은 다형성아교모세포종 데이터로부터 추출된 정량적 영상 특징들을 이용한 영상유전체 분석에 관한 논문을 발표하였다[10]. 이 논문에서는 TCGA에서 임상적, 분 자학적, 자기공명영상 등을 포함하고 있는 55명의 환자데이터 를 이용하였다. 관심영역인 종양의 조영증강 괴사 부위 (enhancing necrotic portions)와 종양주위 부종 (peritu- moral edema)에 대해 수동으로 관심영역을 그렸으며, 수동 으로 그려진 관심영역으로부터 총 54개의 영상 특징들을 추출 하였다. 추출된 영상 특징들은 방사선전문의가 시각적으로 annotation한 특징들로 이루어진 VASARI 특징과 상관관계 를 조사하였으며, 통계적인 분석을 통해 환자의 생존율과 비교 하였다. 그 결과 3가지 형태의 조영증강 특징들은 생존률과 중 요한 연관성이 있음을 보였으며, 7개의 영상 특징들은 분자아 형 집단과 상관관계가 있음을 보였다. 하지만 이 논문에서 지 적된 바와 같이 여전히 남아 있는 한계점 중 하나는 관심영역 중 가장 큰 영역이 포함된 한 장의 절편에 대해서만 수동으로 관심영역을 그렸다는 점이다.
영상유전체 분석을 위한 영상처리 과정
영상유전체 분석을 위한 기술적인 프레임워크 (frame- work)를 그림 2에 나타내었다. 영상유전체 분석을 위한 말단 의 데이터는 영상처리 단계에서 수행되는 방법에 따라 분석의 결과에 영향을 주기 때문에 각 영상처리 단에서 어떤 방법을 사용했는지가 중요한 요소 중 하나가 된다. 다중 파라미터 영
a b c
Figure 1. An example of TCIA GBM data; (a) T1W-Pre, (b) T1W-Post CE, (c) FLAIR.
상법을 사용하거나 동적 조영증강 영상법으로 얻은 영상을 사 용할 경우에는 환자의 움직임이 있었는지를 확인하여야 하며, 필요시 움직임을 보상하기 위한 정합 (registration) 과정을 거쳐야 한다. 호흡에 따른 변화가 심한 영상의 경우 비강체 (nonrigid) 정합을 실시하여야 하고, 뇌 영상과 같이 변화가 없는 영상은 주로 강체 (rigid) 정합을 진행한다. 영상정합에 관한 이슈는 본 종설에서 논하고자 하는 주요 논제가 아니므로 이번 종설에서는 별개의 절로 기술하지 않는다. 다음 단계는 영상정합 과정을 거친 데이터들을 이용하여 영상유전체 분석 에 사용할 관심영역을 분할하며, 영상분할 방법에 대해서는 4.1절에서 자세히 논한다. 다음으로 분할된 데이터에 대한 의 미있는 특징을 추출하는 과정이 필요하며, 특징추출에 관한 내 용은 5장에서 기술한다. 최종적으로 추출된 특징들과 유전체 간의 통계적 연관성 분석과정을 통해 영상유전체 분석 결과를 얻게 된다.
1. 영상유전체 분석을 위한 관심영역 분할
영상유전체 분석을 위한 기술적인 프레임워크의 필수적인
단계 중 하나가 관심영역을 정확하고 효율적으로 분할하는 것 이다. 영상에서 관심영역을 분할하는 방법은 수동 (manual) 분할, 반자동 (semi-automatic)분할, 전자동 (fully-auto- matic)분할 등 세 가지로 나눌 수 있는데, 어떤 방법을 사용하 느냐에 따라 효율성과 정확성에 관한 이슈가 대두될 수 있다.
한 예로 수동 분할은 반자동이나 전자동 분할 방법에 비해 영 상을 보며 한 장 한 장 종양 영역을 그려야 하므로 효율성은 떨 어지지만 놓치는 부분 없이 정확하게 관심영역을 그릴 수 있다 는 장점이 있다. 반면에 반자동 방법이나 전자동의 경우 사용 자의 관여를 최소화하면서 결과를 빠르게 얻을 수 있다는 장점 을 가지고 있다. 따라서 사용자는 어떤 방법을 선택하느냐에 따라 정확성과 효율성의 균형을 고려해야 한다.
그림 3은 분할 방법에 따른 다양한 tool의 사용 예이다. (a) 는 image J를 이용하여 수동으로 분할한 결과, (b)는 반자동 기법 중 point click 기법, (c)는 box draw 기법, (d)는 반자 동 기법 중 3D slicer[11]를 이용한 sketch draw 기법을 사 용한 예이다.
Figure 2. A technical framework for radiogenomic analysis.
a b c d
Figure 3. Examples of segmentation methods; (a) manual, (b) point click, (c) box draw, and (d) sketch draw.
1) 수동 분할
수동 분할에서는 영상의학 전문의가 직접 관심영역을 그리 거나, 영상의학 전문의의 지도하에 연구보조원에 의해 종양영 역이 분할되며, 이렇게 분할된 결과는 일반적으로 gold stan- dard로 사용된다. 수동 분할의 경우 작업자간의 숙련도에 따 른 결과의 차이와 시간이 오래 걸린다는 단점이 있다.
2) 반자동 분할
반자동 분할은 작업자가 최소한으로 개입하고 나머지는 컴 퓨터 알고리즘에 의해 관심영역을 분할하는 방법으로서 수동 분할에 비해 효율적이라는 장점이 있다. 그러나 여전히 작업자 간의 숙련도에 따른 차이가 발생한다는 문제점을 가지고 있다.
따라서 작업자간 및 작업자내의 변이를 통계적으로 분석 및 평 가해야 한다. 주로 사용되는 반자동 분할 방법으로는 point click, box draw, sketch draw 등이 있다. 이 중 더 발전된 방법 중 하나가 sketch draw 방법이며 다양한 연구에 이용되 고 있다. Sketch draw 방법은 기존의 다른 반자동 방법에 비 해 사용자에 의한 초기 설정이 많이 포함되지만 그만큼 효과적 인 결과를 얻을 수 있다.
수동 및 반자동 방법을 이용하여 분할을 실시 할 때, 결과가
신뢰할 수 없다면 영상유전체 분석의 마지막 단의 결과도 신뢰 할 수 없게 된다. 따라서 많은 논문에서 신뢰성에 대한 평가를 중요하게 논하고 있다(표 1). 또한, 신뢰성은 사용된 tool, 종 양의 종류에 따라 다르게 나타남을 표 1의 결과[12-15]에서 확인 할 수 있다. 그러므로 신뢰성을 높이면서 에러를 최소화 할 수 있는 분할방법의 개발이 우선시 되어야 하며, 영상유전 체 분석의 더 나은 발전을 위해 꼭 풀어야 하는 요소 중 하나이 다.
기존의 방법보다 신뢰성을 높이면서 에러를 최소화 할 수 있 는 sketch draw 방법의 하나로 본 종설의 연구진이 진행중에 있는 반자동 기법을 이용한 분할 결과와 기존의 반자동 기법을 적용한 결과를 비교해 보고자 한다(그림 4). (a)는 원본 영상 이고, (b)는 수동 분할 결과, (c)는 기존의 분할 방법 중 sketch draw 기법의 grow cut방법[11]을 이용한 분할 결과 이고, (d)는 본 연구진이 제안한 sketch draw 기법 중 하나인 level set 방법을 이용한 분할결과이다. 기존의 반자동 기법은 분할된 결과 주변에 잡음과 같은 성분이 많이 포함되어 있으면 서 under-segmentation된 결과를 보였다. 반면에, 본 연구진 이 개발한 방법은 수동분할 결과와 더 유사함을 확인할 수 있 으며, 향후 연구에서 더 많은 TCGA 데이터에 대한 실험을 통
Table 1. Research of Reliability for Segmentation Method
Title Modality Method Result
Reproducibility and Prognosis of Quantitative Features Extracted from CT Images CT Manual vs. Similarity 78%
(Trans.Oncol. Balaqurunathan Y et al. 2014) [12] Point Click
A Comparison of Two Commercial Volumetry Software Programs in the Analysis CT Manual vs. Failure: 10%
of Pulmonary Ground-Glass Nodules (Korean J. Radiol. Kim H et al. 2013) [13] Point Click Error: 11%~28%
Cerebral Blood Volume Analysis in Glioblastoma Using Dynamic Susceptibility MRI Manual vs. Variability: 16%~37%
Contrast-Enhanced Perfusion MRI (PLOS. SC Jung et al. 2013) [14] Box Draw
GBM Volumetry using the 3D Slicer Medical Image Computing Platform MRI Manual vs. Rater Similarity: 88%
(Jan Egger et al. 2013) [15] Grow Cut Error: 12%~36%
Semi-Automatic Segmentation Software for Quantitative Clinical Brain MRI Manual vs. Error: 10%~35%
Glioblastoma Evaluation (Academic Radiology. Ying Zhu et al. 2012) [16] Semi-auto
a b c d
Figure 4. Comparison of segmentation method. (a) Original image, (b) Manual, (c) Grow cut, and (d) Level set.
해 제안하는 방법의 우수성을 논하고자 한다.
3) 전자동 분할
사용자에 따른 신뢰성 문제를 완화하는 한 가지 방법은 전자 동 기법을 이용한 종양 분할 기술의 도입이라 할 수 있다. 현재 도 많은 연구진들이 전자동 분할 모델을 개발 중에 있으며, 신 뢰성뿐 만 아니라 정확성까지 높이면서 가속화된 전자동 분할 기술의 개발이 이루어질 것이라 기대한다.
영상유전체 분석을 위한 특징추출
분할된 데이터를 이용한 특징추출 단계는 영상유전체 분석 을 위한 중요한 단계 중 하나이다. 입력영상에 대해 어떤 방식 을 선택하느냐에 따라 의미론적 (semantic) 특징과 전산적 (computational) 특징으로 구분할 수 있다(그림 5).
영상 표현형 연구를 위해 TCGA내에 아교모세포종 표현형 연구자 그룹 (glioma phenotype research group)이 조직되 었는데, 이 연구자 그룹은 TCIA에 소속되어 있는 영상의학과 의사와 정량적 분석을 위한 컴퓨터 분석 전문 연구자로 구성되
었다. 이 조직은 유전체, 병리, 임상 정보 등 TCGA 데이터와 비교하기 위한 다형성아교모세포종 영상 특징 점수화 프로젝 트를 진행하였다. 이처럼 영상 표현형의 특징을 전문 평가자에 의해 주관적으로 점수화하여 얻은 특징을 의미론적 특징이라 고 하며, 대표적으로 VASARI 특징[17]이 이에 속한다.
VASARI 특징은 3명의 전문의가 의미론적 표현형을 점수화하 여 TCGA 데이터에 케이스 매칭하여 저장하고 있다. 총 30개 의 특징을 포함하고 있고, lesion location, morphology of lesion substance, morphology of lesion margin, alter- ations in vicinity of lesion, extent of resection 등 5가지 범주로 구분할 수 있다.
반면에, 형태학적, 텍스쳐, 조직 구성별, 동적 특징 등 다양 한 특징들을 자동으로 계산한 후 그 정보를 종합해서 추출하는 전산적 특징이 있다(그림 6). 형태학적 특징의 경우 대부분 종 양의 크기나 모양에 따라 특징을 분류하고, 텍스쳐 특징은 종 양영역의 밝기에 대한 비균질성이 세포의 행동을 반영한다고 할 수 있으므로 히스토크램 특징을 이용하여 표준편차, 왜도 (skewness), 첨예도 (kurtosis), 엔트로피 등을 특징으로 이 용한다. 또한, 뇌종양의 경우 병변 조직이 부종, 괴사,
Figure 5. Work flow of semantic feature and computational features on MRI.
Figure 6. Morphological/texture/tissue composition/enhancement kinet- ic features.
Table 2. Radiogenomic Research According to Feature Type
Title Feature Type ROI Definition # Features
Identification of Noninvasive Imaging Surrogates for Brain Tumor Gene- Semantic N/A 10 Expression Modules (PNAS. Maximilian Diehn. et al. 2007) [18]
Radiogenomic Mapping of Edema/Cellular Invasion MRI-Phenotypes in Manual Segm+Computational Manual 3 GBM (PLoS One. Zinn PO. et al. 2011) [19]
Illuminating Radiogenomic Characteristics of GBM through Integration of Semantic N/A 6 MR imaging, messenger RNA.... (Radiology. Jamshidi N et al. 2014) [20]
Glioblastoma Multiforme: Exploratory Radiogenomic Analysis by Using Semantic+Computational Manual 54 Quantitative Image Features (Radiology. Gevaert O. et al. 2014) [10]
enhancing에 따라 특징이 다르므로 조직 구성별 특징으로 이 용된다. 이외에도 동적 증강 패턴을 반영하고 있는 동적 특징, 인접한 계조도의 동시발생 (gray-level co-occurrence matrix) 특징을 이용하여 대조, 에너지, 균질성 등의 특징을 전산적 특징으로 사용할 수 있다. 영상에서 추출된 다양한 특 징들은 의미있는 것과 그렇지 않은 특징들로 분류하여 암의 유 전적 특성과 상관관계를 분석함으로써 향후 치료 및 진료계획 등에 이용할 수 있다.
영상유전체 연구 초기에는 대부분 의미론적 특징을 이용하 는 경향이 있었으나, 최근 발표되는 논문[10, 18-20]에 의하 면 의미론적 특징과 전산적 특징을 동시에 사용하는 연구가 활 발히 진행 되고 있다(표 2).
고 찰
영상표현형 연구를 위한 대규모 데이터 수집과 관리 및 영상 분석 등을 위해서는 몇 가지 해결해야 될 과제들이 있다. 첫 번 째, 각 기관마다 검사 장비의 기종과 영상획득 프로토콜 및 영 상 후처리 방식이 다르다는 점이다. 조영증강 MRI 검사 방법 의 차이는 영상 특징 분석 결과의 차이를 초래 할 수 있다. 이 와 관련하여 QIN과 Quantitative Imaging Biomarker Alliance (QIBA) 등 영상획득과 분석 및 계측(metrology)의 표준화 운동이 RSNA 등 영상관련 학회에 의해 진행되고 있다 [21]. 두 번째, 표현형 연구를 위한 영상 분석 방법의 문제점이 다. 현재까지 정량적 분석을 포괄적으로 진행한 연구가 드물 다. 따라서, 정량적 표현형 데이터 분석을 위해서 대규모 데이 터의 재현성 높은 분석을 할 수 있도록 국제적으로 널리 사용 할 수 있는 프로그램의 개발과 보급이 진행되어야 할 것이다.
세 번째, 컴퓨터 분석 전문가들은 영상 정보학에 대한 이해뿐 만 아니라 암 유전체학 및 생물학에 대한 지식이 필요하다 [20]. 해당 분야 전문가와의 협력체계 구축과 영상유전체 연구 를 수행할 영상의학과 의사의 훈련과 컴퓨터를 이용한 의료- IT 융합분석 전문가의 육성이 진행되어야 한다. 마지막으로 TCGA/TCIA와 같은 한국인 암 영상/지놈 데이터베이스 구축 이 필요하다. 다양한 표현형 연구는 우리나라 암 환자의 조기 진단 및 치료, 예방법 개발에 도움을 줄 것이며 수집된 데이터 는 해외 연구진과 국제협력을 위해 공동활용이 가능할 것이다.
이처럼 영상유전체 분석 분야는 아직까지 개척되지 않은 부 분이 많아 새로운 도전을 할 수 있는 분야이며, 해결해야 할 과 제가 산재해 있다. 위에서 언급한 문제들이 향후 해결된다면 영 상과 유전체 데이터 분석이 암환자 진료에 있어서 중요한 역할 을 담당하는 통합 플랫폼으로 구축될 수 있을 것으로 기대된다.
결 론
TCGA/TCIA가 제공하는 표준화된 영상 데이터와 분석 기 준은 다양한 종양 영상의 표현형 연구를 촉진하기 위한 포괄적 인 노력의 일환으로서 영상의학과 의사들뿐 아니라 컴퓨터 분 석가에게 새로운 도전과 기회를 제공하고 있다. 다양한 종양의 영상 표현형과 분자 생물학적 상관관계에 대한 이해는 새로운 형태의 암 진단과 예후 평가를 가능케 하고, 보다 더 효과적인 치료 및 예방 계획을 수립하는데 이용할 수 있을 것이다.
사 사
이 논문은 2013년도 정부(교육과학기술부)의 재원으로 한국 연구재단의 지원을 받아 수행된 기초연구사업 연구임 (NRF- 2013R1A1A2064317).
참 고 문 헌
1. TCGA: http://cancergenome.nih.gov 2. TCIA: http://cancerimagingarchive.net
3. Cancer Genome Atlas Network. Comprehensive molecular portraits of human breast tumours. Nature 2012;490(7418):61- 70
4. Colen R, Foster I, Gatenby R, et al. NCI workshop report: clin- ical and computational requirements for correlating imaging phenotypes with genomics signatures. Transl Oncol 2014;7(5):
556-569
5. Barker AD, Sigman CC, Kelloff GJ, Hylton NM, Berry DA, Esserman LJ. I-SPY 2: an adaptive breast cancer trial design in the setting of neoadjuvant chemotherapy. Clin Pharmacol Ther. 2009;86(1):97-100
6. Mukhtar RA, Yau C, Rosen M, et al. Clinically meaningful tu- mor reduction rates vary by prechemotherapy MRI phenotype and tumor subtype in the I-SPY 1 TRIAL (CALGB 1500150007/150012; ACRIN 6657). Ann Surg Oncol 2013;
20(12):3823-3830
7. Gutman DA, Cooper LA, Hwang SN, et al. MR imaging pre- dictors of molecular profile and survival: multi-institutional study of the TCGA glioblastoma data set. Radiology 2013;
267(2):560-569
8. Zhou M, Hall L, Goldgof D, et al. Radiologically Defined Ecological Dynamics and Clinical Outcomes in Glioblastoma Multiforme: Preliminary Results. Transl Oncology 2014;7(1):5- 13
9. Rivka RC, Mark V, Jixin W, et al. Imaging genomic mapping of an invasive MRI phenotype predicts patient outcome and metabolic dysfunction: a TCGA glioma phenotype research group project. BMC Medical Genomics 2014;7(30):1-9 10. Olivier G, Lex AM, Achal SA, et al. Glioblastoma Multiforme:
Exploratory Radiogenomic Analysis by Using Quantitative Image Features. Radiology 2014;273(1):168-174
11. 3D Slicer: http://www.slicer.org
12. Balaqurunathan Y, Gu Y, Wang H, et al. Reproducibility and
Prognosis of Quantitative Features Extracted from CT Images.
Trans Oncol 2014;7(1):72-87
13. Kim H, Park CM, Lee SM, Lee HJ, Goo JM. A Comparison of two commercial volumetry software programs in the analysis of pulmonary ground-glass nodules: segmentation capability and measurement accuracy. Korean J. Radiology 2013;14(4):683-691
14. Jung SC, Choi SH, Yeom JA, et al. Cerebral Blood Volume Analysis in Glioblastoma Using Dynamic Susceptibility Contrast-Enhanced Perfusion MRI: A Comparison of Manual and Semiautomatic Segmentation Methods. PLOS One 2013;8(8): e69323
15. Jan E, Tina K, Andriy F, et al. GBM Volumetry using the 3D Slicer Medical Image Computing Platform. Scientific Reports 2013;3(1364):1-7
16. Ying Z, Geoffrey SY, Zhong X, Raymond YH, Hui Y, Kian S,
Hiroto H, Fei C, Stephen TW. Semi-Automatic Segmentation Software for Quantitative Clinical Brain Glioblastoma Evaluation. Academic Radiology 2012;19(8):977-985
17. VASARI: https://wiki.cancerimagingarchive.net/display/
Public/VASARI+Research+Project
18. Maximilian D, Christine N, David SW, et al. Identification of noninvasive imaging surrogates for brain tumor gene-expres- sion modules. PNAS 2007;105(13):5213-5218
19. Pascal OZ, Bhanu M, Pratheesh S, et al. Radiogenomic Mapping of Edema/Cellular Invasion MRI-Phenotypes in GBM. PLOS One 2011;6(10)e25451
20. Jamshidi N, Maximillan D, Markus B, Michael K. Illuminating Radiogenomic Characteristics of GBM through Integration of MR imaging, messenger RNA Expression, and DNA Copy Number Variation. Radiology 2014;270(1):212-222
21. QBI: http://qibawiki.rsna.org/index.php?title=Main_Page
대한의학영상정보학회지 2014;20:19-26
=초 록=
암의 진단과 치료에 있어서 유전정보와 영상표현형간의 연관성을 이용함으로써 효과적인 치료성적을 거두고 자 하는 영상유전체 분석 연구가 대두되고 있다. 이제까지 대규모 유전체 정보의 접근이 개별병원에서는 쉽지 않 았기 때문에 영상 표현형과 다양한 유전자 분류와 비교하는 것이 어려웠으나, 2006년 TCGA 프로젝트가 시작되 면서 영상유전체 연구가 활성화 되었다. TCGA는 대규모 유전체 시퀀싱을 포함한 게놈 분석 기술을 통해 암의 분자생물학적 기초에 대한 이해를 촉진하기 위해 시작되었으며 표준화를 통해 여러 기관의 데이터를 수집하였 다. 또한, TCGA 프로젝트 환자의 고유번호와 연결된 영상 데이터는 TCIA에 저장되고 있으며 표현형 분석에 초 점을 맞추고 있다. 표현형 분석을 위해서는 영상처리 과정이 필수적으로 수반되어야 하며, 정합, 분할, 특징추출 등과 같은 여러 기술이 포괄적으로 활용된다. 영상획득과정에서 환자의 움직임이 발생했을 경우 영상의 정합과 정이 수행되고, 종양에 대한 관심영역을 분할해야 하며, 분할된 관심영역에서 의미있는 특징을 추출하는 과정이 수행되어야 한다. 그리고 영상에서 보이는 특징과 암의 생물학적 특성의 상관관계 분석을 통해서 영상유전체 분 석이 진행된다. 영상유전체 분석 분야는 아직까지 개척되지 않은 부분이 많아 새로운 도전을 할 수 있는 분야이 며, 해결해야 할 과제가 산재해 있다. 그러나 향후 영상과 유전체 데이터 분석이 하나의 통합 플랫폼으로 구축된 다면, 암의 진단과 예후 평가를 가능케 하고, 최선의 생존예측을 가져오는 최선의 치료 옵션을 제공하는데 이용 될 수 있으며, 개인맞춤 의학을 실현하는 도구로 자리잡을 수 있을 것으로 예상된다.
