[DEBUG-WINDOW 처리영역 보기]
즐겨찾기  |  뉴스레터  |  오늘의 정보 회원가입   로그인
BRIC홈 한국을 빛내는 사람들
포스텍 융합대학원
배너광고안내
이전
다음
스폰서배너광고 안내  배너1 배너2 배너3 배너4
웹진 Vol.23, No.12 (2021년 12월) 발간
전체보기 한빛사논문 추천논문 상위피인용논문 그이후 한빛사통계
사진없음
윤한결(Han Gyul Yoon) 저자 이메일 보기
성균관대학교 의과대학
저자CV 보기
283 KB
  CV updated 2021-10-31 23:44
  논문초록보기
조회 407  인쇄하기 주소복사 트위터 공유 페이스북 공유 
Machine learning model for predicting excessive muscle loss during neoadjuvant chemoradiotherapy in oesophageal cancer

1. 논문관련 분야의 소개, 동향, 전망을 설명, 연구과정에서 생긴 에피소드

본 연구에서는 수술전 동시항암방사선치료 (Neoadjuvant CCRT)를 받은 식도암 환자들에서 체중과 혈액검사만으로 과도한 골격근량 감소가 발생한 환자군을 스크리닝할 수 있는 머신러닝 모형을 구축하고자 하였습니다. 해당 연구의 시작은 제가 이전에 제1저자로 진행했던 선행 연구 논문으로부터 비롯되었습니다. 당시 저희는 neoadjuvant CCRT를 시행받은 식도암 환자들에서 항암방사선치료 전후 골격근량의 변화 기간을 통일하여 baseline으로부터의 상대적 변화 비율을 계산했을 때 근감소량이 많았던 (over -10.0%/50 days) 환자군이 전체 생존율 및 무병 생존율에서 모두 나쁜 예후를 보이는 것을 밝힌 바 있습니다. 그러나 근육량 측정 자체를 전산화단층촬영 (CT) 영상을 가지고 진행했기 때문에, 환자 상태에 대한 지속적인 평가가 어렵다는 단점이 있었습니다. 당시 과도한 근감소가 체중, 그리고 혈액의 nutritional marker나 inflammatory marker의 상대적 변화량과 연관이 있었던 것에 착안하여 이번 연구를 진행하게 되었습니다.

이를 위해 먼저 환자들을 -10.0%/50 days를 기준으로 골격근 손실이 과도했던 환자군 (excessive skeletal muscle loss)과 그렇지 않았던 환자군(non-excessive skeletal muscle loss)으로 나누었고, 체중 및 nutritional/inflammatory marker들의 상대적 변화량을 입력 변수로 하는 머신러닝 모형들을 구축하여 이진 분류를 진행하였습니다. 다만 단일 기관에서 약 200여 명의 환자 데이터를 대상으로 분석을 진행했기 때문에, dataset의 sample 분포에 따른 bias를 보정하다고 판단되었습니다. 이에 각 set 내의 excessive muscle loss group의 비율은 일정하게 유지하면서 1000번을 random하게 training과 test set으로 나누어 학습 및 평가를 진행하였으며, 이를 통해 각 모형들의 통계량에 대한 95% 신뢰구간을 산출하였습니다.

본 논문의 결과를 계속 발전시켜 나간다면 추후 1차 병원 등에서 시행할 수 있는 간단한 혈액 검사만으로도 암환자들의 근육량 상태 평가 등을 손쉽게 할 수 있으리라 기대합니다. 특히 저희 병원 같은 경우에는 지방에서 암치료를 위해 내원하셨다가 치료 종료 후에는 연고지로 돌아가시는 경우가 많아 환자분들의 영양학적 평가 및 관리에 대한 어려움이 많은데, 이런 측면에서도 도움이 될 수 있으리라 생각합니다.

2. 연구를 진행했던 소속기관 또는 연구소에 대해 소개 부탁드립니다.

저는 현재 삼성서울병원 방사선종양학과에서 레지던트 4년차로 근무하고 있고, 본 연구는 저희 과 오동렬 교수님의 지도 하에 진행되었습니다. 제가 속한 삼성서울병원의 경우 데이터 수집 및 통계 분석에 대해 전공의들도 상담을 받을 수 있도록 체계가 잘 갖춰져 있고, 저 역시 연구 진행에 있어 많은 도움을 받았습니다.

3. 연구 활동 하시면서 평소 느끼신 점 또는 자부심, 보람

Machine learning/deep learning 관련 공부를 시작할 때에만 해도 이렇게 논문 게재 단계까지 이어질 것이라 기대하지는 못하였습니다. 직장 생활을 병행하며 공부하는 것이 쉽지는 않았고 아직도 스스로 공부가 많이 필요하다고 생각합니다만, 이렇게 논문을 통해 실제 임상 환자들에게 유의미할 수 있는 결과들을 조금이나마 제시할 수 있는 기회를 얻게 되어 감사함을 느끼고 있습니다.

4. 이 분야로 진학하려는 후배들 또는 유학준비생들에게 도움이 되는 말씀을 해 주신다면?

아직 누군가에게 조언할 수 있을 정도의 능력이 되지는 않는다고 생각하여 크게 드릴 말씀은 없는 것 같습니다. 저의 경우 수리통계/머신러닝/코딩에 관한 부분을 공부하는 데에 있어 Coursera나 K-MOOC 등에서 제공하는 강의들의 도움을 많이 받았는데요, 이외에도 최근 몇 년간 다양한 곳에서 좋은 강의들이 많이 생긴만큼 저같이 독학을 시작하시려는 분들의 경우 인터넷 등의 매체를 적극적으로 활용하시면 좋을 것 같습니다.

5. 연구 활동과 관련된 앞으로의 계획이 있으시다면?

저도 독학으로 모든 연구 과정을 진행해왔기 때문에 아직도 수리통계적인 부분이나 코딩 측면에서 부족한 점이 많고, 단단한 기초를 바탕으로 한 연구 능력의 필요성을 절감하고 있습니다. 이에 대학원 진학을 결심하게 되었고, 운 좋게도 KAIST AI대학원에 합격하게 되어 내년 봄학기부터 군 대체 복무로 박사 전문연구요원 과정을 시작할 예정에 있습니다. 해당 대학원에 의학 전공자가 진학한 선례가 아직은 없는 것으로 알고 있어 걱정도 되지만, 그만큼 과정을 잘 마쳤을 때 제가 할 수 있는 일들의 폭도 커지지 않을까 생각합니다.

6. 다른 하시고 싶은 이야기들.....

개인적으로 아직은 발전시킬 점들이 많은 연구였다고 생각하는데, 한빛사의 다른 훌륭한 연구들과 함께 소개되는 기회를 얻게 되어 다소 멋쩍으면서도 정말로 감사한 마음일 따름입니다. 아울러 전공의로서는 다소 새로운 분야를 연구하는 것이었음에도 이를 격려해주신 저희 과의 교수님들과 이외에 도움주신 모든 분들께 감사하다는 말씀드리고 싶습니다. 특히 본 논문의 교신저자였던 오동렬 교수님과 데이터 분석에 있어 매번 아낌없는 조언과 도움을 주시는 의학통계연구센터 김경아 교수님 및 소속 연구원분들께 진심으로 감사드립니다.

#Machine Learning #Skeletal Muscle Loss #Esophageal Cancer
Category: Medicine
등록일 2021-11-22
  댓글 0
등록
목록
관련링크
윤한결 님 전체논문보기 >
관련인물
외부링크
ORCID ORCID 0000-0002-9515-1623
Google Scholar
PubMed
위로가기
한빛사 홈  |  한빛사FAQ
 |  BRIC소개  |  이용안내  |  이용약관  |  개인정보처리방침  |  이메일무단수집거부
Copyright © BRIC. All rights reserved.  |  문의
트위터 트위터    페이스북 페이스북   유튜브 유튜브    RSS서비스 RSS
머크 광고