딥러닝은 기계학습의 알고리즘 중의 하나로 의료분야에서는 환자영상정보나 방대한 임상정보를 처리하여 환자의 예후 예측 및 치료 방법 결정의 보조역할을 위한 모델의 개발에 널리 이용되고 있다. 한편 뇌수막종은 가장 흔한 두개내 양성 종양이며, 수술적 완전절제가 표준치료방법이다. 감마나이프(GKS)와 같은 정위적 방사선 수술이 개두술을 시행하지 않는 장점이 있으나, 방사선 괴사 및 방사선에 의해 유발되는 종양 주변 부종이 발생할 수 있다. 이러한 방사선 부작용은 5~24%에 달하지만, 현재까지는 개개인의 종양에 대한 부작용 발생 결과를 예측할 수 없어, 위험인자가 있을 때는 주의깊게 관찰하는 것이 최선이다. 본 연구의 목표는 딥러닝을 이용하여 감마나이프 방사선 수술 후 발생하는 종양 주변 부종(Post-GKS PTE)을 예측하는 모델을 만드는 것으로, 고식적인 방법을 통한 임상데이터의 수집과 통계방법을 이용한 모델을 딥러닝을 이용한 방법과 비교하여 예측능력을 비교하였다.
총 237명의 GKS로 뇌수막종을 치료한 환자를 후향적으로 분석하여 그 중 202명의 환자의 임상정보와 영상정보를 수집하였다. 임상정보를 바탕으로 전통적인 위험인자 분석 및 회귀모델을 만들어 위험인자의 통계적 유의성 및 모델의 성능(AUC: area under the receiver operative curve)을 확인하였다(statistical model). 그리고 임상정보를 바탕으로 한 기계학습모델을 만들어 마찬가지로 모델의 성능을 확인하였다(clinical data model). 또한 환자의 영상정보를 알려진 딥러닝 알고리즘을 이용해 처리한 후, 이를 임상정보와 함께 입력으로 이용하는 복잡 데이터 모델(complex data model)을 만들어 위의 모델들과 성능을 비교하였다. 총 28명의 환자(13.9%)에서 Post-GKS PTE가 발생하였으며, 그 중 방사선 괴사로 진행된 경우는 5명이었다. Statistical model을 통해 분석한 결과, 모델의 AUC값은 0.805로 유의미하게 나타났다. Clinical data model은 AUC가 0.875로 예측 성능이 더 높았으며, complex data model의 경우 0.959로 성능이 크게 향상되었다. 방사선 수술 후 종양 주변 부종의 예측은 뇌수막종의 치료방향을 결정하는데 중요한 정보를 제공할 수 있다. 본 연구는 전통적인 방법으로는 처리가 불가능한 환자의 영상자료까지 포함한 딥러닝 모델을 개발하여 높은 성능의 예측모델을 만들 수 있었다.