분자 종양 위원회(Molecular tumor board)는 정밀 종양학(precision oncology)을 지원하기 위해 유전체 분석 결과, 임상적 맥락, 치료적 근거를 통합합니다. AI가 이러한 워크플로우에 도입됨에 따라 핵심적인 안전성(safety) 과제는, 전혀 근거가 없는 권고사항과 불완전한 정보, 불량한 ECOG 수행 상태(performance status) 또는 기타 임상적 주의사항으로 인해 여전히 종양내과 전문의의 검토가 필요한 근거 기반 옵션을 구별해내는 것입니다. 본 연구에서는 5가지 적대적 오류 범주와 4가지 안전성 라벨(Supported, Partially Supported, Unsupported, Insufficient Information)을 아우르는 500개의 합성 비소세포폐암 케이스로 구성된 오픈소스 벤치마크(benchmark)인 OpenMTB-Audit을 소개합니다. 8가지 대규모 언어 모델(LLM) 구성 전반에 걸쳐 본 연구는 만연한 과도한 거부(over-refusal) 현상을 확인했습니다. 모든 LLM 구성은 실제 Partially Supported 케이스의 83.3-100%에서 Partially Supported 라벨을 유지하지 못했으며, 임상적으로 보정된 추론보다는 라벨 붕괴를 통해 높은 종합 안전성 점수를 달성했습니다. 이러한 한계를 해결하기 위해, 본 연구에서는 근거 검증, 누락 정보 탐지, 안전성 분류(classification), 기권 결정을 분리하는 결정론적 7개 모듈 프레임워크인 MTB-AuditAgent를 개발했습니다. 이는 과도한 거부를 6.7%로 줄이고 91.2%의 정확도(95% CI: 88.6-93.6%)를 달성합니다. 종양학 전문의 2명이 참여한 주석 연구에서는 정보의 충분성과 치료 최적화 사이의 경계에서 의견 불일치가 집중적으로 발생하는 것을 확인했으며, 이는 임상적으로 유의미한 구분을 보존해야 할 필요성을 강조합니다.
PREDIKTOR는 치료 전 전사체만으로 환자별 약물 반응을 예측하기 위해, DysRegNet으로 구성한 개인화 유전자 조절 네트워크(지식 그래프 뷰)와 LINCS L1000에서 사전학습된 전사체 섭동 뷰를 CLIP 방식의 대조 학습으로 정렬하는 멀티뷰 프레임워크다. TCGA 평가에서 최신 기준 모델을 일관되게 상회하고, I-SPY2 임상시험에 제로샷 전이 시 AUROC를 5.6% 향상시켰으며, 해석 가능한 유전자·경로 기여도를 통해 알려진 기전을 복원한다.
종양 면역 미세환경(TIME)과 관련된 면역 바이오마커를 예측하는 것은 정밀 종양학을 발전시키는 데 중요하지만, 기존 접근 방식은 대부분 단일 이미지 모달리티로 제한되어 있으며 해상도 부족과 상호 보완적인 임상 및 생물학적 정보의 불완전한 활용이라는 문제를 겪고 있습니다. 여기서 우리는 MixTIME을 소개합니다. 이는 전문가 혼합(MoE) 아키텍처를 활용하여 개별 모달리티(이미지 전용(UNIv2), 이미지-텍스트(CONCHv1.5), 이미지-전사체(STPath))에 대해 학습된 병리학 파운데이션 모델을 통합하는 멀티모달 파운데이션 모델로, 헤마톡실린-에오신(HE) 전체 슬라이드 이미지에서 다중 면역 형광(mIF) 단백질 발현을 픽셀 수준과 슬라이드 수준으로 예측합니다. MixTIME은 전문가의 기여에 동적으로 가중치를 부여하는 학습 가능한 라우터를 사용하며, 분포 및 경향성 인식 손실 함수로 학습됩니다. 서로 다른 규모의 두 데이터셋에서 벤치마킹한 결과, MixTIME은 상관관계 메트릭으로 측정했을 때 17개 단백질 마커 전반에 걸쳐 최첨단 성능을 달성했습니다. 예측된 mIF 프로필은 전 세계 여러 기관의 전문 병리학자들에 의해 검증된 공간 도메인 식별, 생존 예측, AI 보조 병리 보고서 생성을 포함한 다운스트림 작업을 실질적으로 향상시킵니다. 또한, MixTIME은 임상 시점에 걸친 단백질 발현 역학의 종적 추적을 가능하게 하며, 종양 미세환경에서 약물 내성 및 면역 억제와 연관된 단백질-유전자 상호작용 패턴을 밝혀냅니다. 종합적으로, MixTIME은 계산 병리학에서 멀티모달 바이오마커 발견 및 임상 전환을 위한 확장 가능한 프레임워크를 제공합니다.