OncoChat: 표적 유전체 패널+LLM으로 암 원발 부위 추정과 예후 분류까지 한 번에

요약: OncoChat은 표적 유전체 패널에서 얻는 돌연변이(SNV), 복제수 변이(CNA), 구조변이(SV)와 기본 임상정보를 대형 언어 모델(LLM)로 통합해 69개 종양 유형을 높은 정확도로 분류하고, 원발부위 불명암(CUP, Cancer of unknown primary)에서도 예후 계층화와 치료 정합성에 따른 생존 향상 신호를 보여준 도구입니다. 대규모 AACR Project GENIE 데이터 158,836건으로 개발‧검증되었고, 기존 분류기(OncoNPC, GDD-ENS) 대비 우수한 성능을 보였습니다.

---

🔍 왜 중요한가: CUP 진단 공백을 메우는 실무형 AI 분류기

• 문제: CUP은 영상·병리·분자검사를 거쳐도 원발이 확인되지 않아 경험적 항암치료에 의존하는 경우가 많고, 생존 중앙값 6–16개월로 예후가 불량합니다.
• 해결: OncoChat은 표준 임상 현장에서 널리 쓰이는 표적 유전체 패널만으로 암종 분류+예후 분류까지 지원하여, 부위 특이 치료 선택을 돕는 실무 장점을 제공합니다.

---

🧬 데이터와 모델: 다기관·대규모 GENIE 158,836건, 69개 암종

• 학습/평가 코호트: GENIE 19개 기관, CKP 158,836건(69암종), CUP 4,749건.
• 모델: 임상변수+SNV/CNA/SV를 단일 턴 대화 포맷으로 정제해 **LLM 앙상블(100MB~7B 파라미터)**에 학습. 모델 크기 증가에 따라 성능 우상향.

OncoChat 개발·평가 흐름도, Liu, Jilei et al. “Large language models enable tumor-type classification and localization of cancers of unknown primary from genomic data.” Cell reports. Medicine, 102332. 4 Sep. 2025, Figure 1

---

📊 핵심 성능: 정확도 0.774, F1 0.756, PRAUC 0.810 (69암종, 보류 테스트셋 19,940건)

• OncoChat: 정확도 0.774, F1 0.756, PRAUC 0.810(95% CI 0.803–0.816).
• 비교: OncoNPC(정확도 0.718, F1 0.701), GDD-ENS(정확도 0.616, F1 0.595) 대비 유의하게 우수. 다양한 암종·기관·패널·인구집단에서 일관성 확인.

기준 모델과의 성능 비교, Liu, Jilei et al. “Large language models enable tumor-type classification and localization of cancers of unknown primary from genomic data.” Cell reports. Medicine, 102332. 4 Sep. 2025, Figure 2

---

🧩 구조변이(SV) 통합 효과: PRAUC 0.802→0.831, 정확도 0.766→0.798, F1 0.749→0.781

• SV 추가 시 교모세포종, 성숙 B세포종양 등 난이도 높은 암종에서 정밀도·재현율이 동시 개선. 개별 모델에서도 평균 정확도 +2.7%p, F1 +2.5%p 향상.

SV(구조변이) 포함 시 성능 향상, Liu, Jilei et al. “Large language models enable tumor-type classification and localization of cancers of unknown primary from genomic data.” Cell reports. Medicine, 102332. 4 Sep. 2025, Figure 3

---

🗺️ 해부학적 광범위 암군에서도 견고: GI·흉부·유방·뇌/CNS 등

• 카테고리 수준(11개 광범위 암군)에서도 높은 성능 유지. 예: GI 암군 F1≈0.98.
• CKP 테스트셋에서 카테고리 수준 정확도 0.831 / F1 0.827로 OncoNPC, GDD-ENS 대비 우수.

다양한 암 종을 대상으로 한 성능평가, Liu, Jilei et al. “Large language models enable tumor-type classification and localization of cancers of unknown primary from genomic data.” Cell reports. Medicine, 102332. 4 Sep. 2025, Figure 4

---

🩺 임상적 함의(CUP): 예후 분류와 치료 정합성 신호

• 예후 분류: CUP 719례에서 OncoChat 예측 암종별로 KM 생존곡선이 유의하게 분리(log-rank p<0.001). CKP의 중앙생존과 강한 상관(ρ=0.75).
• 분자 시그니처 정합성: CUP 예측 흑색종에서 UV 시그니처(SBS7), 흡연 관련 SBS4 등 생물학적 일치 확인.
• 독립 확인 코호트: CUP 26례 중 22례의 원발부위를 정확히 특정(84.6%).
• 치료-예측 정합성: CUP 158례에서 예측 암종에 맞춘 치료군이 생존 향상 경향(log-rank p=0.065), 다변량 HR=0.66(95% CI 0.436–1.00, p=0.048).

CUP 코호트 에서의 성능 및 생존예후 연계, Liu, Jilei et al. “Large language models enable tumor-type classification and localization of cancers of unknown primary from genomic data.” Cell reports. Medicine, 102332. 4 Sep. 2025, Figure 5

---

🔎 해석 가능성: 드라이버-암종 정합과 합성치사 패턴까지 포착

• APC–대장암, VHL–신장암, BRAF–흑색종/갑상선, PIK3CA–유방/자궁내막 등 암종별 드라이버와 예측이 일치.
• BRCA–PARP1 합성치사 관계를 주의(attention) 기반으로 포착해 생물학적 타당성을 뒷받침.

---

✅ 실무 포인트 & 한계

강점

• 표적패널 DNA+LLM만으로 암종 분류+예후 계층화를 단일 워크플로에서 수행.
• SV 통합, 다기관·대규모 학습으로 일반화 성능 강화.
• CUP에서 부위 특이 치료 결정 보조 가능성 확인(치료-정합성 HR 0.66).

한계/다음 단계

• 희귀암 표본 불균형 보완 필요, 전향적 대규모 검증 요구.
• 병리 이미지, 전사체, 메틸화, cfDNA 프래그토믹스 등 멀티모달 확장 시 추가 성능 향상 기대.

---

✍️ 한줄평

유전체 패널과 LLM을 통해 CUP의 진단 공백을 메우고 예후·치료 의사결정까지 연결 가능성을 제시한 임상지향 연구입니다.

 

참고문헌 : DOI: 10.1016/j.xcrm.2025.102332