RnDCircle Logo
강정현 연구실
연세대학교 의학과 강정현 교수
대장암
체성분 분석
사코페니아
기본 정보
연구 분야
프로젝트
논문
구성원

강정현 연구실

연세대학교 의학과 강정현 교수

강정현 연구실은 대장암 환자의 예후를 정량 바이오마커로 평가하는 연구를 수행합니다. 디지털 병리 기반으로 H&E whole-slide 이미지에서 종양침윤림프구의 공간 분포를 딥러닝으로 정량화하고, 임상 정보와 함께 다변량 생존분석으로 예후 기여도를 검증합니다. 또한 CT에서 산출한 체성분 지표와 근육지방질, 간지방을 기반으로 위험군을 계층화하며, 수술 전후 CEA·ALBI·PNI 변화 및 NLR-연계 신호를 결합해 예후 예측 정확도를 개선합니다. 더불어 임상·염증 지표로 CT 없이 skeletal muscle gauge를 예측하는 머신러닝 스크리닝 연구를 병행합니다.

대장암체성분 분석사코페니아근육지방증(Myosteatosis)CT 기반 영상지표
대표 연구 분야
연구 영역 전체보기
공간 기반 종양면역미세환경(TIL) 정량화 및 예후 예측 thumbnail
공간 기반 종양면역미세환경(TIL) 정량화 및 예후 예측
Spatial Tumor Immune Microenvironment (TIL) Quantification for Prognostic Prediction
연구 분야 상세보기
연구 성과 추이
표시된 성과는 수집된 데이터 기준으로 산출되며, 일부 차이가 있을 수 있습니다.

5개년 연도별 논문 게재 수

57총합

5개년 연도별 피인용 수

1,064총합
주요 논문
5
논문 전체보기
1
article
|
인용수 10
·
2023
Combined impact of myosteatosis and liver steatosis on prognosis in stage I–III colorectal cancer patients
Dong Hee Lee, Il Jo, Hye Sun Lee, Jeonghyun Kang
IF 9.4 (2023)
Journal of Cachexia Sarcopenia and Muscle
배경: 근육지방증(myosteatosis)과 간 지방증(liver steatosis, LS)은 대장암(CRC) 환자에서 예후와 상관되는 환자 유래 영상 바이오마커로 인식되어 왔다. 그러나 여러 신체 부위에서의 지방 침착을 동시에 고려하는 것의 중요성은 과소평가되어 왔다. 본 연구는 병기 I-III CRC 환자에서 근육지방증과 LS의 결합 효과를 조사하고자 하였다. 방법: 총 616명의 병기 I-III CRC 환자를 포함하였다. 근육지방증은 골격근 방사선밀도(skeletal muscle radiodensity, SMD)로 평가하였고, LS는 간과 비장의 Hounsfield unit 비율(LSR; liver and spleen ratio) 계산을 통해 추정하였다. Cox 비례위험 모형을 이용하여 무병생존기간(DFS)을 평가하였다. 근육지방증과 LS의 조합을 제안하고, 그 감별 성능은 C-index를 통해 비교하였다. 결과: 616명의 참가자 중 중앙값(사분위범위) 연령은 64세(55-72)였고, 240명(38.9%)이 여성이었다. LSR의 중앙값 및 사분위범위는 1.106(0.967-1.225)으로 결정되었다. LSR의 최적 절단값은 1.181로 확인되었으며, 이에 따라 환자를 LSR 저군(410명, 66.5%)과 LSR 고군(206명, 33.4%)으로 분류하였다. 환자 중 200명은 저 SMD군으로, 416명은 고 SMD군으로 분류되었다. 다변수 분석에서 근육지방증과 LS 모두 독립적인 예후 인자로 확인되었다. 이 두 변수를 결합하면 3군 분류가 가능해졌는데, 즉 고 SMD-저 LSR군, 고 SMD-고 LSR군, 저 SMD군이었다. C-index를 비교했을 때, 3군 분류는 근육지방증과 LS를 각각 고려하는 것에 비해 더 우수한 감별 성능을 보였다. 결론: 근육지방증은 예후가 불량함과 연관되었으며, 전이가 없는(non-metastatic) CRC 환자에서는 LS의 존재가 더 나은 예후와 연관되었다. 지방 침윤을 동시에 고려하는 것은 전이가 없는 CRC 환자에서 보다 효과적인 예후 예측 인자가 될 수 있다.
https://doi.org/10.1002/jcsm.13369
Steatosis
Stage (stratigraphy)
Colorectal cancer
Medicine
Internal medicine
Liver steatosis
Gastroenterology
Oncology
Cancer
Fatty liver
2
article
|
인용수 40
·
2023
Albumin‐myosteatosis gauge as a novel prognostic risk factor in patients with non‐metastatic colorectal cancer
Yerim Kim, Jae‐Hoon Lee, Eun‐Suk Cho, Hye Sun Lee, Su‐Jin Shin, Eun Jung Park, Seung Hyuk Baik, Kang Young Lee, Jeonghyun Kang
IF 9.4 (2023)
Journal of Cachexia Sarcopenia and Muscle
배경: 근육지방증(myosteatosis)과 전신 염증은 대장암(colorectal cancer, CRC) 환자에서 잘 알려진 예후 인자이다. 혈청 알부민(serum albumin) 수치는 영양실조와 전신 염증을 반영하며, 이는 근육지방증의 발달에 핵심적인 역할을 한다. 그러나 이러한 상승작용에 대한 연구는 많지 않다. 본 연구는 CRC 환자에서 골격근 질(quality)과 혈청 알부민 수준과 관련된 서로 다른 예후 표지자의 개별 효과 및 상승효과를 살펴보고자 하였다. 방법: 본 연구에는 2006년 7월부터 2014년 2월까지 수술적 절제술을 시행한 병기 I–III CRC 환자를 포함하였다. 골격근지수(skeletal muscle index, SMI)와 골격근 방사밀도(skeletal muscle radiodensity, SMD)는 수술 전 2개월 이내에 획득한 L3 수준의 전산화단층촬영(computed tomography) 영상을 이용하여 산출하였다. 알부민-근육지방증 지표(albumin-myosteatosis gauge, AMG)는 SMD × 알부민으로 정의하였다. 환자들은 AMG에 따라 성별 특이 4분위( G1~G4)로 나누었으며, 연속형 변수 간 비교에는 분산분석(ANOVA)을, 범주형 변수 간 비교에는 카이제곱 검정(chi-square test)을 사용하였다. 콕스 비례위험 모형(Cox proportional hazard models)을 구성하였고, SMD, 알부민 및 AMG의 예후 예측 성능을 비교하기 위해 통합 수신자판별곡선(integrated receiver operating characteristic curve) 분석(iAUC)을 사용하였다. 결과: 전체 906명의 참여자 중 중앙값(사분위범위) 연령은 64세(55–72세)였으며, 365명(40.3%)이 여성이었다. AMG는 합병증 발생, 알부민 수치, SMI 및 SMD와 유의한 상관관계를 보였으며(모두 P < 0.001), 전반적 생존기간(overall survival, OS)은 AMG 군에 따라 유의하게 달랐다. 5년 OS는 G1~G4에서 각각 73.4%, 86.2%, 91.1%, 95.5%였고(P < 0.0001), 단변량 분석에서 SMI, SMD, 알부민 및 AMG 모두 OS의 유의한 개별 예후 표지자였으나, 다변량 분석에서는 AMG만이 유일한 독립 예후 인자로 남았다(G1 vs. G2, P=0.045; G1 vs. G3, P=0.005; G1 vs. G4, 각각 P < 0.001). AMG의 iAUC 값은 [0.681, 95% 신뢰구간(confidence interval, CI)=0.638–0.723] SMD(0.610, 95% CI=0.566–0.654)보다 우수하였으며(부트스트랩 iAUC 평균 차이=0.071, 95% CI=0.034–0.106), SMI(0.551, 95% CI=0.511–0.594)(부트스트랩 iAUC 평균 차이=0.129, 95% CI=0.076–0.181) 및 알부민(0.627, 95% CI=0.585–0.668)(부트스트랩 iAUC 평균 차이=0.053, 95% CI=0.010–0.098)보다도 우수하였다. 결론: 병기 I–III CRC 환자에서 AMG는 생존의 의미 있는 예측 인자이며, SMI, SMD 또는 알부민 단독에 비해 더 우수한 예후 가치를 가진다. 서로 다른 인종 집단에서 이들 지표의 의미를 규명하기 위한 추가 연구가 필요하다.
https://doi.org/10.1002/jcsm.13183
Medicine
Quartile
Interquartile range
Albumin
Internal medicine
Proportional hazards model
Hazard ratio
Colorectal cancer
Sarcopenia
Gastroenterology
3
article
|
·
인용수 1
·
2023
Abstract 5428: Skeletal muscle gauge prediction by a machine learning model in patients with colorectal cancer
Jeonghyun Kang
IF 12.5 (2023)
Cancer Research
초록 배경: 골격근 게이지(Skeletal muscle gauge, SMG)는 최근 암 환자에서 항암화학요법 독성 및 예후 등 임상적 결과를 예측하기 위한 근감소증(sarcopenia)의 영상 지표로 도입되었다. 컴퓨터단층촬영(Computed tomography, CT)은 SMG 측정에 필수이므로, SMG의 활용은 CT를 시행하는 환자로 제한된다. 목적: 우리는 임상적 및 염증성 표지자를 이용하여 대장암(colorectal cancer, CRC) 환자에서 SMG를 예측하는 기계학습 알고리즘을 개발하고자 하였다. 방법: 최소 절대 수축 및 선택 연산자(least absolute shrinkage and selection operator, LASSO) 회귀 모형을 변수 선택 및 예측 시그니처 구축을 위해 훈련 집합에 적용하였다. LASSO 모형의 예측 정확도(예측 SMG 지표인 LP-SMG로 정의)를 검정 집합에서 수신자 조작 특성 곡선 아래 면적(area under the receiver operating characteristic, AUROC) 및 의사결정 곡선 분석(decision curve analysis, DCA)으로 비교하였다. 결과: 총 1,094명의 CRC 환자가 등록되었고, 훈련(n=656)과 검정(n=438) 집합으로 무작위 분류되었다. 저 SMG는 훈련 집합에서 142명(21.6%), 검정 집합에서 90명(20.5%)으로 확인되었다. 검정 집합의 다변량 분석에 따르면, LP-SMG는 저 SMG의 독립적 예측 인자로 확인되었다(OR: 1329.431, CI: 271.684-7667.996, p&lt;.001). 예측 성능은 훈련 집합과 검정 집합에서 유사하였다(AUROC: 0.846 vs. 0.869, p=.427). 검정 집합에서 LP-SMG는 성별, 신장, 체중, 혈색소(hemoglobin)와 같은 단일 임상 변수보다 SMG 예측에서 더 나은 결과를 보였으며, 이는 AUROC 및 DCA로 평가되었다. 결론: 임상 변수와 혈청 염증 지표를 포함한 LP-SMG는 저 SMG 예측에서 단일 변수에 비해 우수한 성능을 나타냈다. 이 기계학습 모형은 치료 기간 동안 CT를 사용하지 않고도 근감소증 상태를 선별하는 도구로 활용될 수 있다. 기계학습 모형의 적용은 기존 CT 기반 진단으로 인한 노력, 비용, 방사선 노출을 줄이는 데 유익할 수 있다. 인용 형식: Jeonghyun Kang. 대장암 환자에서 기계학습 모형을 이용한 골격근 게이지 예측. [초록]. In: American Association for Cancer Research Annual Meeting 2023 Proceedings; Part 1 (정규 및 초청 초록); 2023년 4월 14-19일; 미국 플로리다 주 Orlando. Philadelphia (PA): AACR; Cancer Res 2023;83(7_Suppl):Abstract nr 5428.
http://dx.doi.org/10.1158/1538-7445.am2023-5428
Medicine
Colorectal cancer
Sarcopenia
Lasso (programming language)
Receiver operating characteristic
Cancer
Internal medicine
Test set
Oncology
Algorithm
최신 정부 과제
3
과제 전체보기
1
2022년 5월-2025년 2월
|46,058,000
대장암에서 환자의 체성분과 종양 미세환경의 면역세포 침윤정도의 연관성 분석
▶본 연구 과제를 통하여 대장암 환자에서 body composition과 tumor-microenvironment 의 상관성을 확인하고 이를 바탕으로1) body composition 의 변화가 대장암 환자에서 예후와 관련성을 보이는 기전을 이해함.2) immune related signature 와 관련된 대장암 body composition 의 변화 양...
대장암
체성분
차세대염기서열분석
2
주관|
2022년 5월-2025년 2월
|57,572,000
대장암에서 환자의 체성분과 종양 미세환경의 면역세포 침윤정도의 연관성 분석
▶ 대장암 미세환경에 침윤된 면역세포들을 차세대 염기서열 분석을 통하여 분석하여 환자별 종양 면역체계 프로파일링 및 군집화 확인 ▶ 면역체계 프로파일링 특성들이 대장암 환자의 body composition과 연관성이 있는지를 확인하고 임상데이터와 조합하여 환자의 예후와 연관된 body composition related tumor immune signature 확인 ▶ body composition에 따른 enriched 된 유전자 발현차이가 실제 protein level에서 발현의 차이로 반영되는지와 일반적으로 알려진 tumor microenvironment 와 관련성이 높은 biomarker 들의 발현의 정도를 대장암으로 수술을 시행 받은 환자들의 tissue microarray (TMA) 블록을 이용하여 확인 ▶ 면역치료관련 유전체 발현패턴을 확인하여 대장암 면역치료반응 예상군 선별 연도별 연구 세부 내역 1년차 (2022년): 대장암 환자에서 TMA 생성 및 이를 이용하여 tumor microenvironment의 주요 단백질 발현의 차이 분석. 미세환경 면역 관련 유전체 차별 발현 sequencing을 통한 패턴 분석 및 프로파일링. 2년차 (2023년): 1년차에 이어서 주요 단백질 발현 차이 및 sequencing 데이터 수집 지속. Body composition에 따른 면역 프로파일링 차이를 나타내는 body composition related immune signature 확인. 3년차 (2024년): 대장암 재발 관련 면역 관련 signature를 검증 가능한 다양한 public dataset을 통해 확인 및 면역 치료 반응 예상군 선별.
대장암
체성분
차세대염기서열분석
3
주관|
2020년 8월-2021년 8월
|30,000,000
대장암 환자에서 CT/PET radiomics 및 whole slide image를 이용하여 Immunoscore 예측 알고리즘 개발
▶ 대상환자 : 2007년 1월부터 2013년 12월까지 강남세브란스 병원에서 대장암으로 수술을 시행 받고 5년이상 추적관찰을 시행한 환자 약 1200여명을 대상으로 연구를 시행할 예정임. ▶ 1단계 - 수술 후 보관된 paraffin block 에서 unstained slide (WSIs) 를 제작하여 H&E slide 및 extremely adjacent lesion 의 CD3, CD8 T-cell 면역염색을 시행한 슬라이드 set 를 제작한 후, 고배율의 스캐너를 통해 고해상도의 이미지로 변경함. 이를 통하여 각 환자별 Immunoscore 를 측정할 수 있어 이를 추후에 예측모델을 만들고 validation 을 시행할 때 ground truth 로 활용할 예정임. ▶2단계 - 대상 환자가 수술전 시행한 CT 나 PET에서 각각 tumor lesion 에 대한 radiomics data extraction 을 시행할 예정임. ▶3단계 - 이미 확보된 deep learning 알고리즘을 이용하여 H&E WSIs 에서 tumor infiltrating lymphocytes (TILs) 의 density를 anatomical location 별로 세분하여 측정할 예정임 ▶4단계 - Radiomics data 및 deep learning 기반 H&E WSI based TILs density를 이용하여 Immunoscore 예측하는 machine learning 알고리즘 개발 및 검증을 시행할 계획임. 분석방법: 대상 환자군을 training, and internal validation set 으로 나누어 각각 Immunoscore 예측 알고리즘 model development and performance 측정에 사용할 예정임. 확립된 모델과 임상 변수들을 조합하여 최종적으로 Immunoscore 를 예측하는 nomogram 을 만들어 임상에서 활용하는것을 최종 목표로 하고 있음.
대장암
머신러닝
딥러닝
예후
병리슬라이드
전산화단층촬영
양전자 단층촬영
라디오믹스

주식회사 디써클

대표 장재우,이윤구서울특별시 강남구 역삼로 169, 명우빌딩 2층 (TIPS타운 S2)대표 전화 0507-1312-6417이메일 info@rndcircle.io사업자등록번호 458-87-03380호스팅제공자 구글 클라우드 플랫폼(GCP)

© 2026 RnDcircle. All Rights Reserved.