Shin, H., Choi, B. H., Shim, O., Kim, J., Park, Y., Cho, S. K., ... & Choi, Y. (2023). Single test-based diagnosis of multiple cancer types using Exosome-SERS-AI for early stage cancers. Nature communications, 14(1), 1644.
1. 연구 배경 및 목적
•
엑소좀은 암세포에서 직접 분비되는 나노 크기의 세포외 소포체로, 암의 분자 정보를 안정적으로 전달함.
•
SERS는 표면강화 라만 분광법으로, 라벨 없이 생체물질의 조성을 민감하게 검출할 수 있음.
⇒ 따라서 이 연구에서는 혈장에서 추출한 엑소좀의 SERS 신호를 AI로 분석하여, 6종의 암을 단일 검사로 조기 진단하는 것을 목표로 함.
2. 실험 구성 및 분석 흐름
(1) 엑소좀 분리 및 특성 분석
•
분리법: Size-exclusion chromatography(SEC) 사용 → 화학물질을 사용하지 않아 라만 신호에 간섭 없음.
•
확인법:
◦
Western blot: CD9, CD63, CD81, TSG101 등 엑소좀 마커 확인
◦
Cryo-TEM: 형태 관찰
◦
NTA: 농도와 크기 분포 분석 (100–150 nm, 10⁹–10¹⁰ particles/mL)
(2) SERS 칩 제작
•
금 나노입자(AuNP)를 유리 표면에 집적하여 hot spot 생성
•
10개의 detection spot을 가진 칩에서 100개의 SERS 스펙트럼을 한 샘플당 획득
(3) AI 모델 훈련 및 분석 구조
(a) 암 존재 유무 판별 (Binary classification)
•
CNN 기반 MIL(Multiple Instance Learning) 모델 사용
•
입력: 샘플당 100개 SERS 신호 → 출력: [0 (비암), 1 (암)]
•
모델 성능:
◦
AUC = 0.970 (감도 89.4%, 특이도 96.3%)
◦
99% 특이도 조건에서도 감도 72.5% 유지
(b) 암 조직 기원(Tissue of Origin, TOO) 판별
•
One-vs-Rest 방식으로 학습된 CNN 모델 6개 (폐, 유방, 대장, 간, 췌장, 위)
•
성능:
◦
평균 AUC = 0.945 (early-stage 대상)
◦
종양 종류별 평균 감도 87.4%, 특이도 88.3%
(c) 최종 의사결정 시스템
•
Step 1: 암 존재 유무 판별 (score 기준)
•
Step 2: 양성으로 분류된 샘플만 TOO 분류기로 입력
•
Step 3: MLP 기반 통합 모델로 최종 TOO 결정
•
최종 성능:
◦
민감도 90.2%, 특이도 94.4%
◦
조기암 대상: 감도 88.1%, TOO 정확도 75.9%