Precision oncology began with a straightforward premise: sequence the tumor's genome, find actionable mutations, match them to targeted therapies. This approach has produced genuine clinical successes—imatinib for BCR-ABL-positive chronic myeloid leukemia, trastuzumab for HER2-amplified breast cancer, EGFR inhibitors for EGFR-mutant lung cancer. But for the majority of cancer patients, genomic profiling alone does not identify an effective targeted therapy. Tumors are not defined solely by their mutations; they are shaped by gene expression, protein networks, metabolic states, spatial organization within tissue, and the immune microenvironment.

A 2025 review in npj Digital Medicine examines how artificial intelligence—specifically machine learning (ML) and deep learning (DL)—is enabling the integration of these multiple data dimensions into unified models for understanding tumor biology and selecting treatments.

The Multimodal Data Landscape

The review describes how ML/DL methods integrate what the authors characterize as multi-dimensional, multi-omic, spatial pathology, and radiomic data. Each data type captures a different aspect of tumor biology.

Multi-omics encompasses genomics (DNA mutations, copy number alterations), transcriptomics (gene expression), proteomics (protein levels), epigenomics (methylation, chromatin accessibility), and metabolomics (metabolic profiles). Each layer provides partial information; their integration offers a more complete molecular portrait.

Spatial pathology refers to digitized histopathology images analyzed at cellular resolution, often combined with spatial transcriptomics or multiplexed immunofluorescence. These data reveal not just which cells are present but where they are relative to each other—the spatial relationship between tumor cells, immune cells, and stromal cells.

Radiomics extracts quantitative features from clinical imaging (CT, MRI, PET) that are invisible to the human eye—texture patterns, shape irregularities, intensity distributions that correlate with underlying tumor biology.

<

Claim	Source	Verification Status
ML/DL integrates multi-dimensional, multi-omic, spatial pathology, and radiomic data	npj Digital Medicine 2025 abstract	Stated in abstract
Purpose: understand tumor molecular pathways and optimize treatment selection	npj Digital Medicine 2025 abstract	Stated in abstract
Moving precision oncology from genomic-only to genuinely multimodal	npj Digital Medicine 2025 abstract	Stated in abstract

Critical Analysis

Why Integration Is Hard

The conceptual case for multimodal integration is compelling: more data should yield better predictions. The technical reality is considerably more difficult. Each data modality has different dimensionality, noise characteristics, and missingness patterns. Genomic data consists of discrete variants across ~20,000 genes. Transcriptomic data is continuous and high-dimensional. Pathology images contain billions of pixels. Radiomic features are extracted through hand-crafted or learned algorithms with their own biases.

ML/DL models that combine these modalities must handle what is sometimes called the "curse of multimodality": each additional data type increases model complexity, data requirements, and the risk of overfitting. A model trained on 200 patients with complete multi-omic, pathology, and imaging data may capture dataset-specific patterns that do not generalize to new populations.

The Molecular Pathway Question

The review describes how AI helps understand tumor molecular pathways—the signaling cascades and regulatory networks that drive tumor growth. This framing positions AI not merely as a pattern-matching tool (input: data; output: prediction) but as a means of biological discovery. Graph neural networks that model protein-protein interaction networks, attention mechanisms that identify which genomic features interact with which pathology features, and multimodal autoencoders that learn shared representations across data types all contribute to this goal.

The distinction matters because treatment selection based on understood mechanisms is more robust than treatment selection based on correlative prediction. If a model learns that a specific combination of genomic alterations, expression patterns, and spatial immune features predicts response to immunotherapy, and if the underlying biological mechanism is understood (e.g., the combination indicates a T-cell-inflamed microenvironment with intact antigen presentation), clinicians can have greater confidence in the prediction.

From Genomic-Only to Multimodal: Where Are We Really?

The review characterizes a transition from genomic-only precision oncology to genuinely multimodal approaches. This transition is real but uneven. In clinical practice today, most precision oncology decisions still rely on genomic panels (FoundationOne, Tempus, Guardant360) that test for known actionable mutations. Transcriptomic tests exist for specific applications (Oncotype DX for breast cancer recurrence risk, Decipher for prostate cancer). But truly multimodal AI systems that integrate genomics, pathology, and radiology for treatment selection remain largely in the research domain.

The gap between research capability and clinical deployment reflects several barriers: regulatory pathways for multimodal AI diagnostics are underdeveloped; clinical workflows are not designed to ingest and act on multimodal AI outputs; and prospective validation studies demonstrating that multimodal AI improves patient outcomes (not just prediction accuracy) are scarce.

Data Infrastructure Requirements

Multimodal AI in oncology presupposes data infrastructure that most healthcare systems lack. Training these models requires linked datasets: the same patient's genomic data, pathology slides, imaging studies, treatment records, and outcomes, all connected and accessible. In practice, these data often reside in separate systems (genomics in the lab, pathology in the pathology department, imaging in PACS, outcomes in the EHR), with inconsistent identifiers and varying data quality.

Federated learning approaches—where models are trained across institutions without centralizing data—offer a partial solution, but they introduce their own challenges: statistical heterogeneity across sites, communication overhead, and governance complexity.

Open Questions

Clinical validation gap: Which multimodal AI systems have been validated in prospective, randomized trials showing improved patient outcomes (survival, quality of life) compared to standard-of-care treatment selection?

Interpretability: Can multimodal AI models explain their treatment recommendations in terms that oncologists can evaluate and trust? Or do they function as opaque prediction engines?

Equity: Multimodal data generation (whole-genome sequencing, spatial transcriptomics, high-resolution imaging) is expensive. Will multimodal precision oncology widen the gap between well-resourced and under-resourced healthcare systems?

Temporal dynamics: Tumors evolve under treatment pressure. How do static multimodal snapshots account for clonal evolution, treatment resistance, and metastatic progression?

Minimal viable modality: For a given tumor type and clinical decision, what is the minimum combination of data modalities that captures most of the predictive value? Not every patient needs every data type.

Where This Leaves Us

The npj Digital Medicine review maps a field in transition. The technical machinery for multimodal AI in oncology exists and is producing research results that consistently outperform single-modality approaches in retrospective analyses. The clinical translation machinery—regulatory frameworks, data infrastructure, workflow integration, prospective validation—lags behind. Precision oncology's next chapter will be written not in the capabilities of AI models, but in the willingness and ability of healthcare systems to generate, link, and act on multimodal data at scale.

---

면책 조항: 이 게시물은 정보 제공 목적으로 단일 리뷰 논문을 검토한다. 논의된 기술 및 접근법은 다양한 임상 검증 단계에 있다. 인용 전에 원문 출판물에서 모든 주장을 확인하라.

정밀 종양학의 멀티모달화: AI가 오믹스, 병리학, 방사선학을 통합할 때

정밀 종양학은 간단한 전제에서 출발했다. 종양의 게놈을 염기서열 분석하고, 실행 가능한 돌연변이를 찾아, 표적 치료제와 연결한다. 이 접근법은 실질적인 임상적 성공을 거두어 왔다—BCR-ABL 양성 만성 골수성 백혈병에 대한 imatinib, HER2 증폭 유방암에 대한 trastuzumab, EGFR 돌연변이 폐암에 대한 EGFR 억제제가 그 예이다. 그러나 대다수의 암 환자에게 있어 게놈 프로파일링만으로는 효과적인 표적 치료제를 찾지 못한다. 종양은 돌연변이만으로 정의되지 않는다. 종양은 유전자 발현, 단백질 네트워크, 대사 상태, 조직 내 공간적 구성, 그리고 면역 미세환경에 의해 형성된다.

2025년 npj Digital Medicine에 게재된 리뷰는 인공지능—구체적으로 기계 학습(ML)과 딥러닝(DL)—이 이러한 다차원적 데이터를 통합하여 종양 생물학을 이해하고 치료를 선택하기 위한 통합 모델을 어떻게 가능하게 하는지를 검토한다.

멀티모달 데이터 환경

이 리뷰는 ML/DL 방법이 저자들이 다차원적, 다중 오믹스, 공간적 병리학, 그리고 방사선오믹스 데이터로 특성화하는 것들을 어떻게 통합하는지 기술한다. 각 데이터 유형은 종양 생물학의 서로 다른 측면을 포착한다.

다중 오믹스는 게노믹스(DNA 돌연변이, 복제 수 변이), 전사체학(유전자 발현), 단백체학(단백질 수준), 에피게노믹스(메틸화, 염색질 접근성), 그리고 대사체학(대사 프로파일)을 포괄한다. 각 층은 부분적인 정보를 제공하며, 이들의 통합은 보다 완전한 분자적 초상을 제공한다.

공간적 병리학은 세포 해상도로 분석된 디지털화된 조직병리학 이미지를 말하며, 종종 공간적 전사체학이나 다중화 면역형광과 결합된다. 이 데이터는 어떤 세포가 존재하는지뿐만 아니라 서로에 대한 상대적 위치—종양 세포, 면역 세포, 기질 세포 간의 공간적 관계—를 드러낸다.

방사선오믹스는 임상 영상(CT, MRI, PET)에서 육안으로는 보이지 않는 정량적 특징—질감 패턴, 형태 불규칙성, 기저 종양 생물학과 상관관계가 있는 강도 분포—을 추출한다.

<

주장	출처	검증 상태
ML/DL이 다차원적, 다중 오믹스, 공간적 병리학, 방사선오믹스 데이터를 통합	npj Digital Medicine 2025 초록	초록에 기술됨
목적: 종양의 분자적 경로 이해 및 치료 선택 최적화	npj Digital Medicine 2025 초록	초록에 기술됨
정밀 종양학을 게놈 단독에서 진정한 멀티모달로 전환	npj Digital Medicine 2025 초록	초록에 기술됨

비판적 분석

통합이 어려운 이유

멀티모달 통합의 개념적 근거는 설득력이 있다. 더 많은 데이터가 더 나은 예측을 가져와야 한다는 것이다. 기술적 현실은 상당히 더 어렵다. 각 데이터 모달리티는 서로 다른 차원성, 잡음 특성, 그리고 결측 패턴을 지닌다. 게놈 데이터는 ~20,000개의 유전자에 걸친 이산적 변이로 구성된다. 전사체 데이터는 연속적이고 고차원적이다. 병리학 이미지는 수십억 개의 픽셀을 포함한다. 방사선오믹스 특징은 자체적인 편향을 지닌 수작업 또는 학습된 알고리즘을 통해 추출된다.

이러한 모달리티를 결합하는 ML/DL 모델은 때때로 "멀티모달리티의 저주"라고 불리는 것을 처리해야 한다. 추가적인 데이터 유형마다 모델의 복잡성, 데이터 요구량, 그리고 과적합의 위험이 증가한다. 완전한 다중 오믹스, 병리학, 영상 데이터를 갖춘 200명의 환자로 훈련된 모델은 새로운 집단에 일반화되지 않는 데이터셋 특이적 패턴을 포착할 수 있다.

분자적 경로 문제

이 리뷰는 AI가 종양 분자 경로—종양 성장을 유도하는 신호 전달 연쇄반응 및 조절 네트워크—를 이해하는 데 어떻게 기여하는지를 기술한다. 이러한 프레이밍은 AI를 단순한 패턴 매칭 도구(입력: 데이터; 출력: 예측)가 아니라 생물학적 발견의 수단으로 자리매김한다. 단백질-단백질 상호작용 네트워크를 모델링하는 그래프 신경망(graph neural network), 어떤 유전체 특징이 어떤 병리 특징과 상호작용하는지 파악하는 어텐션 메커니즘(attention mechanism), 그리고 데이터 유형 전반에 걸쳐 공유 표현을 학습하는 멀티모달 오토인코더(multimodal autoencoder)가 모두 이 목표에 기여한다.

이 구분은 중요한 의미를 갖는다. 이해된 메커니즘에 기반한 치료 선택은 상관적 예측에 기반한 치료 선택보다 더 견고하기 때문이다. 만약 모델이 특정 유전체 변이 조합, 발현 패턴, 공간적 면역 특징이 면역치료 반응을 예측한다는 것을 학습하고, 그 기저 생물학적 메커니즘이 이해된다면(예: 해당 조합이 항원 제시 기능이 온전한 T세포 염증성 미세환경을 나타냄), 임상의는 해당 예측에 더 큰 신뢰를 가질 수 있다.

유전체 단독에서 멀티모달로: 우리는 실제로 어디에 있는가?

이 리뷰는 유전체 단독 정밀 종양학에서 진정한 멀티모달 접근법으로의 전환을 특징짓는다. 이 전환은 실재하지만 불균등하게 진행되고 있다. 오늘날 임상 실무에서 대부분의 정밀 종양학 결정은 여전히 알려진 실행 가능한 돌연변이를 검사하는 유전체 패널(FoundationOne, Tempus, Guardant360)에 의존한다. 전사체 검사는 특정 적용에 대해 존재하지만(유방암 재발 위험에 대한 Oncotype DX, 전립선암에 대한 Decipher), 치료 선택을 위해 유전체학, 병리학, 방사선학을 통합하는 진정한 멀티모달 AI 시스템은 대체로 연구 영역에 머물러 있다.

연구 역량과 임상 도입 사이의 격차는 여러 장벽을 반영한다: 멀티모달 AI 진단에 대한 규제 경로가 미성숙하고, 임상 워크플로우는 멀티모달 AI 출력을 수용하고 활용하도록 설계되어 있지 않으며, 멀티모달 AI가 (단순한 예측 정확도가 아닌) 환자 결과를 개선한다는 것을 입증하는 전향적 검증 연구가 부족하다.

데이터 인프라 요건

종양학에서의 멀티모달 AI는 대부분의 의료 시스템이 갖추지 못한 데이터 인프라를 전제로 한다. 이러한 모델을 훈련하려면 연계된 데이터셋이 필요하다: 동일 환자의 유전체 데이터, 병리 슬라이드, 영상 검사, 치료 기록, 그리고 결과 데이터가 모두 연결되고 접근 가능해야 한다. 실제로 이 데이터들은 종종 별도의 시스템에 분산되어 있으며(유전체는 실험실, 병리는 병리과, 영상은 PACS, 결과는 EHR), 식별자가 일관되지 않고 데이터 품질도 다양하다.

연합 학습(federated learning) 접근법—데이터를 중앙화하지 않고 여러 기관에 걸쳐 모델을 훈련하는 방식—은 부분적인 해결책을 제시하지만, 기관 간 통계적 이질성, 통신 오버헤드, 거버넌스 복잡성 등 고유한 과제를 수반한다.

미해결 질문

임상 검증 격차: 표준 치료 선택과 비교하여 개선된 환자 결과(생존율, 삶의 질)를 보여주는 전향적 무작위 시험에서 검증된 멀티모달 AI 시스템은 무엇인가?

해석 가능성: 멀티모달 AI 모델은 종양 전문의가 평가하고 신뢰할 수 있는 방식으로 치료 권고를 설명할 수 있는가? 아니면 불투명한 예측 엔진으로 기능하는가?

형평성: 멀티모달 데이터 생성(전장 유전체 시퀀싱, 공간 전사체학, 고해상도 영상)은 비용이 많이 든다. 멀티모달 정밀 종양학은 자원이 풍부한 의료 시스템과 자원이 부족한 의료 시스템 간의 격차를 더욱 심화시킬 것인가?

시간적 역학: 종양은 치료 압력 하에 진화한다. 정적 멀티모달 스냅샷은 클론 진화, 치료 내성, 전이 진행을 어떻게 반영하는가?

최소 유효 모달리티: 주어진 종양 유형과 임상적 결정에 대해, 예측 가치의 대부분을 포착하는 데이터 모달리티의 최소 조합은 무엇인가? 모든 환자에게 모든 데이터 유형이 필요한 것은 아니다.

현재 상황 정리

npj Digital Medicine 리뷰는 전환점에 있는 분야를 조망한다. 종양학에서 멀티모달 AI를 위한 기술적 기반은 이미 갖추어져 있으며, 후향적 분석에서 단일 모달리티 접근법을 일관되게 능가하는 연구 결과를 지속적으로 산출하고 있다. 그러나 임상 전환을 위한 기반—규제 체계, 데이터 인프라, 워크플로우 통합, 전향적 검증—은 아직 뒤처져 있다. 정밀 종양학의 다음 장은 AI 모델의 역량이 아니라, 의료 시스템이 대규모로 멀티모달 데이터를 생성하고, 연계하며, 활용하고자 하는 의지와 능력에 의해 써질 것이다.

---