난소암은 가장 치명적인 부인과 악성 종양입니다. 환자의 약 60%가 진행된 단계에서 진단되며, 이와 관련된 5년 생존율은 약 30%입니다. 선행 화학요법 (Neoadjuvant chemotherapy)에 반응하지 않는 환자를 조기에 식별하는 것은 효과 없는 치료를 방지하고 최적의 수술적 관리가 지연되는 것을 피할 수 있기 때문에 여전히 해결되지 않은 핵심적인 요구 사항으로 남아 있습니다. 본 연구는 자동으로 도출된 3D 병변 마스크 (Lesion masks)를 활용하여, 치료 전 조영 증강 CT (Contrast-enhanced CT)로부터 선행 화학요법 반응을 예측하는 비침습적 딥러닝 (Deep learning) 프레임워크를 제안합니다. 이 접근 방식은 부분적으로 미세 조정된 (Fine-tuned) 사전 학습된 이미지 인코더 (Image encoder)를 사용하여 축상 단면 (Axial slices)을 인코딩하고, 어텐션 기반 모듈 (Attention-based module)을 통해 슬라이스 수준의 표현을 볼륨 임베딩 (Volumetric embedding)으로 통합합니다. 학습 과정은 분류 손실 (Classification loss)을 지도 학습 기반 대조 정규화 (Supervised contrastive regularization) 및 하드 네거티브 마이닝 (Hard-negative mining)과 결합하여, 모호한 반응자와 비반응자 사이의 분리 성능을 개선합니다. 이 방법은 European Institute of Oncology (이탈리아 밀라노)의 회고적 단일 센터 코호트(Retrospective single-center cohort)를 기반으로 개발되었으며, 여기에는 280명의 적격 환자(반응자 147명, 비반응자 133명)가 포함되었습니다. 테스트 코호트에서 모델은 0.73의 ROC-AUC (95% CI: 0.58-0.86)와 0.70의 F1-score (95% CI: 0.56-0.82)를 달성했습니다. 전반적으로, 이러한 결과는 제안된 아키텍처가 임상적으로 유의미한 예측 패턴을 학습하며, 영상 기반 계층화 도구 (Imaging-based stratification tool)를 위한 견고한 토대를 제공함을 시사합니다.