Stroke Prediction using Clinical and Social Features in Machine Learning

거대한 도서관을 상상해 보세요. 그곳의 모든 책은 한 사람의 인생을 나타냅니다. 이 논문의 목표는 책이 실제로 부서지기 전, 즉 뇌졸중이 발생하기 전에 "부서지기 직전"의 책들을 빠르게 찾아내는 방법을 찾는 것입니다.

다음은 저자가 이 작업을 수행하기 위해 세 가지 유형의 "사서"(머신러닝 모델)를 사용하여 시스템을 구축하려고 시도한 과정에 대한 이야기입니다.

문제: 희귀한 사건

매년 미국에서는 80만 명의 사람들이 뇌졸중을 겪습니다. 이는 40초마다 한 명꼴입니다. 저자는 뇌졸중이 전 세계적으로 사망 및 장애의 두 번째 주요 원인이라고 언급합니다.

문제는 뇌졸중이 발생하지 않는 사람들에 비해 뇌졸중이 발생하는 경우가 매우 드물다는 점입니다. 사용된 데이터 세트(약 5,000명)에서는 100명 중 약 5~6명만이 실제로 뇌졸중을 경험했습니다. 이는 20개의 흰색 구슬이 담긴 양동이에서 단 하나의 빨간색 구슬을 찾는 것과 같습니다.

저자는 컴퓨터 프로그램이 사람의 "통계"(나이, 혈압, BMI(체질량 지수), 직업 유형, 결혼 여부 등)를 살펴보고 위험 여부를 예측하도록 만들고 싶어 했습니다.

황금률: 이 특정 프로젝트에서 가장 중요한 목표는 **미검출(False Negatives)**을 피하는 것이었습니다.

• 미검출(False Negative): 컴퓨터가 "당신은 안전합니다"라고 말했지만, 실제로는 위험한 상태인 경우입니다. 이는 위험합니다. 왜냐하면 그 사람은 생활 습방을 바꿔야 함에도 불구하고 계속 건강하지 못한 생활 방식을 유지할 수 있기 때문입니다.
• 오탐(False Positive): 컴퓨터가 "당신은 위험합니다"라고 말했지만, 실제로는 안전한 경우입니다. 이는 번거롭고 낭비적이지만, 저자는 차라리 조심하는 것이 낫다고 결정했습니다.

세 명의 "사서" (모델들)

저자는 컴퓨터가 이러한 예측을 수행하는 세 가지 다른 방법을 테스트했습니다.

1. 단순 계산기 (로지스틱 회귀 - Logistic Regression)

이 모델을 매우 직관적인 계산기라고 생각하세요. 이 모델은 모든 숫자(나이, 몸무게 등)를 가져와 각 숫자에 특정 "가중치"나 중요도를 부여하고, 이를 모두 더한 뒤 뇌졸중 확률을 백분율로 내놓습니다.

• 작동 방식: 실제로 뇌졸중이 발생한 사람들을 잡아내는 데 뛰어났습니다(높은 "재현율(Recall)"). 약 76%의 실제 사례를 잡아냈습니다.
• 함정: 너무 예민했습니다. 너무 자주 "늑대다!"라고 외쳤습니다. 위험하다고 표시된 100명 중 실제 위험한 사람은 약 16명뿐이었습니다. 나머지 84명은 단순한 오보였습니다.
• 배운 점: 이 모델은 나이가 뇌졸중의 가장 큰 예측 인자임을 확인해주었습니다. 흥ًا하게도, BMI(체중)의 중요성을 의외로 낮게 평가했는데, 이는 의사들이 일반적으로 말하는 내용과 대조됩니다.

2. 깊은 사색가 (밀집 신경망 - Dense Neural Network)

이 모델은 많은 고급 수학 수업을 들은 학생과 같습니다. 여러 층의 "뉴런"을 가지고 정보를 깊이 처리하며, 단순 계산기가 놓칠 수 있는 복잡한 패턴을 찾아냅니다.

• 작동 방식: 전체적으로 가장 정확한 모델이었습니다. 정답을 맞힐 확률이 86.5%였습니다. 또한 단순 계산기보다 "늑대다!"라고 덜 외쳤습니다(높은 정밀도(Precision)).
• 함정: 단순 계산기보다 실제 뇌졸중 사례를 더 많이 놓쳤습니다. 도움이 필요한 사람 중 약 절반을 잡아내는 데 실패했습니다.
• 속도: 학습(데이터로부터 배우는 과정) 속도도 가장 빨랐습니다.

3. 패턴 포착가 (합성곱 신경망 - Convolutional Neural Network)

이 모델은 보통 사진을 보고 고양이를 인식하는 것과 같은 이미지 인식에 사용되지만, 저자는 데이터에서 패턴을 찾기 위해 이를 시도했습니다.

• 작동 방식: 중간 정도의 성능을 보였습니다. "깊은 사색가"만큼 정확하지는 않았지만, "깊은 사색가"보다는 실제 뇌졸중 사례를 더 잘 잡아냈습니다.
• 함정: 학습하는 데 시간이 더 오래 걸렸고, 전체적인 성능은 다른 두 모델보다 떨어졌습니다.

핵심적인 폭로: 트레이드오프 (Trade-Off)

이 논문은 의학에서의 고전적인 갈등인 정확도 vs 안전성을 강조합니다.

• 단순 계산기는 안전성(실제 환자를 거의 모두 잡아냄)에는 뛰어났지만, 정확도(너무 많은 건강한 사람을 위험하다고 표시함)에는 부족했습니다.
• 깊은 사색가는 정확도(건강한 사람을 거의 잘못 표시하지 않음)에는 뛰어났지만, 안전성(실제 환자를 놓침)에는 부족했습니다.

저자는 "깊은 사색가"가 전체적인 점수는 가장 높았지만, 생명을 구하는 것이 목적이라면 이 모델 하나만을 도구로 사용하기에는 너무 많은 실제 뇌졸중 사례를 놓친다는 것을 발견했습니다.

제안된 해결책: 팀워크

단일 모델이 완벽할 수 없기 때문에, 저자는 의료 분야를 위한 "계주 경주" 접근 방식을 제안합니다.

1. 첫 번째 구간: 먼저 단순 계산기를 사용합니다. 이 모델은 (비록 실수를 하더라도) 위험한 사람을 거의 다 잡아내기 때문에, 모든 사람을 걸러내는 넓은 그물 역할을 합니다.
2. 두 번째 구간: 만약 단순 계산기가 누군가를 위험하다고 판단하면, 그 사람을 깊은 사색가에게 넘깁니다. 그러면 이 모델이 더 상세하고 정밀한 검사를 수행하여, 정말로 위험한 사람인지 확인하고 오보를 걸러냅니다.
3. 안전망: 패턴 포착가(CNN)는 결과를 재확인하기 위한 제3의 의견으로 사용될 수 있습니다.

결론

논문은 향로 이 모델들을 더 개선하기 위해서는 더 많은 데이터가 필요하다고 결론짓습니다. 구체적으로, 실제로 뇌졸중을 겪은 사람들에 대한 정보가 더 필요합니다. 현재 데이터는 너무 불균형하기 때문입니다(건강한 사람은 너무 많고, 아픈 사람은 너무 적습니다).

그전까지는 단 하나의 "승자"를 선택하는 것이 아니라, 위험에 처한 사람이 틈 사이로 빠져나가지 않도록 서로 다른 모델들이 협력하여 작동하는 팀 전략을 사용하는 것이 최선의 방법입니다.