How important are the genes to explain the outcome - the asymmetric Shapley value as an honest importance metric for high-dimensional features

이 논문은 임상 예측 모델에서 유전체와 같은 고차원 특징의 중요성을 평가할 때 기존 방법의 한계를 극복하고, 비대칭 샤플리 값을 활용하여 변수 간의 인과 방향성과 공선성을 고려한 정직한 중요도 측정 지표와 효율적인 계산 알고리즘을 제안합니다.

핵심

1. 문제: "유전자가 쓸모없다?"는 오해

상황:
의사들이 암 환자의 생존 기간을 예측할 때, 환자의 나이, 성별, 병기 (질병의 단계) 같은 **'기존 임상 정보'**와 수만 개의 **'유전자 정보'**를 함께 사용합니다.

기존 방식의 실수:
기존에는 "유전자 정보를 빼고 예측하면 정확도가 얼마나 떨어지는가?"를 확인했습니다. 그런데 여기서 문제가 생깁니다.

• 비유: imagine(상상해 보세요) 축구 경기에서 **공격수 (유전자)**가 골을 넣으려 할 때, **미드필더 (질병 상태)**가 공을 잘 넘겨주는 상황을 생각해 봅시다.
• 만약 공격수를 팀에서 빼고 미드필더만 남긴다면, 미드필더가 공을 직접 골대 앞으로 가져가서 점수를 낼 수도 있습니다.
• 결과적으로 "공격수를 빼도 점수가 크게 떨어지지 않네? 그럼 공격수는 중요하지 않구나!"라고 결론 내리게 됩니다.
• 현실: 하지만 실제로는 공격수가 골을 넣는 데 결정적인 역할을 했을 텐데, 미드필더가 그 역할을 대신해 버린 것입니다. 이를 통계학에서는 **'공선성 (Collinearity)'**이라고 합니다.

또한, 원인과 결과의 순서를 무시합니다. 유전자의 변화가 먼저 일어나고, 이게 질병 상태를 만들고, 최종적으로 생존 기간에 영향을 줍니다. 하지만 기존 방식은 이 순서를 무시하고 그냥 "다 같이 섞어서" 중요도를 계산합니다.

2. 해결책: "비대칭 샤플리 값" (Asymmetric Shapley Value)

저자들은 이 문제를 해결하기 위해 **'비대칭 샤플리 값'**이라는 새로운 측정 도구를 제안합니다.

비유: "팀워크와 역할 분담을 고려한 점수 계산"
이 방법은 팀원들의 기여도를 계산할 때, 누가 먼저 공을 받았는지, 누가 누구에게 공을 넘겨줬는지를 고려합니다.

• 대칭적 (기존) 방식: 모든 팀원이 동등하다고 가정합니다. "공을 받은 순서와 상관없이, 팀원 A 가 없으면 팀이 얼마나 나빠지는지"만 봅니다.
• 비대칭적 (새로운) 방식: **"유전자 (G) → 질병 상태 (D) → 결과 (Y)"**라는 순서가 있다는 것을 인정합니다.
  • 유전자가 먼저 변해서 질병 상태를 만들고, 그게 결과에 영향을 준다면, 유전자의 기여도는 질병 상태가 대신해 준 부분까지 포함해서 계산해야 합니다.
  • 마치 "미드필더가 공을 넘겨준 것은 공격수의 공을 받아 골을 넣을 수 있게 한 간접적인 도움"으로 인정해 주는 것과 같습니다.

이 방식을 쓰면, 유전자가 질병 상태를 매개로 (중개하여) 결과에 미치는 영향까지 모두 포함해서 **"유전자는 정말 중요하다!"**는 사실을 제대로 파악할 수 있습니다.

3. 어떻게 계산할까? (기술적인 부분의 단순화)

이론은 좋지만, 유전자가 수만 개나 되니 계산하기가 너무 어렵습니다. 마치 수만 명의 축구 선수 조합을 모두 시뮬레이션하는 것과 비슷하죠.

저자들은 이 문제를 해결하기 위해 몇 가지 clever(영리한) 방법을 썼습니다:

1. 그룹화: 수만 개의 유전자를 하나로 묶거나, 몇 가지 핵심 요약 지표 (예: 유전자 패턴의 군집) 로 줄여서 계산합니다.
2. 가상 시나리오 생성: 모든 조합을 다 계산하지 않고, 중요한 조합 위주로 '가상의 시나리오'를 뽑아내어 빠르게 추정합니다. (중요도 샘플링)
3. 의존성 모델링: 유전자와 질병 상태, 나이 등이 서로 어떻게 영향을 주고받는지 (상관관계) 를 고려해서 계산합니다.

4. 실제 적용: 대장암 환자의 생존 예측

이론을 실제 데이터에 적용해 보았습니다.

• 데이터: 대장암 환자 845 명의 데이터 (유전자 정보, 질병 단계, 나이, 성별 등).
• 결과:
  • 기존 방식 (대칭적) 으로 보면 유전자의 중요도는 낮게 나왔습니다. (질병 단계가 유전자의 역할을 대신해 버렸기 때문).
  • **새로운 방식 (비대칭적)**으로 계산하니, 유전자의 중요도가 훨씬 크게 나타났습니다.
  • 특히, 질병이 진행된 단계 (3 기, 4 기) 인 환자들에게서 유전자의 영향력이 더 크게 드러났습니다. 즉, 질병이 진행될수록 유전자가 생존 예측에 더 결정적인 역할을 한다는 것을 발견한 것입니다.

5. 결론: 왜 이 논문이 중요한가?

이 논문은 "유전자가 질병에 영향을 미치지 않는다"는 잘못된 결론을 내리는 것을 막아줍니다.

• 기존: "유전자를 빼도 예측이 잘 되네? 유전자는 쓸모없어." (오해)
• 새로운 방법: "유전자가 질병 상태를 통해 결과에 영향을 주었어. 그 역할을 제대로 인정하면 유전자는 정말 중요해." (정확한 이해)

이 방법은 의사가 환자에게 "유전자 검사 결과가 당신의 예후를 결정하는 핵심 요소입니다"라고 더 확신을 가지고 말할 수 있게 도와주며, 인공지능 (AI) 이 내린 판단이 왜 그런지 그 이유를 공정하고 투명하게 설명해 주는 도구가 됩니다.

한 줄 요약:

**"유전자가 질병을 통해 결과를 만든다면, 그 모든 역할을 인정해 주는 새로운 공정한 점수 계산법"**을 개발했습니다.

기술 요약

이 논문은 임상 예측 모델에서 고차원 유전체 데이터 (Genomics) 와 저차원 임상 변수 (Disease state, Confounders 등) 가 혼합된 환경에서 **특징 중요도 (Feature Importance)**를 평가할 때 발생하는 한계를 지적하고, 이를 해결하기 위해 **비대칭 샤플리 값 (Asymmetric Shapley Values)**을 제안합니다.

주요 내용은 다음과 같습니다.

1. 문제 제기 (Problem)

임상 예측에서 고차원 유전체 데이터의 중요성을 평가할 때, 기존에 널리 쓰이는 **'한 번에 하나의 변수를 제거하고 예측 성능의 변화를 측정하는 방법 (Leave-one-feature-out)'**은 두 가지 심각한 결함이 있습니다.

• 상관관계 (Collinearity) 무시: 유전체 변수와 다른 임상 변수 간에 높은 상관관계가 존재할 경우, 유전체 변수를 제거하더라도 다른 변수가 그 역할을 대신하여 성능 저하가 미미하게 나타납니다. 이로 인해 유전체 데이터의 실제 중요성이 과소평가됩니다.
• 인과적 방향성 (Causal Directionality) 무시: 유전체 변이는 종종 질병 상태 (Disease state) 의 원인이 되거나, 질병 상태를 매개하여 결과 (Outcome) 에 영향을 줍니다. 기존 대칭적 샤플리 값 (Symmetric Shapley values) 은 변수 간의 인과적 순서나 방향성을 고려하지 않아, 매개 효과 (Mediation effect) 를 정확히 반영하지 못합니다.

2. 방법론 (Methodology)

저자들은 **비대칭 샤플리 값 (Asymmetric Shapley values)**을 혼합 차원 (Mixed-dimensional) 예측 모델에 적용하기 위해 다음과 같은 방법론적 확장을 제안합니다.

• 비대칭 샤플리 값의 그룹화 및 효율적 계산:

  • 유전체 데이터와 같은 고차원 변수 그룹을 하나의 특징 (Feature) 으로 간주하여 계산하는 **그룹 샤플리 값 (Group Shapley values)**을 비대칭 설정에 맞게 확장했습니다.
  • 기존 순서 기반 (Ordering-based) 계산은 계산 비용이 매우 크므로, 허용된 연합 (Coalition) 의 수를 기반으로 한 효율적인 가중치 계산 알고리즘을 개발했습니다.
  • 변수 수가 너무 많아 모든 연합을 열거할 수 없는 경우를 위해, 중요도 샘플링 (Importance Sampling) 기반의 근사 알고리즘을 제안했습니다.

• 조건부 의존성 모델링 (Conditional Dependency Modeling):

  • 샤플리 값 계산 시 변수 간의 의존성을 고려하기 위해 **조건부 샤플리 값 (Conditional SHAP)**을 사용합니다.
  • 고차원 유전체 데이터 ($G_1$) 와 저차원 변수 간의 복잡한 의존성을 직접 모델링하기 어렵기 때문에, **주성분 분석 (PCA)**이나 질병 상태 예측 모델을 통해 유전체 데이터를 저차원 요약 점수 ($q(G_1)$) 로 변환하여 의존성 모델링을 수행합니다. 이는 shapr 패키지의 기존 기능을 활용하도록 설계되었습니다.

• 통계적 추론 (Inference):

  • 학습된 모델에 기반하여 **국소 샤플리 값 (Local Shapley values)**을 전역적 중요도 검정으로 활용하는 두 가지 방법을 제안했습니다.
    1. 반모수적 접근 (Semi-parametric): 샤플리 값을 공변량으로 사용하여 로지스틱/회귀 모델을 적합하고, 우도비 검정 (Likelihood-ratio test) 을 수행.
    2. 비모수적 접근 (Non-parametric): 조건부 독립성 검정을 위해 매칭 (Matching) 및 블록별 치환 (Block-wise permutation) 기법 사용.

3. 주요 기여 (Key Contributions)

1. 비대칭 샤플리 값의 혼합 차원 적용: 고차원 유전체와 저차원 임상 변수가 공존하는 복잡한 임상 예측 시나리오에 비대칭 샤플리 값을 적용할 수 있는 프레임워크를 최초로 체계화했습니다.
2. 계산 효율성 증대: 기존 비대칭 샤플리 값 계산의 병목 현상이었던 순서 기반 가중치 계산을, 연합 기반 가중치와 중요도 샘플링으로 대체하여 대규모 데이터셋 적용을 가능하게 했습니다.
3. 의존성 모델링 전략: 고차원 데이터의 의존성을 저차원 요약 변수를 통해 효율적으로 모델링하는 방법을 제시하여, SHAP 기반 의존성 모델링의 실용성을 높였습니다.
4. 유용한 추론 도구: 국소 샤플리 값을 기반으로 전역적 특징 중요도에 대한 통계적 유의성 검정을 수행할 수 있는 방법을 제시했습니다.

4. 결과 (Results)

색소성 대장암 (Colorectal Cancer) 환자의 무재발 생존 기간 (Progression-free survival) 예측을 위한 실증 분석을 통해 프레임워크를 검증했습니다.

• 비대칭 vs 대칭: 비대칭 샤플리 값을 적용했을 때, 유전체 변수 (Genes) 의 중요도가 대칭적 샤플리 값에 비해 상대적으로 증가하고, 질병 상태 (Disease state) 의 중요도는 감소하는 경향을 보였습니다. 이는 유전체 효과가 질병 상태를 매개로 결과에 영향을 준다는 점을 샤플리 값이 올바르게 반영했기 때문입니다.
• 매개 효과 포착: 비대칭 샤플리 값은 질병 상태가 유전체 효과의 매개자 (Mediator) 역할을 할 때, 유전체 변수의 중요도가 질병 상태에 따라 어떻게 변하는지 (예: 말기 환자에서 유전체 정보의 중요도 증가) 를 대칭적 방법보다 명확하게 포착했습니다.
• 성능 지표 분해: C-index 와 같은 예측 성능 지표를 각 특징의 기여도로 분해 (SAGE) 하여 해석 가능한 글로벌 중요도 지표를 제공했습니다.
• 기존 방법과의 비교: '한 변수 제거' 방식은 유전체 데이터의 중요성을 과소평가하는 경향이 있었으며, 재적합 (Refitting) 기반 샤플리 값은 비선형 효과를 제대로 포착하지 못하는 반면, 제안된 조건부 샤플리 값 (SHAP) 이 우월한 성능을 보였습니다.

5. 의의 및 결론 (Significance)

이 논문은 고차원 유전체 데이터와 임상 변수가 혼합된 환경에서 인과적 방향성과 상관관계를 동시에 고려한 공정한 특징 중요도 평가를 가능하게 합니다.

• 임상적 함의: 유전체 데이터가 질병 예측에 얼마나 중요한지, 그리고 질병 상태가 그 매개 역할을 하는지를 정량화함으로써, 유전체 기반 예측 모델의 해석 가능성을 높이고 임상적 의사결정을 지원합니다.
• 방법론적 확장: 샤플리 값 기반 설명 기법을 단순한 대칭적 모델에서 인과 구조가 있는 복잡한 모델로 확장하여, 유전체학뿐만 아니라 다양한 고차원 데이터가 포함된 예측 모델의 해석에 표준적인 접근법을 제시합니다.
• 실용성: 제안된 알고리즘은 GeneSHAP이라는 R 패키지로 구현되어 공개되었으며, 실제 임상 데이터 분석에 바로 적용 가능하도록 설계되었습니다.

요약하자면, 이 연구는 비대칭 샤플리 값을 통해 유전체 데이터의 **간접적 효과 (매개 효과)**와 상관관계를 정확히 반영한 새로운 중요도 평가 체계를 제시함으로써, 임상 예측 모델의 해석 신뢰도를 크게 향상시켰습니다.