Quantum Machine Learning for Colorectal Cancer Data: Anastomotic Leak Classification and Risk Factors

논문 요약: 대장암 데이터에 대한 양자 머신러닝 적용 - 문합 누출 분류 및 위험 요인 분석

1. 연구 배경 및 문제 정의 (Problem)

• 임상적 중요성: 대장암 (CRC) 수술 후 발생하는 가장 치명적인 합병증 중 하나는 **문합 누출 (Anastomotic Leak, AL)**입니다. 이는 장 내용물이 복강으로 유출되어 패혈증이나 복막염을 유발할 수 있어 생명을 위협합니다.
• 데이터의 불균형 문제: 연구에 사용된 임상 데이터 (200 명, 2015-2016 년) 에서 AL 발생률은 약 **14%**로, 소수 클래스 (Positive class) 와 다수 클래스 간의 심각한 불균형 (Class Imbalance) 이 존재합니다.
• 기존 모델의 한계: 전통적인 머신러닝 (ML) 모델은 불균형 데이터에서 소수 클래스 (AL 발생 환자) 를 놓치지 않기 위해 민감도 (Sensitivity) 를 높이면 특이도 (Specificity) 가 급격히 떨어지는 딜레마에 직면합니다. 기존 모델들은 AL 발생을 놓치는 (False Negative) 경우가 많아 임상적으로 위험할 수 있습니다.
• 연구 목표: 양자 머신러닝 (QML) 이 고차원 힐베르트 공간 (Hilbert Space) 을 활용하여 기존 고전적 모델이 포착하지 못하는 복잡한 상관관계를 발견하고, 특히 소수 클래스 (AL) 에 대한 민감도를 향상시킬 수 있는지 검증하는 것.

2. 방법론 (Methodology)

2.1 데이터 및 특징 선택

• 데이터셋: 200 명의 환자 (AL 발생 28 명, 비발생 172 명) 의 임상 데이터.
• 주요 특징 (Features): 통계적 유의성 (Chi-squared test) 과 AIC(아카이케 정보 기준) 를 기반으로 4 가지 주요 변수로 축소:
  1. DM (Diabetes Mellitus): 당뇨병 유무.
  2. Smoking: 흡연 이력.
  3. NoCoil: 경항 배액관 (Transanal drain) 삽입 여부 (보호 요인).
  4. ACSP: 좌결장동맥 보존 여부 (보호 요인).
  • 참고: ICG(형광 혈관조영술) 는 다변량 분석에서 NoCoil 과 중복 효과가 있어 제외됨.

2.2 양자 회로 아키텍처 (Quantum Circuit Architecture)

• 양자 특징 맵 (Feature Map): 4 큐비트 (4-qubit) 회로 사용. ZZFeatureMap을 사용하여 고전 데이터를 2 차원 이상으로 확장된 힐베르트 공간에 매핑. 이는 특징 간의 상호작용 (Entanglement) 을 생성하여 비선형 결정 경계를 학습 가능하게 함.
• 변분 안사츠 (Variational Ansatz): 두 가지 아키텍처 비교:
  1. RealAmplitudes (RA): $R_y$ 게이트와 CNOT 게이트만 사용. 실수 영역의 진폭만 다룸.
  2. EfficientSU2 (ESU2): $R_y$ 및 $R_z$ 게이트를 모두 사용하여 더 높은 표현력 (Expressivity) 을 가짐.
• 학습 과정: 양자 회로의 출력은 파울리-Z 연산자의 기대값을 측정하여 얻으며, 시그모이드 함수를 통해 확률로 변환됨. 손실 함수는 이진 교차 엔트로피 (Binary Cross-Entropy) 사용.

2.3 노이즈 시뮬레이션 및 최적화

• NISQ 환경 모의: Qiskit 의 AerSimulator를 사용하여 단일 큐비트 게이트 오류 확률 0.05 의 **탈분극 노이즈 (Depolarizing Noise)**와 1024 샷 (Shots) 의 샘플링 노이즈를 적용.
• 최적화 알고리즘: 경사 기반 (BFGS, SLSQP) 과 경사 없는 메타휴리스틱 (CMA-ES, COBYLA, SPSA) 등 다양한 옵티마이저를 10 회 독립 실행하여 평균 성능 평가.

3. 주요 결과 (Key Results)

3.1 민감도 vs 특이도 균형의 혁신적 변화

• 고전적 모델 (Logistic Regression, AdaBoost, MLP 등): 특이도 (Specificity) 는 높게 유지 (약 82~94%) 했으나, 민감도 (Sensitivity) 는 66.7% 에 정체됨. 즉, AL 환자를 놓치는 비율이 높음.
• 양자 모델 (QNN): 모든 옵티마이저와 안사츠 조합에서 민감도가 83.3% 로 일관되게 상승함. 특이도는 약 79.4% 수준으로 유지되며, 고전적 모델보다 소수 클래스 식별 능력이 월등히 뛰어남.
  • 의미: 임상적으로 '위험한 누락 (False Negative)'을 줄이는 데 양자 모델이 우월함.

3.2 성능 지표 비교

• AUC (Area Under Curve): 최적의 QNN 구성 (ESU2 + BFGS) 은 0.809의 AUC 를 기록하여, 고전적 모델 중 가장 성능이 좋았던 가우시안 나이브 베이즈 (GNB) 와 동급의 성능을 보임.
• 확률 보정 (Calibration):
  • Brier Score (0.111) 및 **Log Loss (0.372)**에서 ESU2-BFGS 구성이 모든 모델 중 가장 낮은 오차를 기록.
  • 이는 양자 모델이 고전적 모델 (특히 MLP) 보다 예측 확률의 보정 (Calibration) 이 더 우수함을 의미하며, 양자 특징 공간이 데이터 생성 과정을 더 잘 포착함을 시사.

3.3 옵티마이저 및 아키텍처 분석

• CMA-ES: 노이즈가 있는 환경에서 가장 안정적인 수렴을 보였으며, 소수 클래스에 대한 평균 정밀도 (Average Precision) 가 우수함.
• ESU2 vs RA: 경사 기반 옵티마이저 (BFGS, SLSQP) 와 결합 시, 더 복잡한 EfficientSU2 (ESU2) 안사츠가 교차 엔트로피를 더 낮추고 성능이 우수함.

4. 주요 기여 및 의의 (Contributions & Significance)

1. 임상적 위험 예측의 새로운 패러다임: 불균형 임상 데이터에서 고전적 모델이 겪는 '민감도 - 특이도 트레이드오프'를 양자 특징 매핑을 통해 우회하여, 소수 클래스 (AL) 식별 민감도를 16.6% 포인트 (66.7% → 83.3%) 향상시켰음.
2. NISQ 환경에서의 실증: 실제 양자 하드웨어가 아닌 시뮬레이션 환경에서도 노이즈가 존재하는 조건에서 QNN 이 고전적 모델과 동등하거나 더 나은 확률 보정 능력을 보임을 입증.
3. 양자 이점의 구체화: 단순히 계산 속도뿐만 아니라, 고차원 힐베르트 공간으로의 매핑이 복잡한 임상 데이터의 비선형적 상관관계 (특히 소수 클래스의 토폴로지) 를 더 효과적으로 분리해낸다는 것을 통계적으로 입증.
4. 향후 방향 제시: 하드웨어 배포를 위한 노이즈 완화 (Error Mitigation), 확률 보정 기법 (Platt scaling 등) 의 필요성, 그리고 양자 유도 편향 (Quantum Inductive Bias) 연구의 중요성을 제시.

5. 결론

이 연구는 양자 머신러닝이 대장암 수술 후 문합 누출과 같은 희귀하지만 치명적인 합병증을 예측하는 데 있어 고전적 머신러닝을 능가할 수 있는 잠재력을 가짐을 보여줍니다. 특히 ESU2 안사츠와 BFGS 옵티마이저를 결합한 양자 신경망 (QNN) 은 민감도를 크게 높이면서도 확률적 보정을 유지하여, 임상 의사결정에서 '위험한 누락'을 방지하는 데 핵심적인 역할을 할 수 있음을 증명했습니다. 이는 양자 컴퓨팅이 의료 데이터의 불균형 문제를 해결하고, 고전적 알고리즘이 포착하지 못하는 미세한 위험 신호를 잡아내는 새로운 도구로 자리 잡을 수 있음을 시사합니다.