Variable Domain Multivariate Functional Principal Component Analysis

본 논문은 단변량 가변 도메인 점수를 통합하고 그 공분산을 평활화함으로써 가변 관측 도메인을 수용하는 새로운 다변량 함수형 주성분 분석 (MFPCA) 방법을 제안하며, 시뮬레이션과 COVID-19 환자 모니터링 데이터에 대한 실제 적용을 통해 기존 접근법보다 우수한 성능을 입증한다.

핵심

이 논문은 간단한 언어와 창의적인 비유를 사용하여 설명합니다.

문제: "불일치 영화" 딜레마

새로운 영화를 리뷰하려는 영화 평론가라고 상상해 보세요. 당신은 같은 영화의 1,000 가지 다른 사본을 가지고 있지만, 한 가지 함정이 있습니다.

• 어떤 사람들은 2 시간짜리 영화를 전체로 보았습니다.
• 어떤 사람들은 잠들어서 처음 30 분만 보았습니다.
• 다른 사람들은 늦게 도착해서 마지막 15 분만 보았습니다.

이제 영화에서 동시에 일어나는 두 가지 요소를 분석한다고 상상해 보세요. 줄거리 반전(변수 1)과 배경 음악(변수 2)입니다.

기존 방식( "빈닝" 접근법)
이러한 데이터를 분석하던 이전 방법들은 "좋아, 모든 사람의 영화에서 처음 30 분만 보자"라고 말하는 것과 같았습니다.

• 문제점: 전체 영화를 본 사람들의 모든 정보를 버리게 됩니다. 마지막에 일어나는 줄거리 반전을 놓치게 되는 것입니다.
• 대안: 청중을 "그룹 A 는 030 분 시청", "그룹 B 는 3060 분 시청"과 같이 그룹으로 나눌 수도 있습니다. 하지만 이는 번거롭습니다. 29 분을 본 사람과 31 분을 본 사람을 완전히 다른 사람으로 취급하는데, 그들의 경험은 거의 동일하기 때문입니다. 이는 이야기를 읽는 대신 "100 페이지짜리 책"과 "101 페이지짜리 책"으로 도서관을 분류하는 것과 같습니다.

**이 논문의 해결책 **(VD-MFPCA)
이 논문은 이러한 "불일치 영화"를 분석하는 새롭고 더 똑똑한 방법을 제시합니다. 데이터를 잘라내거나 모든 사람을 강제로 딱딱한 상자에 넣는 대신, 저자들은 영화의 길이가 이야기를 어떻게 바꾸는지 이해하는 방법을 고안했습니다.

새로운 방법의 작동 원리: "똑똑한 편집자"

저자들은 매우 똑똑한 영화 편집자처럼 작동하는 4 단계 프로세스를 제안합니다.

1. 장면별로 편집하기: 먼저 "줄거리"와 "음악"을 따로 봅니다. 짧은 클립, 중간 길이의 클립, 긴 클립을 본 사람들을 위한 평균적인 줄거리와 음악을 파악합니다. 그들은 짧은 클립의 "평균 줄거리"가 긴 클립의 "평균 줄거리"와 다르게 보인다는 것을 깨닫습니다.
2. 노트 쌓기: 그들은 줄거리 분석에서 얻은 "노트"(점수) 와 음악 분석에서 얻은 "노트"를 각 사람별로 함께 쌓아 올립니다.
3. 마법의 스무디(핵심 혁신) 여기가 천재적인 부분입니다. 그들은 줄거리와 음악 사이의 관계가 영화 길이에 따라 변한다는 것을 깨닫습니다.
   • 비유: 짧은 영화에서는 줄거리와 음악이 매우 밀접하게 연결되어 있지만, 긴 영화에서는 서로 멀어지는 것이라고 상상해 보세요. 기존 방법들은 모든 사람에게서 이 관계가 동일하게 연결되어 있다고 가정했습니다. 이 새로운 방법은 "스무디 블렌더"(수학적으로 페널티 스플라인이라고 함) 를 사용하여 이러한 관계를 부드럽게 혼합합니다. 딱딱한 절단을 강요하지 않고, 영화가 길어질수록 연결이 어떻게 변하는지 보여주는 부드러운 곡선을 생성합니다.
4. 최종 리뷰: 이제 그들은 시청자가 얼마나 오래 보았는지에 따라 그 주제들이 어떻게 변하는지 정확히 알면서, 영화를 설명하는 "주요 주제"(주성분) 를 찾을 수 있습니다.

테스트: 효과가 있었을까?

저자들은 기존 "잘라내기" 방법과 그들의 방법을 비교하기 위해 거대한 시뮬레이션( "가상 영화관") 을 실행했습니다.

• 설정: 그들은 일부 "환자"(또는 영화 시청자) 는 짧은 관찰 시간을, 다른 이들은 긴 관찰 시간을 가진 가짜 데이터를 만들었습니다.
• 결과: 새로운 방법은 훨씬 더 우수했습니다. "영화"를 훨씬 적은 오차로 재구성했습니다. 기존 방법은 첫 장만 읽어서 미스터리 소설의 결말을 추측하려는 것과 같았지만, 새로운 방법은 가진 사람은 전체 책을, 가진 사람은 짧은 장만 읽었음에도 불구하고 전체 이야기를 완벽하게 파악했습니다.

실제 적용 사례: 병원 "생체 신호" 영화

이 방법이 현실에서도 작동함을 증명하기 위해, 저자들은 병원 내 COVID-19 환자들에게 그들의 방법을 적용했습니다.

• 데이터: 그들은 **산소 포화도 **(SpO2)와 체온이라는 두 가지 생체 신호를 추적했습니다.
• 변수 영역: 어떤 환자는 3 일간 병원에 있었고, 다른 환자는 3 개월간 있었습니다. 그들의 "관찰 영화" 길이는 서로 달랐습니다.
• 발견 사항:
  • 평균 이야기: 그들은 장기 입원 환자들은 산소 수치가 낮게 시작해 서서히 개선되는 반면, 단기 입원 환자들은 산소 수치가 안정적임을 볼 수 있었습니다. 체온은 입원 기간과 관계없이 거의 모든 사람이 고열에서 시작해 내려가는 경향을 보였습니다.
  • **"주요 주제" **(PC1) 그들이 찾은 가장 중요한 패턴 (첫 번째 주성분이라고 함) 은 산소와 체온 변화의 특정 조합이었습니다.
  • 예측: 그들은 이 주요 주제에서 "높은 점수"를 받은 환자들이 낮은 점수를 받은 환자 (사망률 7%) 에 비해 사망할 가능성이 훨씬 더 높았다(사망률 25%) 는 것을 발견했습니다.
  • 연령 요인: 나이가 많은 환자들은 자연스럽게 이 "위험한 패턴"에서 더 높은 점수를 받았습니다.

결론

이 논문은 말합니다: 사람들이 다른 시간 동안 관찰되었다고 해서 데이터를 잘라내지 마십시오.

새로운 "변수 영역" 방법을 사용하면 연구자들은 일부 사람은 일주일, 다른 사람은 일 년 동안 관찰되더라도 심박수와 체온과 같은 여러 변화하는 요소들을 동시에 분석할 수 있습니다. 이는 결말을 버리지 않고 전체 이야기를 포착하여 환자 건강에 대한 훨씬 더 정확한 예측으로 이어집니다.

기술 요약

기술 요약: 가변 영역 다변량 함수 주성분 분석

문제 제기
다변량 함수 주성분 분석 (MFPCA) 은 동일한 개체에서 관측된 여러 함수형 변수 (예: 생체 신호의 시계열) 가 포함된 데이터셋의 차원 축소를 위한 표준 기법입니다. 그러나 Happ 와 Greven [2018] 의 포괄적 접근법과 같은 기존 MFPCA 프레임워크는 모든 함수형 관측치가 공통된 고정 영역 (domain) 에서 기록되어야 한다는 중요한 가정에 의존합니다. 실제 응용, 특히 종단적 생의학 연구에서는 이 가정이 자주 위반됩니다. 입원 시기의 차이, 입원 기간의 변동, 또는 조기 탈락과 같은 요인들로 인해 개체들은 서로 다른 관측 기간을 갖게 됩니다. 이로 인해 개체 간에 영역 길이 $T_i$가 변하는 '가변 영역 함수형 데이터'가 발생합니다.

이 문제에 대한 현재의 임시 해결책에는 영역의 공통 부분으로 분석을 제한하여 관측 기간이 긴 개체들의 가치 있는 데이터를 폐기하거나, 유사한 영역 길이를 가진 개체들을 그룹으로 묶는 (binning) 방법이 포함됩니다. 후자는 임의의 이산화를 도입하고 영역 길이에 대한 공분산 구조의 연속적 의존성을 모델링하지 못한다는 단점이 있습니다. Johns 등 [2019] 은 단변량 설정에서 가변 영역을 다루었지만, 여러 변수가 서로 다른, 잠재적으로 구별되는 영역에서 관측되는 다변량 사례를 효과적으로 처리하는 기존 프레임워크는 없습니다.

방법론
저자들은 Johns 등 [2019] 의 단변량 가변 영역 FPCA 를 다변량 설정으로 확장한 새로운 프레임워크인 가변 영역 MFPCA(VD-MFPCA) 를 제안합니다. 방법론은 네 가지 명확한 단계로 진행됩니다:

1. 단변량 가변 영역 FPCA: 각 함수형 변수 $j$에 대해 저자들은 Johns 등 [2019] 의 접근법을 개별적으로 적용합니다. 이는 일반화 가법 모델 (GAM) 프레임워크 내에서 벌점 처리된 얇은 판 스플라인 (PTPS) 을 사용하여 평균 함수 $\mu_j(t, T_i)$와 공분산 함수 $\gamma_j(t, s, T_i)$를 시간 $t$와 영역 길이 $T_i$의 모두에 대한 매끄러운 함수로 모델링하는 과정을 포함합니다. 이를 통해 개체의 영역 길이에 명시적으로 의존하는 단변량 고유함수 $\hat{\psi}^j_k(t, T_i)$와 점수 $\hat{\xi}^j_{ik}(T_i)$가 도출됩니다.
2. 단변량 점수 적층: 각 개체에 대한 단변량 점수들이 단일 벡터 $\xi_i(T_i)$로 적층됩니다.
3. 영역 길이의 함수로서 점수 공분산 모델링: 이것이 핵심 혁신입니다. 저자들은 적층된 점수의 공분산 행렬 $C(T_i) = \text{Cov}(\xi_i | T = T_i)$가 영역 길이에 의존한다는 점을 인식합니다. 고정된 공분산 구조를 가정하는 대신, 경험적 공분산 행렬의 각 고유 요소를 벌점 처리된 스플라인을 사용하여 $T$의 매끄러운 함수로 모델링합니다. 이를 통해 임의의 영역 길이에 대한 매끄러운 공분산 행렬 $\hat{C}(T)$를 추정할 수 있게 됩니다.
4. 다변량 고유분해: 특정 영역 길이 $T$에 대해 추정된 공분산 행렬 $\hat{C}(T)$는 다변량 고유값 $\nu_m(T)$과 고유벡터 $c_m(T)$을 얻기 위해 분해됩니다. 이를 사용하여 시간과 개체의 특정 영역 길이에 모두 의존하는 다변량 점수 $\rho_{im}(T_i)$와 다변량 고유함수 $\Psi^j_m(t, T_i)$를 계산합니다.

주요 기여

• 새로운 프레임워크: 본 논문은 데이터를 절단하거나 개체를 이산화된 그룹으로 묶지 않고 가변 관측 영역을 명시적으로 수용하는 최초의 MFPCA 방법론을 제시합니다.
• 이론적 확장: 단변량 가변 영역 FPCA 프레임워크를 다변량 설정으로 확장하여, 서로 다른 시간 간격에서 관측된 여러 변수 간의 의존 구조를 모델링하는 복잡한 과제를 해결합니다.
• 매끄러운 공분산 모델링: 적층된 점수의 공분산을 영역 길이의 매끄러운 함수로 모델링함으로써, 그룹화 전략이 놓치는 의존 구조의 연속적 변동을 포착합니다.

결과
저자들은 광범위한 시뮬레이션 연구와 실제 사례 적용을 통해 방법을 검증했습니다.

• 시뮬레이션 연구: 제안된 VD-MFPCA 를 '그룹화 (binning)' 접근법 (영역 길이에 따라 개체를 그룹화하고 각 그룹 내 최소 길이로 데이터를 절단) 과 비교했습니다.

  • 재구성 정확도: VD-MFPCA 는 다양한 시나리오에서 50% 에서 80% 이상에 이르는 개선을 보이며, 함수형 관측치 재구성에 있어 그룹화 접근법보다 일관되게 훨씬 낮은 평균 제곱근 오차 (ARMSE) 를 달성했습니다.
  • 고유함수 추정: VD-MFPCA 는 특히 절단된 영역에서의 정보 손실로 인해 그룹화 접근법이 높은 오차를 보인 편향된 영역 길이 분포 (예: 음이항 분포) 하에서 고유함수 추정에서 우수한 정확도를 입증했습니다.
  • 강건성: 제안된 방법은 다양한 표본 크기 ($N=100, 500$), 노이즈 수준, 그리고 영역 분포에 걸쳐 안정적으로 유지된 반면, 그룹화 접근법은 분포의 모양과 사용된 그룹 수에 민감하게 반응했습니다.

• COVID-19 데이터 적용: 이 방법은 입원 기간이 다양 (~3 일에서 ~125 일) 했던 782 명의 입원 COVID-19 환자의 체온과 말초 산소 포화도 (SpO2) 궤적에 적용되었습니다.

  • 영역 의존적 패턴: 분석 결과, 평균 궤적과 분산 구조가 입원 기간에 의존함이 밝혀졌습니다. 예를 들어, 입원 기간이 긴 환자들은 초기 SpO2 수치가 낮다가 점차 개선되는 패턴을 보였는데, 이는 고정 영역 방법에서는 obscured(가려짐) 되었습니다.
  • 임상적 관련성: 첫 번째 주성분 (PC1) 점수는 환자 사망률 및 연령과 강력하게 연관되었으나, 관측 기간 자체와는 연관되지 않았습니다. 이는 해당 방법이 영역 관련 인공물을 내재적인 생리적 변동과 성공적으로 분리함을 확인시켜 줍니다.
  • 예측 가치: 가장 높은 PC1 3 분위수에 속한 환자의 사망률은 25.3% 였으며, 하위 3 분위수는 약 7.5% 였습니다. 이는 해당 방법이 결합된 생체 신호 궤적로부터 예후 정보를 포착할 수 있음을 보여줍니다.

의의 및 주장
본 논문은 VD-MFPCA 가 가변 영역을 가진 다변량 설정에서 차원 축소를 위한 원칙적인 접근법을 제공함으로써 함수형 데이터 분석의 중요한 공백을 메운다고 주장합니다. 저자들은 기존 임시 전략에 비해 재구성 정확도와 고유함수 추정 모두에서 "지대한 이득"을 제공한다고 주장합니다.

이 연구의 의의는 임의의 절단이나 이산화 없이 종단 데이터의 전체 정보 내용을 활용할 수 있는 능력에 있습니다. COVID-19 적용 사례의 맥락에서 저자들은 이 방법이 전통적인 고정 영역 MFPCA 에 의해 놓치거나 편향되었을 가능성이 높은 임상적 결과 (사망률 및 연령 관련 중증도) 를 예측하는 복잡하고 시간에 따라 변하는 생리적 패턴을 포착한다고 강조합니다. 저자들은 이 방법론이 관측 기간이 본질적으로 가변적인 입원 데이터 및 종단 모니터링과 관련된 임상 연구에 특히 유용하다고 결론지었습니다.

본 논문은 한계에 대해 겸손하게 서술하며, 현재 구현은 매우 큰 데이터셋이나 높은 수의 변수에 대해 계산적으로 부담스러울 수 있음을 인정하고, 향후 연구에서 가변 영역 프레임워크 내에서 베이지안 불확실성 정량화와 불규칙하고 희소한 관측치 처리를 탐구할 수 있음을 지적합니다.