A Unified Three-Stage Machine Learning Framework for Diabetes Detection, Subtype Discrimination, and Cognitive-Metabolic Hypothesis Testing

기술적 요약: 당뇨병 검출, 아형 구분 및 인지 - 대사 가설 검증을 위한 통합 3 단계 기계 학습 프레임워크

문제 제기
당뇨병 예측에 대한 현재 기계 학습 (ML) 접근법은 세 가지 주요 한계에 직면해 있습니다: (1) 지표 불완전성: 연구들이 종종 재현율 (recall) 과 ROC-AUC 와 같은 임상적으로 중요한 지표보다 정확도 (accuracy) 를 우선시하여 위음성 (false negatives) 을 놓칠 수 있음; (2) 아형 구분 부재: 서로 다른 병인과 관리 요구사항에도 불구하고 제 1 형 (T1DM) 과 제 2 형 (T2DM) 당뇨병이 종종 단일 이진 클래스로 혼동됨; (3) 탐구되지 않은 인지 - 대사 연관성: 특히 중추 인슐린 저항성에 의해 주도되는 신경퇴행성 경로를 가정하는 "제 3 형 당뇨병 (T3DM)" 가설이 공개된 종단 데이터에서 계산적으로 검증되지 않음.

방법론
저자들은 세 가지 서로 다른 데이터 세트를 활용하는 재현 가능한 3 단계 프레임워크를 제안합니다: NCSU 당뇨병 데이터 세트(혼합 인도 코호트), 피마 인디언 당뇨병 데이터베이스(벤치마킹용), 그리고 오하이오 종단 인지 데이터 세트(n=373).

• 1 단계: 이진 당뇨병 검출 및 설명 가능성

  • 데이터 전처리: 범주형 증상은 이진화되었고, 생리적으로 불가능한 0 값은 중앙값으로 대체되었으며, 이상치는 IQR 을 통해 필터링되었고, 특징은 표준화되었습니다.
  • 모델링: 계층적 5 교차 검증을 사용하여 5 가지 지도식 분류기 (SVM-RBF, 로지스틱 회귀, 랜덤 포레스트, 엑스트라 트리, 그래디언트 부스팅) 와 스택킹 앙상블을 훈련시켰습니다.
  • 평가: 모델은 정확도, 균형 잡힌 정확도, 정밀도, 재현율, F1 점수, ROC-AUC 의 여섯 가지 지표를 사용하여 평가되었습니다.
  • 설명 가능성: 상위 성능을 보인 트리 앙상블에 TreeExplainer 를 사용하여 SHAP(SHapley Additive exPlanations) 값을 계산하여 지배적인 예측 생체 표지자를 식별했습니다.

• 2 단계: 비지도 아형 클러스터링

  • 코호트: NCSU 데이터 세트에서 확인된 당뇨병 사례 (DO=1) 로 제한되었습니다.
  • 특징: T1DM/T2DM 분화에 대한 생리학적 관련성에 기반하여 포도당, 인슐린, 나이가 선택되었습니다.
  • 알고리즘: $k$를 2 에서 8 로 변화시키며 K-Means 클러스터링을 적용했습니다.
  • 검증: 세 가지 내부 유효성 지수 (실루엣 계수, Davies-Bouldin 지수, Calinski-Harabasz 점수) 를 사용하여 최적의 $k$를 결정했습니다.

• 3 단계: T3DM 가설 검증

  • 가설 1 (H1): 크루스칼 - 월리스 일원 분산 분석 (ANOVA) 을 사용하여 세 인지 그룹 (치매 없음, 치매, 전환) 간의 혈당 조절에 대한 유의한 차이를 검증했습니다.
  • 가설 2 (H2): 다중 비교를 위해 Holm-Bonferroni 보정을 적용하여 혈당 조절과 인지 기능 (COG-FUNC) 간의 단조 연관성을 검증하기 위해 스피어만 순위 상관관계를 사용했습니다.

주요 결과

• 이진 분류:

  • 성능: SVM-RBF 와 로지스틱 회귀가 각각 $0.825 \pm 0.026$과 $0.825 \pm 0.034$의 가장 높은 ROC-AUC 를 달성했습니다. 랜덤 포레스트는 가장 높은 원시 정확도 ($0.762$) 를 달성했지만 가장 낮은 재현율 ($0.556$) 을 보여 당뇨병 사례를 놓치는 비율이 높음을 나타냈습니다.
  • 테스트 세트: 보유된 테스트 세트에서 SVM-RBF 는 재현율 $0.741$과 ROC-AUC $0.800$을 달성했습니다.
  • 설명 가능성: SHAP 분석은 포도당, BMI, 나이를 지배적인 예측 생체 표지자로 식별했습니다. 다약제 복용과 흡연과 같은 특징은 미미한 예측 기여도 ($|SHAP| < 0.05$) 를 보였습니다.

• 아형 클러스터링:

  • 검증: 실루엣 점수 $\approx 0.116$과 임상적 간결성에 기반하여 2 클러스터 솔루션 ($k=2$) 이 선택되었습니다.
  • 프로파일: 클러스터 0 은 더 낮은 중앙값 인슐린과 더 젊은 나이를 보였으며 (T1DM 표현형과 일치), 클러스터 1 은 더 높은 중앙값 인슐린과 더 나이가 많은 모습을 보였습니다 (T2DM 표현형과 일치). 저자들은 분리가 중간 정도임을 지적하며, 이는 아형 간의 생물학적 중첩을 반영한다고 언급했습니다.

• 인지 - 대사 연관성:

  • 그룹 차이: 크루스칼 - 월리스 검정은 인지 그룹 간 혈당 조절에서 유의한 차이를 찾지 못했습니다 ($p = 0.541$).
  • 상관관계: 혈당 조절과 인지 기능 사이에 통계적으로 유의한 양의 스피어만 상관관계가 발견되었습니다 ($\rho_s = 0.208, p = 5.29 \times 10^{-5}$). 이 결과는 Holm 보정을 통과했습니다 ($p_{Holm} = 1.06 \times 10^{-4}$), 더 나은 대사 조절이 더 높은 인지 기능과 공존하는 중간 정도의 양의 연관성을 지지합니다.

의의 및 주장
이 논문은 당뇨병 연구를 세 가지 축에서 발전시킨다고 주장합니다:

1. 검출 성능: 원시 정확도보다 재현율과 ROC-AUC 를 우선시함으로써, 선별 검사에서 위음성을 최소화하는 임상적 필요성을 해결합니다.
2. 임상 해석 가능성: SHAP 의 사용은 확립된 임상 생체 표지자에 직접 매핑되는 모델-무관 사후 설명을 제공하여 ML 출력에 대한 신뢰를 강화합니다.
3. 다중 유형 범위: 이 프레임워크는 이진 검출을 넘어 아형 구분을 위한 비지도 대리 모델을 제공하고, 종단 인지 데이터에 대한 통계적 가설 검정을 사용하여 T3DM 가설에 대한 최초의 계산적, 공개 데이터 확인을 제공합니다.

저자들은 이 프레임워크가 재현성을 위해 설계되었으며 모든 코드와 데이터 처리 단계가 주석이 달린 Jupyter 노트북으로 공개되었다고 강조합니다. 그들은 클러스터링 단계의 실제 아형 레이블 부재와 T3DM 에 대한 인과 추론을 제한하는 인지 분석의 횡단적 성격과 같은 한계를 겸손하게 지적합니다.