📊 statistics

KAPLAN: Kolmogorov-Arnold Prognostic Learnable Activation Networks for Survival Analysis

본 논문은 수동적 지정 없이 복잡한 공변량 상호작용과 시간 의존적 효과를 자동으로 학습하며 임상 데이터셋 전반에서 차원 독립적 수렴 속도와 우수한 예측 성능을 제공하는 생존 분석을 위한 B-스플라인 콜모고로프-아르논 네트워크인 KAPLAN-HR 을 소개한다.

원저자: Stelios Boulitsakis Logothetis, Angela Wood, Pietro Li ò

게시일 2026-05-25

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Stelios Boulitsakis Logothetis, Angela Wood, Pietro Li ò

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

환자의 진단 후 생존 기간을 예측하려는 의사이거나, 자동차 부품이 언제 고장 날지 추측하려는 정비공이라고 상상해 보세요. 이를 **생존 분석 (Survival Analysis)**이라고 합니다. 까다로운 점은 종종 전체 이야기를 볼 수 없다는 것입니다. 때로는 환자가 이사를 가거나, 자동차가 고장 나기 전에 팔려 나가지요. 당신은 그들이 그 시점까지 적어도 생존했다는 사실만 알 뿐입니다. 이를 '오른쪽 중도절단 (right censoring)'이라고 합니다.

수십 년 동안 통계학자들은 이러한 예측을 위해 **코ックス 모델 (Cox model)**과 같은 도구를 사용해 왔습니다. 코ックス 모델을 매우 단단하고 미리 제작된 집으로 생각하세요. 튼튼하고 이해하기 쉽지만, 나선형 계단이나 천창 (변수 간의 복잡한 상호작용) 을 추가하고 싶다면 직접 설계하고 건설해야 합니다. 세부 사항을 놓치면 그 집 전체가 데이터의 현실에 맞지 않을 수 있습니다.

이제 이 논문에서 소개된 새로운 방법인 KAPLAN-HR이 등장합니다. 저자들 (케임브리지 대학교) 은 **콜모고로프 - 아르놀드 네트워크 (Kolmogorov-Arnold Networks, KANs)**라는 것을 사용하여 이러한 예측 모델을 더 지능적이고 유연하게 구축하는 방법을 제안합니다.

다음은 KAPLAN-HR 의 작동 원리를 간단한 비유로 설명한 것입니다:

1. '레고' 대 '퍼즐'

기존의 딥러닝 모델 (일반적인 신경망과 같은) 은 거대한 단단한 콘크리트 덩어리처럼 생겼습니다. 강력하고 거의 모든 것을 학습할 수 있지만, 이해하기 어렵습니다. 왜 특정 예측을 내렸는지 쉽게 파악할 수 없습니다.

기존의 통계 모델 (GAMs 등) 은 레고 블록 세트와 같습니다. 블록을 끼울 수는 있지만, 각 블록은 '나이가 위험에 미치는 영향'이나 '시간이 위험에 미치는 영향'과 같이 한 가지 단순한 일만 수행합니다. 나이와 시간이 함께 위험에 어떻게 복잡하게 영향을 미치는지 보고 싶다면, 모델에게 그 특정 블록들을 어떻게 끼워야 하는지 직접 지시해야 합니다.

KAPLAN-HR은 스마트한 자기 조립 퍼즐과 같습니다.

연결부: 고정된 숫자 대신, 네트워크의 연결부는 '학습 가능한 함수'입니다. 각 연결부가 데이터에 맞춰 필요한 모양으로 늘어나고 비틀릴 수 있는 유연한 고무줄이라고 상상해 보세요.
레이어:
- 단일 레이어: 레이어를 하나만 사용하면 기존 레고 모델 (GAMs) 과 같은 역할을 합니다. 단순하고 가산적이며 해석이 쉽습니다.
- 다중 레이어: 레이어를 더 쌓으면 고무줄들이 서로 상호작용하기 시작합니다. 이제 모델은 특정 약물이 환자가 특정 나이 이상일 때만 효과가 있는지와 같은 복잡한 관계를 스스로 파악할 수 있습니다. 이를 위해 특정 조합을 찾아보라고 지시할 필요가 없습니다.

2. '차원의 저주'를 깨는 방법

데이터 과학에는 '차원의 저주 (curse of dimensionality)'라는 문제가 있습니다. 이는 계속 커져만 가는 건초더미 속에서 특정 바늘을 찾으려는 것과 같습니다. 보통 모델에 더 많은 변수 (공변량) 를 추가할수록 좋은 답을 얻기 위해 필요한 데이터 양이 폭발적으로 증가합니다.

이 논문은 KAPLAN-HR 이 특별한 초능력을 가지고 있다고 주장합니다: 건초더미의 크기를 무시한다.
저자들은 수학적으로 증명했습니다. 만약 현실 세계의 진실이 이 '유연한 퍼즐' 구조로 설명될 수 있다면, 변수가 5 개든 500 개든 모델의 학습 속도는 동일하게 빠릅니다. 문제가 더 복잡해졌다고 해서 더 느려지거나 더 많은 데이터가 필요하지 않습니다. 이는 의료 데이터셋이 종종 수백 가지의 서로 다른 측정을 포함하기 때문에 매우 중요합니다.

3. '학습' 과정

모델은 어떻게 학습할까요?

데이터 (환자, 시간, 사건 발생 여부) 를 살펴봅니다.
데이터에 가장 잘 맞는 곡선 (위험도, 'hazard') 을 그리려고 시도합니다.
**B-스플라인 (부드러운 수학적 곡선의 일종)**과 약간의 현대적 활성화 함수 (SiLU) 를 결합하여 사용하기 때문에, 너무 날카롭거나 너무 매끄럽지 않으면서 데이터에 완벽하게 맞춰 구부러지고 휘어질 수 있습니다.
수학이 간단한 공식으로 풀기엔 너무 복잡해지기 때문에, 예측을 생존 곡선 (특정 시간까지 생존할 확률) 으로 변환하기 위해 '수치적 적분'이라는 트릭을 사용합니다.

4. 효과가 있었을까? (결과)

저자들은 KAPLAN-HR 을 여섯 개의 실제 임상 데이터셋 (유방암 데이터, 심부전 데이터, 중환자실 환자 기록 포함) 에서 테스트했습니다. 이를 다음과 비교했습니다:

기존 표준 (코ックス 모델).
유연한 레고 모델 (GAMs).
거대한 콘크리트 덩어리 (DeepSurv 및 DeepHit 와 같은 딥러닝 모델).

판단:
KAPLAN-HR 은 챔피언이었습니다.

누가 더 오래 생존할지 예측하는 능력 (구분력) 에서 기존 최우수 모델과 맞먹거나 능가했습니다.
정확한 생존 곡선을 예측하는 데 매우 정밀했습니다 (정확도).
잘 보정되어 있었습니다. 즉, 사건 발생 확률이 20% 라고 예측했다면 실제로 약 20% 의 빈도로 발생했습니다.

중요하게도, 시뮬레이션에서 그들은 데이터가 변수 간 관계의 '비틀림'과 같은 복잡한 상호작용을 가질 때, 기존 모델은 갇혀 더 이상 개선되지 않았지만, KAPLAN-HR 은 더 많은 데이터를 볼수록 계속 좋아졌음을 보여주었습니다.

요약

KAPLAN-HR은 생존 시간과 같은 시간 - 사건 데이터 (time-to-event data) 를 예측하기 위한 새로운 도구입니다. 이는 간단하고 이해하기 쉬운 통계 모델과 복잡하며 블랙박스인 딥러닝 모델 사이의 간극을 메워줍니다. 이는 복잡한 관계를 인간이 수동으로 프로그래밍할 필요 없이 데이터에서 자동으로 발견할 수 있는 유연하고 퍼즐 같은 아키텍처를 사용합니다. 이 논문은 이 방법이 수학적으로 타당하며 (데이터 복잡도에 관계없이 빠르게 학습함) 실제로 효과적임을 (실제 의료 데이터에서 현재 최첨단 기술과 맞먹거나 더 나은 성능을 보임) 증명합니다.

기술 요약: KAPLAN-HR

문제 정의

생존 분석은 정확한 사건 시간이 부분적으로만 관측되는 우측 중도절단 하에서 사건 발생 시간 분포를 모델링하는 것을 목표로 합니다. Cox 비례 위험 (PH) 모델은 표준이지만, 특징 간 상호작용을 수동으로 지정해야 하며 시간 불변의 공변량 효과를 가정하므로 풍부한 임상 데이터셋에서는 점점 비실용적이 되고 있습니다. 일반화 가법 모델 (GAM) 과 HARE 와 같은 기존 유연한 대안들은 구조적으로 제한적입니다: GAM 은 수동 상호작용 항을 필요로 하고, HARE 는 고차 상호작용을 표현할 수 없습니다. 반면, 딥러닝 접근법은 구조적 제한을 완화하지만 종종 고전적 모델의 해석 가능성과 가법 구조를 희생합니다. 또한, 최근 콜모고로프-아르놀드 네트워크 (KAN) 의 생존 분석 적용은 유망한 결과를 보이지만, 수렴 속도와 통계적 특성에 관한 공식적 이론 분석은 부족합니다.

방법론: KAPLAN-HR

저자들은 생존 분석을 위한 B-스플라인 KAN 인 KAPLAN-HR(Kolmogorov-Arnold Prognostic Learnable Activation Networks for Survival Analysis) 을 소개하며, 이는 공변량 ( $x$ ) 과 시간 ( $t$ ) 의 결합 함수로서 조건부 위험을 추정하도록 설계되었습니다.

아키텍처

이 모델은 KAN 을 사용하여 로그-위험 함수 $g(x, t)$ 를 매개화하며, 여기서 엣지는 학습 가능한 단변수 함수를 전달하고 노드는 입력을 합산합니다.

엣지 매개화: 각 엣지는 B-스플라인과 잔차 SiLU(Sigmoid Linear Unit) 항의 가중 합으로 구성됩니다.
깊이와 구조:
- 단일 레이어 ( $D=1$ ): $\log \lambda(t|x) = \sum \phi_i(x^{(i)}) + \phi_t(t)$ 인 PH 제한 하에서 가법 B-스플라인 GAM 을 복원합니다.
- 심층 아키텍처 ( $D \ge 2$ ): 합성을 통해 더 깊은 레이어는 공변량 상호작용과 시간 변화 효과를 포착하여 가법성과 비례 위험 제한을 모두 제거합니다.
학습: 모델은 관측 데이터의 음의 로그 가능도 (NLL) 를 최소화합니다. KAN 모델링된 위험에 대해 누적 위험 $\Lambda(t|x) = \int_0^t \lambda(s|x) ds$ 에 대한 폐형식이 없으므로, 저자들은 이산 시간 그리드에서 수치적 적분 (오른쪽 끝점 직사각형 규칙) 을 사용하여 이를 근사합니다.

이론적 분석

이 논문은 체어 (sieves) 방법을 사용하여 KAPLAN-HR 추정량의 수렴 속도를 확립합니다.

가정: 실제 로그-위험 $g^*$ 는 매끄러운 단변수 함수의 계층적 합성으로 표현 가능한 함수 클래스 ( $FKAN_r$ ) 내에 있다고 가정합니다. 중도절단은 공변량 조건 하에서 사건 시간과 독립적이라고 가정합니다.
수렴 속도: 저자들은 추정된 로그-위험과 실제 로그-위험 사이의 헬링거 거리가 $O_P(n^{-r/(2r+1)}\sqrt{\log n})$ 의 속도로 수렴함을 증명합니다. 여기서 $r$ 은 매끄러움 지수입니다.
속도의 중요성: 결정적으로 이 속도는 공변량 차원에 의존하지 않고 (로그 인자까지), 오직 표현의 매끄러움과 표본 크기에만 의존합니다. 이는 KAN 으로 표현 가능한 목표에 대해 KAPLAN-HR 이 차원의 저주를 완화함을 시사합니다.

주요 기여

모델 제안: KAPLAN-HR 은 가법 스플라인 기반 위험 모델과 딥 생존 모델 사이의 가교 역할을 하며, 네트워크 깊이는 구조적 완화 수준 (가법에서 상호작용으로) 을 제어합니다.
이론적 보장: 이 논문은 KAN 기반 생존 모델에 대한 최초의 공식적 수렴 속도를 제공하며, KAN 으로 표현 가능한 목표에 대한 차원 독립성을 입증합니다.
실증적 검증: 여섯 가지 임상 벤치마크 데이터셋과 시뮬레이션 연구를 통한 광범위한 평가.

실험 결과

시뮬레이션

저자들은 다양한 매끄러움과 상호작용 구조를 가진 네 가지 데이터 생성 과정 (DGP) 을 테스트했습니다:

수렴: KAPLAN-HR 은 모든 DGP 에 걸쳐 예측된 수렴 속도 ( $n^{-r/(2r+1)}$ ) 를 추적했습니다.
상호작용: GAM 은 가법 DGP(DGP-1, DGP-2) 에서는 수렴했으나 상호작용이 많은 DGP(DGP-3, DGP-4) 에서는 정체되었습니다. 반면 KAPLAN-HR 은 계속 개선되어 가법 모델이 포착하지 못하는 상호작용을 포착할 수 있음을 보여주었습니다.

임상 벤치마크

KAPLAN-HR 은 구별력 (C-TD), 생존 정확도 (IBS), 보정 (ICI, D-CAL) 을 사용하여 여섯 가지 표준 데이터셋 (METABRIC, MIMIC-III, RotGBSG, FLCHAIN, NWTCO, SUPPORT) 에서 CoxPH, GAM, HARE, DeepSurv, DeepHit, DSM, CoxKAN 등 아홉 가지 베이스라인과 비교 평가되었습니다.

성능: KAPLAN-HR 은 6 개 데이터셋 중 4 개에서 최고의 C-TD 를, 3 개에서 최고의 IBS 를, 2 개에서 최고의 ICI 를 달성했습니다.
유의성: Holm-Bonferroni 보정을 적용한 윌콕슨 부호 순위 검정에서, KAPLAN-HR 은 FLCHAIN 데이터셋에서 최고의 베이스라인 (DeepSurv) 과 비교하여 통계적으로 유의미한 구별력 개선을 보였습니다. 어떤 지표에서도 유의미한 저하는 관찰되지 않았습니다.
순위: 평균적으로 KAPLAN-HR 은 경쟁력 있는 순위를 기록하여 확립된 통계 및 딥러닝 방법과 일치하거나 종종 초과했습니다.

중요성과 주장

이 논문은 KAPLAN-HR 이 유연성과 해석 가능성 사이의 균형을 맞추는 생존 분석의 원칙적인 접근법을 제공한다고 주장합니다.

이론적 신규성: 주요 기여는 KAN 기반 위험 추정량에 대한 차원 없는 수렴 속도를 확립하는 것으로, 이는 기존 KAN 생존 문헌에서 이전에 다루어지지 않았던 이론적 격차입니다.
실용적 유용성: 이 방법은 수동 지정 없이 복잡한 상호작용과 시간 변화 효과를 성공적으로 포착하여 실제 임상 데이터에서 최첨단 모델을 능가하거나 일치시킵니다.
한계: 저자들은 수렴 결과가 실제 로그-위험이 KAN 으로 표현 가능하다는 구조적 가정에 의존하며, 이는 모든 실제 시나리오에서 성립하지 않을 수 있음을 지적합니다. 또한, 이론적 보장은 유한 표본 성능이 아닌 점근적 행동을 설명합니다. 논문은 또한 표준 생존 분석 벤치마킹 관행의 알려진 단점도 인정합니다.

결론적으로, KAPLAN-HR 은 KAN 이 생존 분석에 적합함을 보여주며, 이론적으로 근거 있고 차원적으로 강건하며 실증적으로 경쟁력 있는 모델을 제공합니다.