기술 요약: 결측 모달리티 환경에서의 다중 모달 생존 예측을 위한 증거적 융합 네트워크 (Evidential Fusion Network)

문제 정의

정밀 종양학에서 정확한 생존 예측은 매우 중요하지만, 실제 임상 현장에서 다중 모달 모델의 배포는 모달리티 결측(missing modalities) 문제로 인해 빈번히 저해됩니다. 실제 상황에서는 조직 소진, 시퀀싱 비용 또는 이질적인 인프라로 인해 전체 형태-분자 프로파일(전체 슬라이드 이미지와 전사체 데이터를 결합한 형태)을 완전히 확보하지 못하는 경우가 많습니다.

기존의 접근 방식들은 두 가지 주요 한계점에 직면해 있습니다:

1. 임퓨테이션 기반 방식(Imputation-based methods) (예: SMIL, M3Care)은 생성 모델링을 통해 누락된 데이터를 재구성합니다. 평균적으로는 효과적이지만, 존재하지 않는 생물학적 신호를 "환각(hallucinating)"할 위험이 있으며, 고위험 임상 결정 상황에서 문제가 될 수 있는 높은 계산 비용을 초래합니다.
2. 임퓨테이션 프리 방식(Imputation-free methods) (예: EmbraceNet)은 가용 가능한 임베딩만을 집계하지만, 결측을 단순히 마스킹이나 드롭아웃 문제로 취급하는 경우가 많습니다. 이들은 부재하는 모달리티로 인해 유도된 **인식론적 불확실성(epistemic uncertainty, 지식의 부족)**을 명시적으로 정량화하지 못하며, 결과적으로 모델의 무지를 반영하지 못하는 미교정된 신뢰 수준을 초래하곤 합니다.

나아가, 현재의 모델들은 **알레아토리 불확실성(aleatoric uncertainty, 데이터 자체의 노이즈)**과 **인식론적 불확실성(epistemic uncertainty, 정보의 부재로 인한 불확실성)**을 구분하는 데 어려움을 겪으며, 단지 "최선의 추측"만을 제공할 뿐 신뢰성을 알리는 신호를 보내지 못합니다.

방법론

저자들은 누락된 데이터의 재구성 없이 불완전한 다중 모달 관측치를 처리하도록 설계된 프레임워크인 증거적 결측 모달리티 생존 융합(EMMS) 모델을 제안합니다. 핵심 구성 요소는 다음과 같습니다:

1. 이론적 토대: 덴프스터-셰퍼 이론(Dempster–Shafer Theory) 및 GRFN

EMMS는 덴프스터-셰퍼 증거 이론에 기반을 둡니다. 각 모달리티의 예측은 단일 생존 시간을 예측하는 대신, **가우시안 랜덤 퍼지 수(Gaussian Random Fuzzy Numbers, GRFN)**로 매개변수화된 생존 증거로 표현됩니다.

• GRFN은 $\tilde{Y} \sim \tilde{N}(\mu, \sigma^2, h)$로 표기되며, 다음과 같이 모델링됩니다:
  • $\mu$: 위치 매개변수 (가장 그럴듯한 사건 발생 시간 추정치).
  • $\sigma^2$: 알레아토리 불확실성 (데이터 변동성).
  • $h$: 인식론적 강도 (인식론적 불확실성/무지의 역수).
• 공허한 증거(Vacuous Evidence): 결정적으로, 모달리티가 누락되었을 때 모델은 인식론적 강도 $h=0$으로 설정합니다. 이는 GRFN을 "공허한 증거"로 퇴화시켜 완전한 무지를 나타내게 합니다. 이러한 공식화는 누락된 입력을 근사하는 대신, 그 부재를 제로(0)의 증거 기여도로 명시적으로 인코딩함으로써 환각 현상을 방지합니다.

2. 단일 모달 브랜치 (Unimodal Branches)

모델은 융합 전 두 모달리티를 독립적으로 처리합니다:

• 병리 브랜치(Pathology Branch): 전체 슬라이드 이미지(WSI)를 패치 단위로 나누고, 사전 학습된 패치 인코더를 통해 인코딩한 후, TITAN 슬라이드 인코더를 사용하여 슬라이드 수준의 표현으로 집계합니다. 이 특징은 RBF 커널을 이용한 프로토타입 기반 증거 공식화 과정을 거쳐 생존 증거로 매핑됩니다.
• 유전체 브랜치(Genomics Branch): 전사체 프로파일을 유사한 프레임워크를 통해 처리하여 GRFN으로 모델링된 생존 증거를 생성합니다.

3. 증거적 융합 (Evidential Fusion)

모델은 **덴프스터의 결합 규칙(Dempster's combination rule)**을 사용하여 가용 가능한 모달리티로부터의 증거를 융합합니다.

• 결측 처리: 이진 가용성 지표($r \in \{0, 1\}$)가 모달리티의 존재 여부를 결정합니다. 만약 $r=0$이면, 해당 모달리티는 공허한 증거($h=0$)를 기여합니다.
• 가중 집계: 융합된 GRFN 매개변수($\mu_f, \sigma^2_f, h_f$)는 증거 가중 집계를 통해 계산됩니다. 인식론적 강도가 높은 모달리티가 최종 예측에 더 많이 기여합니다.
• 우아한 성능 저하(Graceful Degradation): 모달리티가 누락되면 융합 과정은 간섭 없이 가용 모달리티로 자연스럽게 축소됩니다. 총 인식론적 강도($h_f$)는 가산적으로 축적되어 해석 가능한 신뢰도 지표 역할을 합니다. $h_f$의 감소는 누락된 데이터로 인해 유도된 불확실성을 명시적으로 반영합니다.

4. 손실 함수 (Loss Function)

훈련 목적 함수는 다음을 결합합니다:

• 생존 손실 ($L_{surv}$): 믿음(belief)과 개연성(plausibility) 경계를 사용하여 미검열(uncensored) 및 우측 검열(right-censored) 샘플을 모두 감독하는 GRFN을 위한 일반화된 음의 로그 가능도입니다.
• 정렬 손실 ($L_{align}$): 두 모달리티가 모두 존재할 때만 적용되는 대칭적 쿨백-라이블러(KL) 발산 항으로, 경량화된 교차 모달 일관성 정규화 역할을 수행합니다.

주요 기여

1. 공허한 증거 공식화: 본 논문은 GRFN 프레임워크 내에서 누락된 모달리티를 공허한 증거($h=0$)로 취급하는 방법을 도입했습니다. 이는 모델이 데이터를 환각하거나 누락된 입력에 의해 오염되는 것을 방지하는 동시에, 자연스럽게 예측의 인식론적 불확실성을 증가시킵니다.
2. 불확실성 정량화: EMMS는 알레아토리 불확실성과 인식론적 불확실성을 명시적으로 구분합니다. 총 증거 강도는 불완전한 관측 하에서의 예측에 대한 내장된 해석 가능한 신뢰도 지표 역할을 합니다.
3. 계산 효율성: 임퓨테이션 기반 방식과 달리, EMMS는 누락된 데이터에 대한 생성 단계나 잠재 공간 검색을 요구하지 않으므로 임퓨테이션 프리 베이스라인과 비교하여 추가적인 계산 오버헤드가 없습니다.
4. 폐쇄형 융합 (Closed-Form Fusion): 덴프스터-셰퍼 이론을 활용함으로써 원칙적이고 폐쇄형인 증거 집계를 가능하게 하여, 누락된 입력이 가용 데이터에 아무런 영향을 미치지 않도록 보장합니다.

실험 결과

저자들은 TCGA의 네 가지 암 코호트(BRCA, LUAD, STAD, KIRC)에서 EMMS를 평가했습니다.

• 완전한 데이터에서의 성능: 0% 모달리티 결측 설정에서, EMMS는 대부분의 데이터셋에서 C-index 및 통합 브리어 스코어(IBS) 측면에서 최첨단(SOTA) 성능을 달察했으며, DisPro, MUSE, Flex-MoE와 같은 베이스라인을 능가했습니다.
• 결측 데이터 하에서의 강건성: 60%의 모달리티 결측률에서도 EMMS는 모든 데이터셋과 모든 평가 설정(병리 전용, 유전체 전용, 완전 모달리티)에서 일관되적으로 모든 베이스라인을 앞질렀습니다. 다른 모델들이 상당한 성능 저하를 보인 곳에서도 우수한 강건성을 입증했습니다.
• 교정 (Calibration): 교정 플롯 결과, EMMS 예측은 베이스라인에 비해 이상적인 대각선에 더 가깝게 유지되었으며, 더 낮은 평균 절대 편차(MAD)를 보였습니다. 이는 EMMS가 더 신뢰할 수 있는 신뢰도 추정치를 제공함을 시사합니다.
• 효율성: 훈련 시간 비교에서 EMMS는 임퓨테이션 프리 베이스라인인 MUSE와 유사한 속도를 보였으며, 임퓨테이션 기반인 DisPro보다 현저히 빨랐습니다.

의의 및 주장

본 논문은 EMMS가 데이터 완결성을 보장할 수 없는 현실적인 임상 환경에서 개인 맞춤형 의료를 위한 확장 가능하고, 계산 효율적이며, 이론적으로 근거가 탄탄한 솔루션을 제공한다고 주장합니다.

덴프스터-셰퍼 이론을 활용함으로써, 이 모델은 예측 성능과 불확실성 인지 사이의 간극을 메웁니다. 이를 통해 임상 의사 결정 지원 시스템이 데이터가 누락되었을 때 "자신의 무지를 신호"할 수 있게 하며, 노이즈와 지식의 부재를 구분할 수 있게 합니다. 저자들은 이 접근 방식이 데이터 환각의 위험이나 생성적 임퓨테이션의 계산적 부담 없이 SOTA 수준의 변별력과 교정 성능을 달성하며, 이질적인 임상 환경에 배포 가능한 유망한 후보임을 강조합니다.