🔬 optics

A Comparative Evaluation of Sample Selection Algorithms for Multivariate Calibration in Near-Infrared Spectroscopic Analysis of Pharmaceutical Formulations

본 연구는 가우시안 프로세스 회귀 프레임워크 내에서 파라세타몰 정제의 근적외선 분광 데이터에 적용된 Kennard-Stone 알고리즘이 엄격한 통계적 분석과 높은 예측 정확도 지표를 통해 검증된 바와 같이, Duplex, Honigs 및 Naes 방식에 비해 우수한 다변량 검정 성능을 나타냄을 입증한다.

원저자: Aminata Sow, Harouna Sangaré, Fadaba Danioko, Tidiane Diallo

게시일 2026-06-23

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Aminata Sow, Harouna Sangaré, Fadaba Danioko, Tidiane Diallo

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

당신이 새로운 종류의 의약품 알약(파라세타몰)을 위한 완벽한 레시피를 만들려는 셰프라고 상상해 보세요. 당신에게는 다양한 배치에서 나온 58개의 서로 다른 알약이 담긴 거대한 병이 있습니다. 그리고 당신은 컴퓨터에게 이 알약들로부터 반사되는 빛(근적외선 분광법 사용)을 "맛보고", 그 안에 약 성분이 정확히 얼마나 들어있는지 추측하는 법을 가르치고 싶어 합니다.

가장 큰 문제는 컴퓨터를 가르치는 것이 아닙니다. 바로 어떤 알약을 먼저 보여줄지 결정하는 것입니다.

만약 당신이 컴퓨터를 가르치기 위해 무작위로 한 움큼의 알약을 집어 든다면, 운이 좋거나 나쁠 수 있습니다. 컴퓨터가 오직 "쉬운" 알약들만 보게 된다면, 스스로 천재라고 생각하겠지만 나중에 약간 다른 새로운 알약을 보게 되었을 때 처참하게 실패할 수도 있습니다. 이것은 마치 연습 문제 5개를 통째로 외워버려서, 근본적인 개념을 배우지 못해 실제 시험에서 낙제하는 학생과 같습니다.

이 논문은 어떤 방법이 컴퓨터에게 적절한 알약을 골라주는 데 가장 좋은지 겨루는 "요리 경연 대회"입니다.

네 명의 참가자 (알고리즘)

연구진은 58개의 알약을 두 그룹, 즉 훈련 그룹(컴퓨터를 가르치기 위한 용도)과 테스트 그룹(컴퓨터가 실제로 제대로 배웠는지 확인하기 위한 용도)으로 나누는 네 가지 전략(알고리즘)을 테스트했습니다.

Kennard–Stone: 이것은 "우주 탐험가"와 같습니다. 모든 알약을 살펴보고 서로 가장 다른 것들을 골라내어, 훈련 그룹이 가능한 모든 "지도"의 범위를 커버하도록 보장합니다. 지도의 어느 구석도 비어 있지 않도록 만드는 것입니다.
Honigs: 이것은 "탐정"입니다. 알약을 하나씩 선택하며, 이미 선택된 것들과 비교했을 때 가장 독특해 보이는 다음 알약을 항상 골라냅니다. 가장 뚜렷한 단서를 찾는 것입니다.
Duplex: 이것은 "균형 잡힌 팀 빌더"입니다. 훈련 팀과 테스트 팀을 동시에 구축하여, 두 팀 모두 똑같이 강력하고 다양하게 만듭니다.
Naes: 이것은 "클럽 대표"입니다. 알약들을 외형상 유사성에 따라 "클럽"(클러스터)으로 그룹화한 다음, 모든 유형의 알약이 대표될 수 있도록 각 클럽에서 대표를 한 명씩 뽑습니다.

(그들은 또한 눈을 감고 손가락으로 가리키는 것과 같은 "무작위 추출" 그룹도 포함했습니다.)

결과: 누가 승리했나?

연구진은 가우시안 프로세스 회귀(Gaussian Process Regression)라는 스마트한 컴퓨터 모델을 사용하여, 각각의 선택된 알약 그룹이 컴퓨터의 약 성분 예측에 얼마나 도움이 되었는지 확인했습니다.

승자: Kennard–Stone과 Honigs가 명확한 챔피언이었습니다. 이들은 최고의 알약 조합을 골라냈으며, 덕분에 컴퓨터는 거의 완벽한 정확도(99.999%)로 결과를 예측할 수 있었습니다.
패자: Duplex와 Naes는 컴퓨터를 가르치는 데는 괜찮았지만, 새로운 알약을 테스트했을 때 컴퓨터가 더 많은 실수를 저질렀습니다. 알고 보니, 이 방법들은 훈련용 알약들이 서로 너무 비슷하게 골라졌기 때문에 컴퓨터가 "과잉 확신"을 갖게 되었고, 새로운 변형을 다룰 수 없게 된 것입니다.
무작위 추출: 예상대로, 그냥 무작위로 집어 드는 것이 가장 좋지 않은 방법이었습니다.

큰 반전: Kennard–Stone과 Honigs가 약간의 차이가 있었음에도 불구하고, 엄격한 통계 테스트 결과 두 방식은 통계적으로 동점이었습니다. 즉, 이 작업에 있어 두 방식은 똑같이 훌륭합니다.

발견된 두 가지 중요한 규칙

연구진은 기계의 다른 두 가지 "조절 노브"도 테스트했습니다.

훈련에 얼마나 많은 알약을 사용할 것인가?
그들은 알약의 60%에서 90%까지 사용하는 것을 시도했습니다. 그들은 간단한 규칙을 발견했습니다: 더 많이 가르칠수록 더 잘 배웁니다. 90%의 알약을 훈련에 사용하는 것이 가장 좋은 결과를 냈습니다. 하지만 특정 지점 이후로는 알약을 더 추가해도 큰 도움이 되지 않는다는 점(수익 체감)도 주목했습니다.
"차이"를 어떻게 측정할 것인가?
알고리즘이 최적의 알약을 고르기 위해서는 두 알약이 얼마나 다른지 측정해야 합니다. 그들은 두 가지 자(ruler)를 테스트했습니다.
- 유클리드 거리 (Euclidean Distance): 표준 자 (지도 위의 직선 거리를 재는 것과 같음).
- 마할라노비스 거리 (Mahalanobis Distance): 알약 속의 빛 파동들이 서로 연결되어(상관관계가 있음) 있다는 것을 이해하는 "스마트한" 자.
- 발견된 사실: 우승자인 Kennard–Stone 방식의 경우, "스마트한" 자(마할라노비스)가 더 효과적이었습니다. 이 방식은 표준 자보다 빛 파동의 복잡한 관계를 더 잘 이해했습니다.

요점

이 논문의 핵심 교훈은 간단합니다: 훈련 데이터를 단순히 무작위로 뽑지 마십시오.

컴퓨터가 당신의 알약을 진단하는 훌륭한 의사가 되길 원한다면, 처음에 어떤 예시를 보여줄지 영리하게 결정해야 합니다. Kennard–Stone 방식("스마트한" 자를 사용하는)이 가장 신뢰할 수 있는 방법이지만, Honigs 역시 그만큼 좋습니다.

논문은 만약 당신이 컴퓨터가 훈련 데이터에서 얼마나 잘했는지만 본다면 속을 수 있다고 경고합니다. 반드시 새로운, 보지 못한 데이터로 테스트하여 컴퓨터가 단순히 답을 외운 것인지, 아니면 실제로 교훈을 얻은 것인지 확인해야 합니다.

요약하자면: 완벽한 예측 모델을 만들려면, "우주 탐험가"(Kennard–Stone) 전략을 사용하여 훈련 샘플을 신중하게 선택하십시오. 그러면 거의 완벽한 결과를 얻을 수 있을 것입니다.

기술 요약: 근적외선(NIR) 분광법의 다변량 검량식을 위한 샘플 선택 알고리즘의 비교 평가

문제 정의
제약 품질 관리 분야의 견고한 다변량 검량 모델 개발은 가용한 샘플을 검정(훈련) 세트와 검증 세트로 합리적으로 분할하는 과정에 결정적으로 의존한다. 부적절한 샘플 선택은 모델 과적합(overfitting)을 초래하며, 이 경우 우수한 검정 통계치가 새로운 샘플에 대한 예측 정확도로 이어지지 못한다. Kennard–Stone, Honigs, Duplex, Naes와 같이 파티셔닝을 최적화하기 위해 다양한 알고리즘이 존재하지만, 기존 문헌들은 성능 차이에 대한 엄격한 통계적 검증, 거리 메트릭(유클리드 vs 마할라노비스)의 체계적 조사, 그리고 훈련 세트 비율의 포괄적 분석이 부족한 경우가 많다. 본 연구는 제약 NIR 데이터셋에 적용된 네 가지 확립된 알고리즘을 평가함으로써 이러한 공백을 메우고자 한다.

방법론
본 연구는 말리 바마코의 약국에서 수집된 58개의 상업용 파라세타몰 정제(500 mg) 데이터셋을 활용하였다. 참조 파라세타몰 농도는 검증된 약전 UV-Vis 분광광도법을 통해 결정되었다. NIR 스펙트럼은 반사 모드(800–1700 nm)로 획득되었으며, 표준 정규 변환(SNV), 미분 및 Savitzky–Golay 평활화(smoothing)를 사용하여 전처리되었고, 최적의 성능을 보이는 평활화된 스펙트럼이 선택되었다.

핵심 실험 설계는 다음과 같다:

알고리즘 구현: 네 가지 샘플 선택 알고리즘을 구현하였다:
- Kennard–Stone: 스펙트럼 공간의 범위를 최대화하도록 샘플을 선택한다.
- Honigs: 잔차 투영(residual projection)을 기반으로 스펙트럼상에서 구별되는 샘플을 반복적으로 선택한다.
- Duplex: 균형 잡힌 검정 세트와 검증 세트를 동시에 구축한다.
- Naes: 하위 유형(subtype)의 표현을 보장하기 위해 k-means 클러스터링을 사용한다.
모델링 프레임워크: 가우시안 프로세스 회귀(GPR)와 방사 기저 함수(RBF) 커널을 모델링 프레임워크로 사용하였다.
성능 지표: 모델은 결정 계수( $R^2$ )와 평균 제곱근 오차 예측값(RMSEP)을 통해 평가되었다.
통계 분석: 성능 차이를 검증하기 위해 비모수적 통계 방법을 사용하였다. Kruskal–Wallis 테스트를 통해 전역적 차이를 평가하였고, 이어서 짝지은 비교를 위해 Bonferroni 교정을 적용한 사후 Mann–Whitney U 테스트를 수행하였다.
변수: 훈련 세트 비율(60% ~ 90%)을 체계적으로 변화시켰으며, 적용 가능한 경우 유클리드 거리와 마할라노비스 거리를 비교하였다.

주요 결과

알고리즘 성능: 마할라노비스 거리를 채택한 Kennness–Stone 알고리즘이 가장 우수한 성능을 보였으며, 검증 $R^2$ 0.99999와 RMSEP $1.74 \times 10^{-6}$ 을 달-성하였다. Honigs 알고리즘 또한 유사한 성능( $R^2 = 0.999996$ , RMSEP = $1.76 \times 10^{-6}$ )을 보였다. 두 알고리즘 모두 Duplex, Naes 및 무작위 분할 방식보다 유의미하게 우수한 성능을 나타냈다.
통계적 유의성: Kruskal–Wallis 테스트 결과 알고리즘 간에 매우 유의미한 차이가 확인되었다 ( $p < 0.001$ ). 사후 분석 결과, Kennness–Stone과 Honigs는 서로 통계적으로 동등한 것으로 나타났으나 ( $p = 1.000$ ), 두 방식 모두 Duplex, Naes 및 무작위 분할 방식보다 유의미하게 우월했다.
과적합 지표: Naes 및 Duplex 알고리즘은 우수한 검정 통계치를 보였으나 검증 성능은 저하되었는데, 이는 과적합 경향과 검증 세트의 변동성을 충분히 대변하지 못함을 시사한다.
훈련 세트 크기: 훈련 세트 크기와 예측 정확도 사이에 단조 관계가 관찰되었다. 성능은 훈련 비율이 60%에서 90%로 증가함에 따라 향상되었으며, 80–90% 범위 이후에는 수렴하는 양상을 보여 한계 효용이 감소함을 시사하였다.
거리 메트릭: Kennness–Stone 알고리즘의 경우, 마할라노비스 거리 메트릭이 유클리드 거리보다 우수한 검증 결과를 나타냈는데, 이는 스펙트럼 데이터 내의 파장 간 상관관계를 고려하는 능력에 기인한다. Honigs 알고리즘의 경우 두 메트릭의 성능은 유사하였다.

의의 및 주장
본 논문은 연구 결과가 제약 NIR 응용 분야의 샘플 선택 프로토콜을 최적화하기 위한 근거 기반의 지침을 제공한다고 주장한다. 주요 기여는 다음과 같다:

합리적 선택의 검증: 체계적인 샘플 선택 알고리즘이 무작위 분할보다 유의미하게 우수함을 입증함으로써, 방법론 개발 워크플로우에 이러한 알고리즘의 포함이 필수적임을 보여준다.
통계적 동등성: 본 데이터셋에서 Kennness–Stone과 Honigs 방법이 통계적으로 동등함을 확립하여, 실무자들이 계산적 또는 구현상의 선호도에 따라 알고리즘을 선택할 수 있는 유연성을 제공한다.
방법론적 엄밀성: Naes 및 Duplex 방법에서 관찰된 과적합 사례를 통해, 검정 지표만으로 판단하기보다 외부 검증이 얼마나 중요한지를 강조한다.
메트릭 선택: 특히 상관관계가 높은 스펙트럼 공간에서 Kennness–Stone에 대한 마할라노비스 거리의 이점을 강조하며 적절한 거리 메트릭 선택의 필요성을 역설한다.

저자들은 이 분야에서 샘-플 세트 분할을 위한 잘 검증된 접근 방식으로 마할라노비스 거리를 결합한 Kennness–Stone 알고리즘을 제안하며, 향후 연구에서 다양한 제약 제품군으로 이 결과를 확장해야 함을 인정하며 결론을 맺는다.

네 명의 참가자 (알고리즘)

결과: 누가 승리했나?

발견된 두 가지 중요한 규칙

요점

유사한 논문