Explainable AI for Mental Health Prediction in Drug-Affected Populations with Dragonfly Algorithm and GAN Oversampling

기술 요약: 약물 영향을 받는 인구 집단의 정신 건강 예측을 위한 설명 가능한 AI

문제 정의
정신 건강 장애와 물질 사용 장애(SUD)는 빈번하게 공존하며, 이는 심각한 글로벌 보건 부담을 초래한다. 방글라데시와 같이 자원이 제한된 지역에서는 전통적인 진단 기술의 주관적 특성과 데이터 기반 도구의 부족으로 인해 조기 발견 및 표적 개입이 매우 중요하면서도 도전적인 과제이다. 약물 영향을 받는 인구의 정신 건강을 예측하기 위한 기존의 머신러닝(ML) 접근 방식은 세 가지 주요 한계점에 직면해 있다: (1) 중요한 "취약(Poor)" 정신 건강 사례가 과소 표현되는 클래스 불균형 처리의 미흡함, (2) 임상적 해석력을 저해하는 제한된 모델 투명성, (3) 고차원 범주형 건강 데이터에 대한 성능을 저하시키는 최적화되지 않은 하이퍼파라미터 튜닝이다.

방법론
본 연구는 약물 영향을 받는 개인의 다중 클래스 정신 건강 상태(양호, 보통, 취약)를 예측하기 위해 데이터 전처리, 특징 선택, 클래스 균형 맞추기, 모델 최적화 및 설명 가능성을 통합하는 종합적인 프레임워크를 제안한다.

1. 데이터 소스 및 전처리: 본 연구는 방글라데시의 다차원 데이터셋(인구통계학적, 사회경제적, 행동 및 건강 관련 36개 범주형 특징, 1,215개 인스턴스)을 활용한다. 타겟 변수는 세 가지 클래스로 인코딩되었다. 전처리는 레이블 인코딩과 불필요한 열 제거 과정을 포함한다.
2. 하이브나드 특징 선택: 차원을 관리하고 가장 예측력이 높은 변수를 식별하기 위해, 저자들은 하이브리드 주성분 분석-정보 획득(PCA-IG) 방식을 채택한다. 이 방법은 정보 획득량을 기준으로 특징의 순위를 매기는 동시에 차원을 축소한다.
3. 클래스 불균형 처리: 정신 건강 클래스의 왜곡된 분포(보통 766, 양호 248, 취약 201)를 해결하기 위해, 본 연구는 훈련 세트에 생성적 적대 신경망(GAN) 기반 오버샘플링을 구현한다. 이는 소수 클래스를 위한 합성 샘플을 생성하여 균형 잡힌 분포를 만들어내며, SMOTE 및 SVM-SMOTE와 같은 전통적인 방식보다 우수한 성능을 보인다.
4. 모델 선택 및 최적 최적화: 로지스틱 회귀, 랜덤 포레스트, LightGBM, XGBoost를 포함한 여러 ML 알고리즘을 평가하였다. XGBoost가 가장 우수한 기본 모델로 나타났다. 하이퍼파라미터는 탐색(exploration)과 이용(exploitation)의 균형을 맞추어 최적의 구성(학습률, 깊이, 추정기 수 등)을 찾는 군집 지능 기법인 **잠자리 알고리즘(Dragonfly Algorithm, DA)**을 사용하여 최적화되었다.
5. 설명 가능한 AI (XAI): 임상적 신뢰와 해석력을 보장하기 위해 SHAP (SHapley Additive exPlanations) 값을 계산하였다. 이는 인스턴스 수준의 설명을 제공하며, 폭포수 플롯(waterfall plots)과 포스 플롯(force plots)을 통해 특정 특징이 개별 예측에 어떻게 기여하는지 시각화한다.

주요 기여
본 논문은 해당 분야에 대한 네 가지 주요 기여를 강조한다:

• 새로운 통합: 약물 영향을 받는 인구의 정신 건강 예측을 위해 잠자리 알고리즘과 XGBoost를 결합한 최초의 사례를 제시한다.
• 하이브리드 특징 선택: 제안된 PCA-IG 방식은 차원 축소와 예측력 사이의 균형을 효과적으로 맞추며, 수면의 질, 의료 접근성, 행동적 요인을 핵심 요소로 식별한다.
• 고급 오버샘플링: 본 연구는 다중 클래스 분류에서 GAN 기반 오버샘플링이 이 맥락에서 SMOTE 및 SVM-SMOTE보다 우수한 결과를 낸다는 것을 입증한다.
• 실행 가능한 설명 가능성: SHAP을 활용함으로써, 본 프레임워크는 "블랙박스" 예측을 넘어 시각적 도구를 통해 실행 가능한 임상적 통찰력을 제공한다.

결과
Google Colab 환경에서 5-겹 교차 검증(5-fold cross-validation)을 통해 검증된 실험 결과는 제안된 프레임워크의 효능을 입증한다:

• 성능: DA로 최적화된 XGBoost 모델과 GAN 기반 오버샘플링의 결 조합은 가장 높은 성능 지표를 달した: 94.17%의 정확도와 93.80%의 가중 F1-스코어. 이는 베이스라인 모델(예: 표준 XGBoost, 정확도 88.15%) 및 다른 오버샘플링 기법들을 유의미하게 상회하는 수치이다.
• 특징 중요도: 분석 결과, 행동 및 생활 방식, 그리고 건강 요인이 정신 건강의 가장 강력한 예측 인자로 나타났다. 특히 **수면의 질, 신체적 건강 상태, 정서 조el(emotional regulation)**이 매우 영향력이 높았다. 반면, 성별 및 연령과 같은 인구통계학적 요인은 모델의 예측에 미치는 영향이 미미했다.
• 인구통계학적 통찰: 분석을 통해 20~29세 연령층이 약물 사용의 정점과 높은 심리적 고통(불안 및 우울)이 겹치는 결정적 시기임을 확인하였으며, 이는 주요 개입 대상임을 시사한다.
• 해석 가능성: SHAP 분석은 생활 방식(예: 수면의 질, 흡연, 식습행)과 건강 상태가 모델의 의사결정을 주도한다는 것을 확인시켜 주었으며, 이를 통해 고위험 분류에 대한 투명한 근거를 제공한다.

의의 및 주장
저자들은 이 프레임-워크가 약물 영향을 받는 인구 집단을 위한 유효하고 높은 정확도를 가진 예측 도구를 제공한다고 주장한다. 데이터 불균형을 해결하고, 군집 지능을 통해 하이퍼파라미터를 최적화하며, 설명 가능성을 통합함으로써, 본 연구는 AI 모델의 예측 신뢰성과 임상적 유용성을 모두 높였다. 결과적으로 이러한 시스템은 조기 개입을 촉진하고 약물 사용의 영향을 받는 개인들을 위한 치료 전략을 개선할 수 있음을 시사한다. 논문은 향후 연구가 더 큰 규모의 다국가 데이터셋에서 프레임워크를 검증하고, 예측력과 종단적 모니터링을 더욱 강화하기 위해 다중 모달 데이터 스트림(임상, 신경 영상 및 웨어러블 센서)을 통합하는 데 집중할 것이라고 언급하며 마무리한다.