Explainable Ensemble-Based Machine Learning Models for Detecting the Presence of Cirrhosis in Hepatitis C Patients

기술 요약: C형 간염 환자의 간경변증 탐지를 위한 설명 가능한 앙상블 기반 머신러닝 모델

문제 정의
C형 간염 바이러스(HCV) 감염은 전 세계적인 공중 보건 위기이며, 특히 유병률이 세계 최고 수준인 이집트에서 더욱 심각합니다. 만성 HCV의 치명적인 합병증은 간경변증으로, 이는 영구적인 흉터 형성을 특징으로 하며, 종종 진행성 단계에 이르기 전까지는 조용히 진행되어 간 부전, 위장관 출혈 및 사망률 증가를 초래합니다. 직접 작용 항바이러스제(DAA)가 HCV를 완치할 수 있지만, 많은 환자가 이미 만성 감염과 그에 따른 합병증을 앓고 있습니다. 간 생검과 같은 현재의 진단법은 침습적이고 비용이 많이 들며 위험합니다. 일시적 탄성 검사(transient elastography)나 임상 지표(예: APRI, FIB-4)와 같은 비침습적 대안은 가용성, 정확도 및 다양한 환자군(예: 복수 또는 비만 환자)에 대한 적용성 측면에서 한계가 있습니다. 머신러닝(ML)이 다양한 질병을 진단하는 데 유망한 성과를 보여왔으나, 특히 HCV 환자의 간경변증 존재 여부를 탐지하는 데 ML을 적용한 연구는 눈에 띄게 부족한 실정입니다. 더욱이, 복잡한 ML 모델의 "블랙박스" 특성은 의사 결정 과정의 설명 가능성을 요구하는 의료 전문가들의 도입을 저해하는 요소가 됩니다.

연구 방법론
본 연구는 28개의 속성을 포함하는 2,038명의 이집트 환자 데이터셋(UCI 머신러닝 저장소 유래)을 활용하였습니다. 타겟 변수는 간경변증 환자(양성 클래스)와 초기 섬유증 또는 간경변증이 없는 환자(음성 클래스)를 구분하도록 이진화되었습니다.

연구는 다음과 같은 구조화된 파이프라인을 따랐습니다:

1. 전처리: IQR(Interquartile Range) 방법을 사용하여 이상치를 제거하고, Min-Max 스케일링을 통해 정규화를 수행했습니다. 데이터셋에 내재된 클래스 불균형(간경변증 사례가 더 적음)을 해결하기 위해 랜덤 오버샘플링(random oversampling)을 적용했습니다.
2. 모델 학습: 네 가지 앙상블 기반 머신러닝 알고리즘을 학습하고 비교했습니다:
   • 랜덤 포레스트 (Random Forest, RF)
   • 그래디언트 부스팅 머신 (Gradient Boosting Machine, GBM)
   • 엑스트림 그래디언트 부스팅 (Extreme Gradient Boosting, XGBoost)
   • 엑스트라 트리 (Extra Trees, ET)
3. 최적화: GridSearchCV와 층화 10-겹 교차 검증(stratified 10-fold cross-validation)을 사용하여 각 알고리즘의 하이퍼파라미터를 튜닝했습니다.
4. 특성 선택: 순차적 특성 선택(Sequential Feature Selection, SFS)을 적용하여 가장 유의미한 특성 부분 집합을 식별함으로써 차원을 축소하고 모델 효율성을 개선하고자 했습니다.
5. 설명 가능성: 최적의 성능을 보인 모델을 설명 가능한 인공지능(XAI) 기법, 특히 SHAP(Shapley Additive Explanations)과 LIME(Local Interpretable Model-agnostic Explanations)을 사용하여 특성의 기여도를 해석하고 모델 결정에 대한 신뢰를 구축했습니다.

주요 기여
본 연구는 의료 데이터 과학 분야에 네 가지 주요 기여를 합니다:

• 비교 분석: 이전에 깊이 있게 탐구되지 않았던 특정 응용 분야인 HCV 환자의 간경변증 진단을 위해 네 가지 서로 다른 앙상블 학습 알고리즘의 성능을 평가했습니다.
• 특성 축소: 순차적 특성 선택(SFS)을 적용하여 정확한 진단에 필요한 속성의 수를 최소화함으로써, 축소된 특성 세트로도 높은 성능을 달성할 수 있음을 입증했습니다.
• 설명 가능성 통합: XAI 기법(SHAP 및 LIME)을 활용하여 모델의 의사 결정 과정을 명확히 함으로써, 의료 분야에서 흔히 발생하는 AI에 대한 신뢰 장벽을 해소했습니다.
• 핵심 바이오마커 식별: 이 특정 코호트에서 간경변증 진단에 가장 중요한 임상적 속성을 식별하여, 질병 상태를 예측하는 데 가장 유효한 생리학적 지표에 대한 통찰을 제공했습니다.

결과
데이터 균형을 맞추기 위한 랜덤 오버샘플링이 매우 중요하다는 것을 발견했습니다. 오버샘플링이 없으면 부스팅 모델(GBM 및 XGBoost)은 양성 사례를 예측하는 데 실패했습니다(재현율 0%). 오버샘플링과 하이퍼파라미터 튜닝을 거친 후, 모든 모델에서 상당한 개선이 나타났습니다.

순차적 특성 선택(SFS) 적용 후:

• **엑스트라 트리(ET)**가 가장 우수한 모델로 나타났습니다. ET는 **정확도 96.92%, 정밀도 99.81%, 재현율 94.00%, AUC-ROC 96%**를 달고했습니다. 특히, ET 모델은 원래 28개 특성 중 단 16개만을 사용하여 이러한 성능을 달성했습니다.
• **랜덤 포레스트(RF)**가 96.58%의 정확도로 그 뒤를 바짝 쫓았습니다.
• XGBoost는 가장 높은 재현율(94.81%)을 기록했으나, 전체 정확도(90.99%)와 정밀도(88.00%)는 상대적으로 낮았습니다.
• GBM은 95.70%의 정확도를 달성했습니다.

혼동 행렬(confusion matrices) 결과, XGBoost가 가장 적은 위음성(False Negatives)을 기록한 반면, ET 모델은 가장 적은 위양성(False Positives)을 기록했습니다. 이는 불필요한 의료 개입과 환자의 불안을 방지하는 데 매우 중요합니다.

설명 가능성 결과

• SHAP 분석: RNA 4, BMI, RNA 12, AST 1을 예측에 기여하는 가장 중요한 특성으로 식별했습니다. BMI와 AST 1의 높은 수치는 간경변증 예측에 긍정적인 기여를 보였고, RNA 4의 높은 수치는 부정적인 기여를 보였습니다.
• LIME 분석: 개별 양성 예측에 대해 BMI, RNA Base, ALT 48, RNA 4, ALT 36과 같은 특성들이 핵심 동인으로 강조되었습니다.

의의 및 주장
저자들은 본 연구가 의료 전문가들이 HCV 환자의 간경변증을 조기에 탐지하는 데 도움을 줄 수 있는 설명 가능한 앙상블 학습의 실행 가능성을 입증한다고 주장합니다. 축소된 특성 세트로 높은 정확도를 달성함으로써, 제안된 모델은 광범위한 임상 검사의 필요성을 줄여 전문가와 환자 모두의 시간 활용을 최적화하고 비용 절감에 기여할 수 있습니다. XAI의 통합은 모델의 출력이 해석 가능하도록 하여 의료 제공자 사이의 신뢰를 형성합니다.

그러나 논문은 보다 넓은 범위의 영향력에 대해서는 신중한 입장을 유지합니다. 저자들은 모델이 실제 간경변증 환자의 대규모 실제 데이터가 아닌, 오버샘플링을 통해 생성된 합성 데이터로 학습되었다는 점을 인정합니다. 따라서 향후 연구는 실제 데이터를 통해 모델을 검증하고, 보다 일반화된 진단 도구를 만들기 위해 HCV 진행의 다른 단계들을 예측하는 방향으로 범위를 확장해야 한다고 제언합니다.