Predicting Male Fertility Using Machine Learning: A Semen Parameters Based Analysis with the VISEM Dataset

기술 요약: VISEM 데이터셋을 이용한 머신러닝 기반 남성 가임력 예측

문제 정의
남성 불임은 전 세계 성인 인구의 약 17.5%에 영향을 미치며, 남성 요인은 모든 불임 사례의 거의 절반을 차지합니다. 남성 생식 건강을 평가하는 임상적 초석은 정자 농도, 운동성 및 형태를 세계보건기구(WHO) 가이드라인에 따라 평가하는 정액 분석입니다. 그러나 전통적인 정액 평가는 수동 현미경 검사와 전문가의 해석에 의존하므로, 과정이 노동 집약적이며 관찰자 편향, 실험실 간 변동성 및 진단의 일관성 결여가 발생하기 쉽습니다. 인공지능(AI)과 머신러닝(ML)이 생식 의학 분야에서 유망한 가능성을 보여주었으나, 기존 연구들은 주로 단일 파라미터(예: 연속 변수로서의 운동성)를 예측하거나 이미지 기반 추적을 수행하는 데 집중해 왔습니다. 표준화된 정액 속성을 활용하여 가임 상태를 임상적으로 유의미한 그룹(가임, 저하, 불임)으로 분류하는 체계적인 프레임워크에 관한 문헌적 공백이 존재합니다.

연구 방법론
본 연구는 85명의 남성 참여자로부터 얻은 정액 분석 기록이 포함된 공개 VISEM 데이터셋에 지도 학습 머신러닝 모델을 적용함으로써 앞서 언급한 공백을 해결합니다. 방법론은 다음과 같은 구조화된 워크플로우를 따랐습니다:

1. 데이터 전처리 및 특징 공학: 결측치와 불필요한 공백을 제거하기 위해 데이터셋을 정제하였습니다. 정자 농도, 총 정자 수, 정상 정자 비율(Teratozoospermia Index를 사용하여 도출), 전진 운동성, 비전진 운동성, 그리고 부동 정자 비율을 포함한 핵심 특징들을 추출하고 정규화하였습니다.
2. 분류 기준: WHO의 전진 운동성, 형태, 정자 농도 임계치를 기준으로 샘플을 세 가지 클래스로 분류하였습니다:
   • 가임 (Fast): 전진 운동성 ≥40%, 형태 ≥4%, 농도 ≥1,500만/mL.
   • 저하 (Average): 전진 운동성 20–39%, 형태 2–3%, 농도 1,000–1,400만/mL.
   • 불임 (Slow): 전진 운동성 <20%, 형태 <2%, 농도 <1,000만/mL.
3. 모델 벤치마킹: 40개 이상의 머신러닝 알고리즘을 자동화하여 훈련하고 평가하기 위해 LazyPredict 프레임워크를 활용하였습니다. 이 접근 방식은 광범별한 하이퍼파라미터 튜닝 없이도 모델을 신속하게 비교할 수 있게 해주었습니다.
4. 평가 지표: 견고성을 보장하기 위해 5-겹 교차 검증(5-fold cross-validation)을 사용하여 모델 성능을 평가하였습니다. 주요 지표로는 정확도(Accuracy), F1-score, 균형 정확도(Balanced Accuracy), 그리고 다중 클래스 문제에 대한 One-vs-Rest 접근 방식을 사용한 ROC-AUC(Receiver Operating Characteristic - Area Under Curve) 분석이 포함되었습니다. 통계적 유의성은 대응 표본 t-검정(paired t-tests)을 통해 검증되었습니다.

주요 기여

• 포괄적 분류 프레임워크: 단일 파라미터의 회귀에 집중했던 이전 연구들과 달리, 본 연구는 WHO가 정의한 임계값들의 조합을 바탕으로 남성 가임력을 가임, 저하, 불임 그룹으로 분류하는 다중 클래스 분류 시스템을 구현합니다.
• 체계적인 알고리즘 비교: 본 연구는 VISEM 데이터셋에 대해 40개 이상의 ML 분류기를 벤치마크 평가하여, 이 특정 임상 과업에 가장 효과적인 알고리즘을 식별합니다.
• 해석 가능성 및 상관관계 분석: 본 연구는 정자 농도, 형태, 운동성 사이의 상호 의존성을 입증하기 위해 상세한 상관관계 분석과 특징 시각화(밀도 플롯, 페어 플롯, 히트맵)를 포함하여 생물학적 근거를 강화하였습니다.

결과
실험 결과, 머신러닝 모델이 정액 파라미터를 기반으로 가임 범주를 효과적으로 구분할 수 있음을 입증하였습니다:

• 최상위 성능 모델: 테스트된 40개 이상의 알고리즘 중, Nearest Centroid 분류기가 **94.2%**의 정확도로 가장 높은 성능을 달est했습니다. 이는 약 94%의 정확도를 기록한 서포트 벡터 머신(SVM)과 이차 판별 분석(QDA)이 뒤를 이었습니다. 가우시안 나이브 베이즈(Gaussian Naive Bayes)와 랜덤 포레스트(Random Forest) 또한 강력한 성능을 보였으며, 가우시안 나이브 베이즈는 91%에 도달했습니다.
• 견고성 검증: Nearest Centroid 모델은 5-겹 교차 검증과 ROC-AUC 분석을 통해 검증되었습니다. 모델의 AUC 점수는 다음과 같습니다:
  • 가임(Fertile) 클래스: 0.95
  • 저하(Sub-Fertile) 클래스: 1.00
  • 불임(Infertile) 클래스: 0.97
• 혼동 행렬(Confusion Matrix) 분석: 모델은 가임 및 불임 그룹에 대해 완벽한 분류를 달성했습니다. 오분류는 저하 그룹 내에서 단 하나의 샘플(불임으로 오분류됨)에서만 발생하였으며, 이는 극단적인 범주를 구별하는 데 있어 높은 신뢰성을 보여주는 동시에 경계선에 있는 사례에서의 미세한 중첩을 시사합니다.
• 특징 상관관계: 상관관계 분석 결과, 정자 농도와 전진 운동성 사이에 중간 정도의 양의 상관관계(0.50)가, 형태와 운동성 사이에는 약한 양의 상관관계(0.35)가 있음이 밝혀졌습니다. 시각화 자료는 "Fast"(가임) 클래스가 세 가지 핵심 파라미터 모두에서 "Average" 및 "Slow" 클래스에 비해 일관되게 높은 중앙값을 나타냄을 확인시켜 주었습니다.

의의 및 주장
본 논문은 Nearest Centroid 분류기와 같은 머신러닝 모델이 정액의 질을 빠르고 정확하며 객관적으로 평가할 수 있다고 주장합니다. 본 연구는 이러한 결과가 수동 분석과 관련된 인간의 오류와 변동성을 줄임으로써 안드로로지(andrology, 남성 생식 의학) 및 보조 생식 기술(ART) 분야의 임상적 의사결정을 지원할 수 있는 머신러닝의 잠재력을 보여준다고 주장합니다.

저자들은 본 연구가 고립된 파라미터 예측에서 벗어나 임상 환경에 적합한 종합적인 가임 관련 파라미터 분류로 초점을 전환했음을 강조합니다. 작은 표본 크기(85명 참여자)와 경계 사례에서의 잠재적 중첩이라는 한계를 인정하면서도, 데이터 기반 도구가 가임 진단의 일관성을 높일 수 있다고 결론짓습니다. 저자들은 향후 연구에서 추가적인 생물학적 마커(예: DNA 단편화, 호르몬 프로필)를 통합하고, 복잡한 비선형 상호작용을 모델링하기 위해 앙상블 방법이나 신경망을 탐색함으로써 궁극적으로 더욱 개인화된 가임력 치료 전략에 기여할 수 있을 것이라고 제언합니다.