Imputation-free transformer learning enables robust Alzheimer's disease prediction and calibrated uncertainty quantification across heterogeneous clinical cohorts

기술 요약: 결측치 대체 없는 알츠하이머병 예측을 위한 NITROGEN

문제 정의
실제 임상 데이터의 만연한 불완전성과 이질성은 알츠하이머병(AD)의 정확한 진단 분류 및 질병 중증도 예측을 저해한다. 멀티모달 데이터셋은 일반적으로 인구통계학적, 유전적, 신경영상 및 분자 측정치를 통합하지만, 획득 프로토콜과 환자의 순응도 차이로 인해 이러한 모달리티는 개인 및 연구마다 불균등하게 가용하다. 기존의 "대체 후 예측(impute-then-predict)" 전략은 결측값을 합성 데이터로 교체함으로써 이를 해결하려 한다. 그러나 저자들은 이러한 대체 방식이 체계적인 편향을 도입하고, 특성 간의 관계를 왜곡하며, 과도하게 확신에 찬 예측을 낳는다고 주장한다. 이러한 한계는 신뢰할 수 있는 불확실성 정량화가 임상 의사결정에 필수적인 진단 환경에서 특히 치명적이다. 더욱이, 기존의 결측 인지 모델들은 사례 자체의 내재적 난이도로 인한 불확실성과 결정적인 진단 정보의 부재로 인한 불확실성을 구분하지 못하는 경우가 많다.

방법론: NITROGEN 프레임워크
저자들은 부분적으로 관찰된 기록으로부터 직접 학습하도록 설계된 결측치 대체 없는 트랜스포머 아키텍처인 NITROGEN(No-imputation Inter-sample-attention TRansformer Oriented for GENeral datasets)을 제안한다. 이 프레임워크는 두 가지 핵심 메커니즘을 통합한다:

1. 마스크된 특성 어텐션 (NAIM): NAIM 모델을 기반으로 하는 NITROGEN은 표현 학습 과정에서 결측값을 명시적으로 무시하는 마스크된 셀프 어텐션(masked self-attention) 메커니즘을 채택한다. 데이터를 대체하는 대신, 모델은 마스킹 행렬을 사용하여 어텐션 계산 내에서 결측된 특성의 기여도를 억제함으로써 합성된 증거가 도입되지 않도록 보장한다.
2. 인터샘플 어텐션 (SAINT 기반): 이질적인 코호트에서의 예측을 안정화하기 위해, 아키텍처는 인터샘플 어텐션 모듈을 포함한다. 이를 통해 모델은 미니 배치 내의 서로 다른 환자 간의 관계 구조를 학습하여, 개별 수준에서의 결측되거나 노이즈가 섞인 입력을 보완할 수 있는 공유 패턴을 활용한다.

모델은 알츠하이머병 신경영상 이니셔티브(ADNI) 데이터셋($N=7,858$ 스캔)에서 훈련되었으며, 두 개의 독립적인 외부 코호트인 OASIS-3 ($N=2,675$)와 AIBL ($N=1,286$)에서 재학습 없이 평가되었다. 평가는 이진 분류(CN vs. AD), 다중 클래스 분류(CN vs. MCI vs. AD), 그리고 연속적 인지 점수 예측(MMSE 및 CDR-SB)의 세 가지 과업을 대상으로 수행되었다.

데이터의 불완전성 하에서 확률 추정의 신뢰성을 다루기 위해, 저자들은 모달리티 인식 불확실성 조정(modality-aware uncertainty adjustment) 방식을 도입했다. 이 방법은 누락된 모달리티의 추정된 중요도에 따라 샘플의 예측 불확실성(Shannon entropy)을 조절한다. 예를 들어, 매우 정보량이 많은 모달리티(예: 뇌척수액 바이오마커)가 부재할 경우, 모델의 확신도를 명시적으로 낮춤으로써 데이터 가용성을 반영하는 교정된 신뢰도 척도를 제공한다.

주요 결과

• 강건성 및 교정: 모든 코호트와 과업에 걸쳐 NITROGEN은 트리 기반 앙상블 방법(XGBoost, LightGBM, Random Forest)보다 우수한 확률 교정 성능을 보여주었다. 트리 기반 모델들은 인데이터(in-distribution) 데이터에서 높은 판별 정확도(AUC)를 달성하기도 했으나, 도메인 변화(예: OASIS-3 코호트) 상황에서는 체계적인 과잉 확신을 보였다. 반면 NITROGEN은 잘 교정된 예측을 유지하였으며, 정답 사례와 오답 사례 사이의 예측 확률 격차가 더 크게 나타나 불확실성 인지 능력이 더 뛰어남을 입증했다.
• 교차 코호트 일반화: 모델은 외부 코호트로의 견고한 전이를 보여주었다. AIBL에서의 성능은 ADNI와 공유된 모집 전략 덕분에 강력하게 나타났다. 다른 분포를 가진 전구기 인구를 대상으로 하는 OASIS-3의 경우, 모든 모델에서 예상대로 성능 저하가 발생했으나, NITROGEN은 일부 트리 기반 모델에서 관찰된 극단적인 변동성 없이 경쟁력 있는 민감도를 유지했다.
• 특성 기여도 및 충분성: 순열 기반 특성 기여도 분석 결과, 양측 측두극(bilateral temporal pole)의 피질 두께, APOE$\epsilon$4 유전자형, 그리고 연령이 모든 모델과 코호트에서 가장 일관되게 중요한 특성으로 식별되었다. 충분성 분석에 따르면, 측두극 특성 단독으로는 AD 상태에 대한 재현 가능한 순위 신호를 전달하지만, 보완적인 인구통계학적 및 유전적 맥락 없이는 안정적인 결정 수준의 분류에는 불충분한 것으로 나타났다.
• 불확실성 조정: 제안된 모달리티 인식 불확실성 조정은 선택적 예측의 신뢰성을 향상시켰다. 조정된 불확실성이 높은 예측을 제외함으로써, 모델은 원시 엔트로피를 사용할 때보다 더 높은 정확도를 확보하였으며, 이는 해당 조정이 결정적인 모달리티가 누락되었을 때 덜 신뢰할 수 있는 예측을 효과적으로 식별함을 입사한다.

의의 및 주장
본 논문은 NITROGEN이 결측치 대체 없는 어텐션 학습이 외부 코호트 변화 하에서도 의미 있는 판별력을 보존하는 동시에, 분포적으로 다른 데이터에 대한 예상된 성능 저하를 드러낼 수 있음을 입증한다고 주장한다. 저자들은 신경 질환을 위한 머신러닝 모델을 평가할 때는 예측 정확도를 넘어 교정, 해석 가능성, 교차 코호트 신뢰성이라는 차원이 필요하다고 강조한다.

연구의 결론은 다음과 같다:

1. 대체는 필수적이지 않다: 결측치가 있는 기록으로부터 직접 학습함으로써 합성 편향을 도입하지 않고도 의미 있는 멀티모달 학습이 가능하다.
2. 불확실성은 맥락을 인식해야 한다: 임상 현장에서 모델의 확신도는 단순히 사례의 난이도뿐만 아니라 진단 증거의 완전성 또한 반영해야 한다.
3. 측두극은 강력한 바이오마커이다: 다양한 데이터셋과 방법론 전반에서 측두극 피질 두께가 일관되게 선택된 것은 이것이 AD를 위한 견고한 구조적 특징임을 시사하지만, 이는 다른 모달리티와 결합될 때 최적의 기능을 수행한다.

저자들은 자신의 연구가 신뢰할 수 있는 임상 배포를 향한 단계라고 위치시키며, 데이터 완결성이 가변적인 실제 진단 워크플로우에서 모델이 유용하려면 누락된 정보에 대해 투명해야 한다고 주장한다.