Investigation of Polycystic Ovary Syndrome (PCOS) Diagnosis Using Machine Learning Approaches

기술 요약: 머신러닝 접근 방식을 이용한 다낭성 난소 증후군(PCOS) 진단 조사

문제 정의
다낭성 난소 증후군(PCOS)은 가임기 여성의 5~10%에게 영향을 미치는 흔한 내분비 질환으로, 호르몬 불균형, 무배란, 난소 낭종의 존재를 특징으로 한다. 이는 불임, 대사 장애, 산부인과적 암 위험 증가를 포함한 심각한 합병증을 유발한다. 전통적인 진단은 임상 기록, 신체 검사 및 실험실 검사의 조합에 의존하며, 이는 종종 자원 집약적이고 시간이 많이 소요되며 비용이 많이 든다. 머신러닝(ML)이 의료 진단 분야에서 유망함을 보여주었으나, Industry 5.0의 목표에 부합하도록 전처리 요구 사항을 최소화하고 조기 발견 및 예방적 관리를 효과적으로 개선하기 위해 특성 선택(feature selection)을 활용하는 강력한 데이터 기반 접근 방식이 여전히 필요하다.

방법론
본 연구는 인도 케랄라 주의 10개 의료 시설에서 수집된 541명의 환자에 대한 공개 데이터셋을 활용하여 포괄적인 데이터 기반 프레임워크를 채택한다. 데이터셋은 43개의 신체 및 임상적 특성과 이진 타겟 속성(PCOS 존재 여부)을 포함한다. 방법론적 파이프라인은 다음과 같다:

1. 데이터 전처리:

   • 결측치 처리(Imputation): 결측치는 선형 보간법을 사용하여 처리하였으며, null 값을 열 평균값으로 대체하였다.
   • 정규화(Normalization): 모든 특성을 0에서 1 사이의 범위로 스케일링하기 위해 Min-max 정규화를 적용하였다.
   • 샘플링(Sampling): 클래스 불균형을 완화하기 위해, 저자들은 무작위 언더샘플링(다수 클래스 인스턴스 제거)과 합성 소수 샘플을 생성하는 SMOTE(Synthetic Minority Over-sampling Technique)를 모두 사용하였다.
   • 분할(Splitting): 균형 잡힌 데이터셋은 훈련(70%), 검증(15%), 테스트(15%) 세트로 분할되었다.

2. 특성 선택(Feature Selection):
   원래 43개 특성 중 가장 영향력 있는 하위 집합을 식별하기 위해 네 가지의 서로 다른 특성 선택 전략을 평가하였다:

   • 랜덤 포레스트(RF) 특성 중요도: 의사결정 나무의 불순도 감소에 대한 기여도를 기준으로 특성을 순위 매기기 위해 지니 불순도(Gini impurity)를 활용한다.
   • 카이제곱 검정(Ch2): 범주형 특성과 타겟 변수 간의 독립성을 평가하는 데 사용된다.
   • 최고 상관관계(Highest Correlation, HC): 타겟과 가장 강한 선형 관계를 가진 특성을 식별한다.
   • 최저 상관관계(Least Correlation, LC): 모델의 다양성을 확보하고 중복성을 줄이기 위해 상관관계가 최소인 특성을 선택한다.

3. 머신러닝 모델:
   다섯 가지 앙상블 학습 알고리즘을 구현하고 비교하였다:

   • 그래디언트 부스팅 변형: CatBoost, Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LGBM).
   • 부스팅(Boosting): AdaBoost.
   • 배깅(Bagging): 랜덤 포레스트 (RF).

4. 평가:
   모델 성능은 테스트 정확도(accuracy), 정밀도(precision), 재현율(recall), F1-score, 매튜스 상관계수(MCC), 코헨의 카파(Cohen's Kappa, CK)를 사용하여 평가되었다.

주요 결과
본 연구는 다양한 특성 선택 방법과 샘플링 기법(언더샘플링 대 오버샘플링)에 따른 다섯 가지 ML 모델의 성능을 평가하였다.

• 언더샘플링 결과:

  • AdaBoost는 RF 특성 중요도와 최고 상관관계(HC)를 통해 선택된 10개의 특성으로 학습했을 때 **94.44%**의 가장 높은 테스트 정확도를 달s성하였다.
  • CatBoost와 LGBM은 모두 90.74%의 최고 정확도에 도달하였다 (CatBoost는 10/15개의 RF 특성 사용, LGBM은 15개의 RF 특성 사용).
  • RF는 HC를 통해 선택된 15개 특성으로 최대 88.89%를 달성하였다.

• 오버샘플링 결과:

  • CatBoost는 최고 상관관계(HC)를 통해 선택된 15개 특성을 사용하여 **94.50%**의 가장 높은 테스트 정확도를 달성하였다.
  • RF는 RF 특성 중요도를 통해 선택된 15개 특성을 사용하여 93.58%의 높은 성능을 보였다.
  • LGBM과 AdaBoost는 특정 특성 선택 구성 하에서 각각 93.58%와 92.65%의 최고 정확도에 도달하였다.

• 특성 선택의 영향:
  결과는 특성 선택이 모델 성능을 유의미하게 향 향상시킨다는 것을 일관되적으로 입증하였다. 구체적으로, RF 특성 중요도에 의해 식별된 상위 10개 특성을 활용한 모델이 전체 특성 집합을 사용하거나 다른 선택 방법을 사용했을 때보다 일반적으로 더 우수한 결과를 나타냈다.

의의 및 기여
본 논문은 PCOS 진단 분야에 대한 몇 가지 핵심적인 기여를 주장한다:

1. 최적화된 특성 선택: 본 연구는 고급 알고리즘(특히 RF 특성 중요도)을 사용하여 유의미한 PCOS 관련 특성을 선택하는 것이 진단 정확도를 높이는 데 결정적임을 식별하였다.
2. 새로운 조합: 전처리를 최소화하면서 질병 예측을 위한 간소화된 접근 방식을 제공하는 특성 선택 알고리즘과 ML 기법의 독특한 조합을 소개한다.
3. 조기 개입 잠재력: 높은 예측 정확도를 입증함으로써, 제안된 데이터 기반 접근 방식은 조기 개입 및 생활 습리 교정을 지원하며, 이는 Industry 5.0의 예방적 헬스케어 목표와 부합한다.
4. 데이터 기반 의사결정: 본 연구는 자원 집약적인 전통적 진단 방식에서 벗어나 Healthcare 5.0의 데이터 기반 방법론으로의 전환을 강화한다.

한계 및 향후 방향
저자들은 교차 검증에도 불구하고 과적합(overfitting)의 가능성, 일부 앙상블 모델의 해석 가능성 부족, 딥러닝 적용을 위한 현재 데이터셋 크기의 제약 등의 한계를 인정한다. 향후 연구는 더 해석 가능한 모델 개발, 더 크고 다양한 데이터셋 수집, 그리고 신뢰성을 더욱 높이고 알고리즘 편향과 같은 윤리적 문제를 다루기 위해 특성 선택 과정에 도메인 지식을 통합하는 데 집중할 것을 제안한다.