Contrastive Representation Learning of Longitudinal Disease Trajectories on Temporal Graphs

당신이 한 사람의 인생 이야기를 이해하려고 노력하고 있다고 상상해 보십시오. 하지만 책을 읽는 대신, 무작위한 시간에 찍힌 흩어진 스냅샷 더미를 보고 있는 것입니다. 어떤 사진은 매일 찍혔고, 어떤 것은 일 년에 한 번 찍혔습니다. 어떤 사진은 행복한 생일 파티를 보여주고, 어떤 것은 의사 진료 기록을, 또 어떤 것은 그저 공원 벤치를 찍은 흐릿한 사진일 수도 있습니다. 의학계에서 "종단적 데이터(longitudinal data)"란 바로 이와 같습니다. 동일한 사람으로부터 반복해서 측정된 값들의 모음이지만, 종종 지저받고 불규칙한 간격으로 존재합니다.

과학자들의 큰 과제는 이러한 사람들을 그들의 삶(또는 질병)이 변화하는 방식에 따라 어떻게 그룹화할 것인가 하는 것입니다. 두 환자가 서로 다른 날에 검진을 받았더라도, 그들이 같은 경로를 따르고 있는 것일까요? 전통적인 방법들은 이 지저분한 스냅샷들을 깔끔하고 매끄러운 선으로 강제로 끼워 맞추려 하며, 모든 사람의 이야기가 예측 가능한 곡선을 따른다고 가정합니다. 하지만 실제 삶은 결코 그렇게 매끄럽지 않습니다. 때때로 사람들은 증상이 갑자기 치솟기도 하고, 조건이 복잡하고 비선형적인 방식으로 변하기도 합니다. 여기서 "머신러닝", 구체적으로는 "표현 학습(representation learning)"이라는 분야가 등장합니다. 이것은 컴퓨터에게 지저분한 데이터 더미를 보고 각 개인의 이야기에서 가장 중요한 "본질"이나 "요약"을 찾아내어, 누가 어느 그룹에 속하는지 쉽게 구별할 수 있도록 가르치는 과정이라고 생각하면 됩니다. 당신이 읽게 될 논문은 데이터가 시간과 유사성의 얽힌 그물망일 때, 이를 어떻게 가장 잘 수행할 수 있는지에 대한 문제를 다룹니다.

---

문제점: 지저분한 타임라인

당신이 사람들의 일일 습관을 바탕으로 용의자들을 그룹화하려는 탐정이라고 상상해 보십시오. 당신은 각 인물에 대한 메모 목록을 가지고 있지만, 그 메모들은 엉망진와 있습니다. 어떤 사람은 매일 아침 일기를 썼고, 어떤 사람은 흥미로운 일이 생겼을 때만 기록했습니다. 어떤 메모는 무엇을 먹었는지에 대한 것이고, 어떤 것은 기분이 어떠했는지에 대한 것이며, 어떤 것은 그저 낙서입니다.

의학에서 의사들은 항상 이런 종류의 데이터를 수집합니다. 그들은 환자들을 수년간 추적하며 혈압, 심박수, 증상 등을 기록합니다. 하지만 이 데이터는 "종단적(longitudinal)"(시간에 따라 길게 늘어짐)이며 "이질적(heterogeneous)"(사람마다 섞여 있고 서로 다름)입니다. 목표는 "클러스터(clusters)"—즉, 같은 질병 경로를 따라 이동 중인 환자 그룹—를 찾는 것입니다. 만약 이 그룹들을 찾아낼 수 있다면, 누가 더 악화될지 예측하고 치료를 더 정교하게 맞춤화할 수 있습니다.

문제는 기존의 탐정 업무(전통적 통계학)가 종종 모든 사람의 이야기가 매끄러운 직선이라고 가정한다는 점입니다. 하지만 질병은 항상 직선으로 움직이지 않습니다. 질병은 지그재그로 움직이고, 정체되기도 하며, 때로는 급격히 변합니다. 게다가 표준적인 방법들은 종종 각 환자를 고립된 상태로 바라보며, 환자 A와 환자 B가 서로 다른 사람이더라도 마치 동기화되어 움직이고 있을 가능성을 놓치곤 합니다.

해결책: RankWalk와 "시간 여행 그래프"

이 논문의 저자들은 RankWalk라고 불리는 새로운 방법을 제안합니다. 데이터를 직선으로 강제로 맞추는 대신, 그들은 모든 점을 연결하는 거대하고 보이지 않는 웹(그래프)을 구축하기로 결정했습니다.

그들이 이 웹을 구축하는 방법은 다음과 같습니다:

1. 노드 (점들): 환자가 가졌던 모든 개별 측정값은 지도 위의 하나의 점이 됩니다.
2. 시간적 문자열 (시간 여행): 만약 환자 A가 월요일에 검진을 받고 화요일에 또 검진을 받았다면, 그 두 점을 연결하는 문자열을 그립니다. 이는 시간의 순서를 보존합니다. 즉, 컴퓨터에게 "이것이 저것보다 먼저 일어났다"라고 알려주는 것입니다.
3. 유사성 문자열 (소울메이트): 이것이 영리한 부분입니다. 만약 환자 A와 환자 B가 똑같은 화요일에 검진을 받았고, 그 순간의 건강 수치가 매우 비슷했다면, 컴퓨터는 비록 두 사람이 다른 사람일지라도 그들을 연결하는 문자열을 그립니다. 이는 마치 "헤이, 너희 둘은 지금 같은 배를 타고 있구나"라고 말하는 것과 같습니다.

하지만 검진 시간이 이상하게 엇갈린다면 어떻게 될까요? 환자 A는 오전 10시에 검진을 받았고 환자 B는 오전 10시 5분에 검진을 받았다면 어떻게 할까요? 저자들은 "슬라이딩 윈도우(sliding window)" 기법을 사용합니다. 타임라인을 가로질러 움직이는 창문을 상상해 보십시오. 환자의 검진이 그 창 안에 들어오면, 그들은 해당 창 안에 있는 다른 모든 사람과 그룹화됩니다. 이는 이야기의 맥락을 잃지 않으면서도 불규칙한 타이밍의 지저분함을 완화해 줍니다.

핵심 비결: 앵커(Anchor)와 랜덤 워크(Random Walk)

이제 웹이 구축되었습니다. 그렇다면 컴퓨터는 어떤 환자들이 서로 속해 있는지 어떻게 학습할까요? 여기서 **대조 학습(Contrastive Learning)**이 등장합니다. 이것을 "차이점 찾기" 게임이라고 생각하십시오.

컴퓨터는 "앵커(Anchor)"(특정 환자의 검진 데이터)를 선택하고 그것과 닮은 다른 점들을 찾으려고 시냅스합니다. 하지만 단순히 주변 이웃을 보는 대신, 컴퓨터는 점과 점 사이의 문자열을 따라 점프하며 이동하는 "랜덤 워커(random walker)"—작은 탐험가—를 보냅니다.

여기에는 반전이 있습니다. 이 탐험가는 **앵커에 의해 유도(anchor-guided)**됩니다. 탐험가는 목적 없이 방황하지 않습니다. 탐험가는 앵커와 구조적으로 유사한 점들을 찾도록 편향되어 있습니다. 만약 앵커가 "아픈" 환자라면, 탐험가는 웹 상에서 멀리 떨어져 있더라도 다른 "아픈" 환자를 찾을 가능성이 더 높습니다.

컴퓨터는 탐험가가 일치하는 대상을 얼마나 빨리 찾는지에 대한 점수를 기록합니다. 탐려가가 유사한 환자를 더 빨리 찾을수록, 그 매칭은 더 "중요"한 것이 됩니다. 이것을 **순위 가중치 양의 쌍 생성(Rank-Weighted Positive Pair Generation)**이라고 합니다. 이는 마치 "만약 네가 첫 번째 단계에서 쌍둥이를 찾았다면, 그 쌍둥이는 완벽한 매치다. 만약 열 단계를 거쳐서 겨우 쌍둥이를 찾았다면, 그들은 아주 유사하다고 볼 수는 없다"라고 말하는 것과 같습니다.

마지막으로, 컴퓨터는 "대조적(contrastive)" 목적 함수를 사용합니다. 컴퓨터는 '쌍둥이' 점들이 자신의 내부 언어(임베딩)에서 매우 유사해 보이도록 만들고, '쌍둥이가 아닌' 점들은 매우 다르게 보이도록 노력합니다. 시간이 흐르면서 컴퓨터는 모든 환자의 여정을 짧고 강력한 코드(임베딩)로 요약하는 매우 효율적인 방법을 학습하게 됩니다.

결과: 무엇을 발견했는가?

저자들은 새로운 "RankWalk" 방법을 기존의 탐정들(전통적 통계학) 및 다른 새로운 머신러닝 도구들과 비교 테스트했습니다. 이 테스트는 두 가지 방식으로 진행되었습니다.

1. 시뮬레이션 실험실 (가짜 데이터)
먼저, 컴퓨터로 가짜 환자 데이터를 생성했습니다.

• 시나리오 A (매끄러운 주행): 환자들이 매끄럽고 예측 가능한 곡선을 따르는 데이터를 만들었습니다. 여기서는 기존 방법들(fPCA 등)도 잘 작동했지만, RankWalk 역시 그만큼 잘 해냈습니다.
• 시나리오 B (노이즈가 섞인 주행): 데이터에 "노이즈"(무작위 오류나 잘못된 데이터 포인트)를 섞었습니다. 기존 방법들은 혼란에 빠져 사람들을 잘못 그룹화하기 시작했습니다. 그러나 RankWalk는 침착함을 유지했습니다. 데이터의 다양한 "서브스페이스(subspaces, 다양한 관점)"를 살펴보고 순위 시스템을 사용했기 때문에, 노이즈를 무시하고 진정한 그룹을 찾아냈습니다.
• 시나리오 C (혼돈의 주행): 환자들이 서로 다른 "레짐(regimes, 체제/양상)" 사이를 전환하거나(예: 갑자기 행동이 변하는 질병) 비선형적인 도약을 보이는 데이터를 만들었습니다. 기존 방법들은 이 혼돈을 감당하지 못해 완전히 실패했습니다. 반면 RankWalk는 탁월한 성과를 보이며 거의 완벽한 정확도로 그룹을 찾아냈습니다. 이는 곡선의 형태를 미리 알 필요가 없다는 것을 입증했습니다. 그래프가 스스로 학습할 수 있기 때문입니다.

2. 현실 세계 (실제 데이터)
다음으로, 심장 질환, 간 질환, 인지 노화, 에이즈(AIDS)와 관련된 네 가지 실제 의료 데이터셋에 RankWalk를 테스트했습니다.

• 저자들은 단순히 그룹이 얼마나 잘 형성되었는지만 본 것이 아니라, 그 그룹들이 실제로 생존에 의미가 있는지 확인했습니다. 그들은 "C-index(Concordance Index, 그룹이 생존율을 얼마나 잘 예측하는지에 대한 점수)"와 "Log-Rank Test(그룹 간 차이를 확인하는 통계적 검증)"를 사용했습니다.
• 결과: RankWalk는 기존의 가장 뛰어난 방법인 fPCA를 일관되게 이겼습니다. 예를 들어, 심장 질환(HEART) 데이터셋에서 기존 방법의 생존 예측 점수는 0.57(추측보다 겨우 나은 수준)이었으나, RankWalk는 이를 0.71까지 끌어올렸습니다. 더욱 놀라운 점은, 그룹 간의 차이를 보여주는 통계적 근거가 약한 4.81에서 엄청난 52.25로 급증했다는 것입니다.
• 이는 데이터를 시간과 유사성의 연결된 웹으로 취급함으로써, 기존 방법들이 놓쳤던 패턴을 RankWalk가 찾아냈으며, 결과적으로 건강 결과 측면에서 훨씬 더 뚜렷하게 구분되는 환자 그룹을 만들어냈음을 시사합니다.

요약

이 논문은 지저도한 실제 의료 데이터를 이해하기 위해 굳이 깔끔하고 직선적인 형태로 강제로 맞출 필요가 없다는 점을 시사합니다. 시간의 흐름과 서로 다른 사람들 사이의 유사성을 모두 존중하는 역동적인 웹을 구축하고, 스마트한 "탐색 및 비교" 전략을 사용함으로써, 우리는 질병이 진행되는 방식에 숨겨진 패턴을 밝혀낼 수 있습니다.

RankWalk는 단순히 환자를 그룹화하는 것이 아니라, 올바른 그룹을 찾아냅니다. 이 방법은 지저분한 데이터를 처리하고, 노이즈를 무시하며, 복잡하고 변화하는 질병 패턴에 기존의 도구들보다 더 잘 적응합니다. 저자들은 이것이 방법론적 돌파구이며, 누락된 데이터나 다중 유형의 데이터를 다루기 위한 향후 연구가 더 필요하다고 언급했지만, 지금까지의 결과는 그래프 기반 접근 방식이 인간 건강의 길고 굽이진 길을 바라보는 강력한 새로운 렌즈가 될 수 있음을 보여줍니다.