The Cost of Binarizing Survival Outcomes in Clinical Prognostic Modeling

기술 요약: 임상 예후 모델링에서 생존 결과 이진화의 비용

문제 정의
시계열 사건 데이터(time-to-event data)를 위한 생존 분석의 확립된 프레임워크에도 불구하고, 특히 베이지안 네트워크(BN)를 활용한 변수 선택 연구를 수행하는 상당수의 임상 머신러닝 연구에서는 모델 학습 전 시계열 사건 결과를 이진 타겟(예: 2년 생존 여부)으로 변환한다. 이러한 이진화 관행은 시간적 정보를 폐기하고, 추적 관찰 기간에 따라 환자를 불일치하게 검열(censoring)하며, 연속적이고 단계적인 위험 관계를 단일 임계값으로 붕괴시킨다. 저자들은 이러한 정식화가 중립적인 선택이 아니라, 검열된 환자들을 체계적으로 배제하고 특정 절단점(cutpoint)에 집중되지 않고 연속적인 효과를 갖는 예후 인자의 효과를 가리는 선택이라고 주장한다. 결과적으로, 도출된 마르코프 블랭킷(Markov blanket, 타겟을 다른 변수들로부터 조건부 독립으로 만드는 최소 변수 집합)은 이진 대리 지표에는 최적일 수 있으나, 실제 생존 결과에 대해서는 최적이 아닐 수 있다.

방법론
저자들은 이러한 한계를 해결하기 위해 생존 인식 베이지안 네트워크(SA-BN) 프레임워크를 제안한다. 방법론은 네 가지 핵심 단계로 구성된다:

1. SA-BN 구조 학습: 이산적 타겟을 요구하는 표준 BN 학습(예: BDeu, K2와 같은 분류 기반 스코어링 함수 사용)과 달리, SA-BN은 변수 간 에지(feature-feature edges)와 변수-타겟 간 에지(feature-target edges)를 분리한다.
   • 변수 간 에지는 표준 다항 스코어(multinomial scores)를 사용하여 점수를 매긴다.
   • 변수-타겟 간 에지는 **Cox 부분 로그 가능도(Cox partial log-likelihood)**를 사용하여 점수를 매긴다.
   • 에지는 가능도 비 검정(likelihood-ratio test, p < 0.05)을 통해 추가되며, 이를 통해 검열된 환자들이 고정된 시점의 절단점에 의해 배제되는 대신 시간 및 사건 지표를 통해 구조 학습에 기여할 수 있도록 한다.
2. 마르코프 블랭킷(MB) 발견: 생존 인식 마르코프 블격은 세 가지 구조적으로 다른 방법(DAG 유래 부모/자식/공동 부모, Cox 단계적 선택, 단변량 C-index top-k) 간의 합의(≥2/3 일치)를 통해 식별된다. 이는 "2년 생존 ≥"라는 이진 타겟으로부터 도출된 이진 대리 MB와 비교된다.
3. 다운스트림 모델링 및 인과 추론: 선택된 변수들은 Cox 비례 위험(PH) 모델, 랜덤 서바이벌 포레스트(RSF), 그래디언트 부스팅 서바이벌(GBS) 모델을 통해 평가된다. 인과 효과는 G-computation을 이용한 **중재적 제한 평균 생존 시간(RMST)**을 통해 추정되며, 이는 혼란 변수를 조정하여 효과를 시간 단위(생존 개월 수)로 표현한다.
4. 절제 실험(Ablation Experiments): 성능 향상이 Cox 스코어링 정식화 덕분인지, 아니면 단순히 (이전에 검열되었던) 더 많은 환자가 포함되었기 때문인지를 구분하기 위해, 저자들은 이진 엔드포인트 평가가 가능한 환자 하위 집합(추적 관찰 기간이 불충분한 환자 제외)에 대해 SA-BN 파이프라인을 재실행하였다.

사례 연구 및 데이터
본 연구는 두 가지 두경부암(HNC) 코호트를 통해 접근 방식을 평가한다:

• 방사선 코호트: 확정적 방사선 치료를 받은 2,994명의 환자(RADCURE 데이터셋).
• 수술 코호트: 일차 수술을 받은 763명의 환자(HANCOCK 데이터셋).
  일반화 가능성은 세 개의 다기관 TCGA 코호트(유방암(BRCA), 대장암(COAD), 신장암(KIRC))를 통해 테스트된다.

주요 결과

• 누락된 변수의 회복: 이진화는 단계적 효과를 가진 기존의 예후 인자들을 지속적으로 놓쳤다. 방사선 코호트에서 SA-BN은 이진 MB에는 없었던 **흡연량(smoking pack-years)**과 **전체 병기(overall stage)**를 회복했다. 수술 코호트에서 SA-BN은 거친 범주형 변수를 헤모글로빈, 중성구-림프구 비율(NLR), 양성 림프절 수와 같은 연속적 바이오마커로 대체하였다.
• 개선의 동인: 절제 실험을 통해 성능 향상이 단순히 추가된 환자 수가 아니라 Cox 스코어링 정식화에 의해 주로 발생함을 확인하였다. SA-BN을 이진 학습에 사용된 환자 하위 집합(2년 미만 추적 관찰 환자 제외)에 실행했을 때도, 방사선 코호트에서 9개 중 8개의 생존 MB 변수를 회복하였고 수술 코호트에서는 5개 모두를 회복하였다.
• 성능 지표:
  • SA-BN은 테스트 세트의 일치도 지수(C-index)를 이진 스코어링 대비 방사선 코호트에서 +0.031, 수술 코호트에서 +0.078 개선하였다.
  • 결정적으로, SA-BN을 통해 선택된 변수들은 이진 2년 분류 성능을 향상시켰다(방사선 코호트에서 AUC-ROC가 0.797에서 0.826으로 증가).
• 일반화: 이점은 다양한 생존 엔드포인트(전체 생존, 재발, 무진행 생존) 및 다양한 암 유형(유방, 대장, 신장) 전반에 걸쳐 일반화되었다. TCGA 코호트에서 이진화는 17~41%의 환자를 배제하였으며, 생물학적 표지자 대신 치료 변수를 선택하는 등 덜 견고한 변수를 선택하게 했다.
• 인과적 해석 가능성: SA-BN은 중재적 RMST 계산을 가능하게 했다. 예를 들어, 수술 코호트에서 낮은 헤모글로빈은 13.9개월의 기대 수명 손실과 관련이 있었고, 높은 NLR은 7개월의 손실과 관련이 있었다. 이진 모델은 이러한 시간 기반의 효과 추정치를 제공할 수 없다.

의의 및 주장
본 논문은 BN 구조 학습 중 엔드포인트 설정의 선택이 어떤 변수를 예후 인자로 간주할지를 근본적으로 결정한다고 주장한다. 저자들은 다음과 같이 단언한다:

1. 이진화는 중립적이지 않다: 이진화는 단계적 생존 효과를 가진 변수를 숨기고, 임의의 시간 임계값에 따라 변하는 불안정한 마르코프 블랭킷을 생성한다.
2. SA-BN은 즉시 적용 가능한 솔루션이다: 이는 변수-결과 간 스코어링 함수에 대한 수정만을 요구하며, BN의 해석 가능성과 그래프 구조의 장점을 유지하면서 전체 시계열 데이터를 활용한다.
3. 이진 대리 모델보다 우월하다: 생존 인식 변수 선택은 이진 방식이 놓친 확립된 임상 인자들을 회복할 뿐만 아니라, 이진 분류 성능을 높이고 이진 대리 모델이 제공할 수 없는 시간 기반의 인과 효과 추정(RMST)을 가능하게 한다.

저자들은 결론적으로, 임상 연구에서 생존 결과에 대한 변수 선택을 수행할 때는 시계열 방법을 기본으로 사용해야 한다고 강조한다. 이진화를 하면 예후 신호가 폐기되고, 실제 생ological 드라이버가 아닌 이진 정식화의 부산물인 변수를 선택할 위험이 있기 때문이다.