💻 bioinformatics

Trustworthy ML/AI for Aging Clocks: Preventing Systematic Prediction Bias in Biological Age Estimation

이 논문은 머신러닝 기반 에이징 클락(aging clocks)에서 하류 연관 분석을 왜곡할 수 있는 체계적 예측 편향이라는 중대한 문제를 식별하고 이를 해결하기 위해, 유효한 생물학적 연령 추정과 추론을 보장하는 제약 최적화 프레임워크를 제안한다.

원저자: Lee, H., Ye, Z., Yang, Y., Pan, Y., Maron, B., Wang, Z., Kochunov, P., Thompson, P., Hong, L. E., MA, T., Chen, C., Chen, S.

게시일 2026-09-06

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Lee, H., Ye, Z., Yang, Y., Pan, Y., Maron, B., Wang, Z., Kochunov, P., Thompson, P., Hong, L. E., MA, T., Chen, C., Chen, S.

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

자동차의 주행거리를 단순히 확인하는 대신, 엔진과 도장 상태, 그리고 타이어의 마모도를 보고 자동차가 얼마나 빨리 노화되고 있는지 측정하려는 노력을 상상해 보십시오. 이것이 바로 생물학적 연령 연구의 본질입니다. 우리 모두는 태어난 후 흐른 연수인 연대기적 연령을 알고 있지만, 우리의 몸은 항상 같은 속도로 늙지는 않습니다. 어떤 이들은 70대까지도 신체적으로 매우 건강한 상태를 유지하는 반면, 어떤 이들은 훨씬 더 일찍 쇠퇴의 징후를 보이기도 합니다. 과학자들은 우리의 생물학적 연령을 추정하기 위해 '에이징 클락(aging clocks, 노화 시계)'이라 불리는 도구들을 개발했습니다. 이 도구들은 우리의 DNA, 혈액 또는 뇌 스캔에서 추출한 복잡한 데이터를 분석하여 우리 내부가 얼마나 늙었는지를 예측합니다. 그 목표는 누가 너무 빠르게 늙고 있는지, 그리고 그 이유가 무엇인지를 식별하여 의사들이 질병을 예방하기 위해 개입할 수 있도록 하는 것입니다. 그러나 새로운 연구에 따르면, 이러한 시계를 만드는 데 사용된 컴퓨터 자체가 우리를 속이고 있을 수 있으며, 이는 단순히 틀린 결론을 내는 것을 넘어 때로는 진실과 정반대의 결론을 도출할 수도 있다고 합니다.

문제는 이러한 컴퓨터 프로그램, 즉 머신러닝 모델이 학습되는 방식에 있습니다. 컴퓨터에게 생물학적 연령을 추측하도록 가르치기 위해, 연구자들은 수천 명의 데이터와 함께 알려진 연대기적 연령을 정답지로 제공합니다. 컴퓨터는 달력상의 연도와 일치하는 생물학적 데이터의 패턴을 찾아내는 법을 배웁니다. 하지만 이 프로그램들에는 숨겨진 결함이 있습니다. 이들은 본질적으로 평균값에 편향되어 있습니다. 모델이 확신이 없을 때, 컴퓨터는 중간 지점을 선택하는 경향이 있습니다. 젊은 사람의 경우, 컴퓨터는 그들을 실제보다 더 나이 든 것으로 추측합니다. 노인의 경우, 그들을 더 젊은 것으로 추측합니다. 이것은 무작위적인 실수가 아닙니다. 극단적인 값들을 중심부로 축소시키는 체계적인 오류입니다. 노화 연구의 세계에서, 이는 가장 늙은 사람들은 생물학적으로 실제보다 더 젊게 보이고, 가장 젊은 사람들은 더 늙어 보이게 만드는 왜곡된 그림을 만들어냅니다.

메릴랜드 대학교와 다른 기관들의 이휘영, 솨오 첸(Shuo Chen) 연구팀과 그 팀은 이 편향이 단순히 숫자를 잘못 계산하는 것 이상의 문제를 일으킨다는 것을 발견했습니다. 그것은 뒤따르는 과학적 연구를 근본적으로 망가뜨립니다. 과학자들이 흡연이나 식단과 같은 생활 습ong 요인이 노화에 어떻게 영향을 미치는지 연구하기 위해 이 결함 있는 시계들을 사용할 때, 이 편향은 결과를 완전히 뒤집어 놓을 수 있습니다. 뇌 스캔을 이용한 한 실제 사례 테스트에서, 표준 컴퓨터 모델들은 인지 능력이 뛰어난 사람들이 더 '늙은' 뇌를 가지고 있다고 제안했는데, 이는 똑똑한 것이 당신을 더 빨리 늙게 만든다는 의미가 됩니다. 이는 터무니없는 결론입니다. 연구진이 컴퓨터의 편향을 수정했을 때, 결과는 예상했던 현실로 뒤집혔습니다. 즉, 인지 능력이 뛰어난 사람들이 더 '젊고' 회복력이 강한 뇌를 가지고 있다는 것이었습니다. 마찬가지로, 신장 기능 연구에서도 결함이 있는 모델들은 신장 건강이 나쁜 것이 더 젊은 생물학적 연령과 연결되어 있다고 제안했지만, 수정된 모델은 논리적인 연결 고리인 '나쁜 신장 건강은 가속화된 노화와 관련이 있다'는 사실을 보여주었습니다.

이를 해결하기 위해 연구팀은 '편향되지 않은 머신러닝 회귀(Unbiased Machine Learning Regression)'라는 새로운 방법을 개발했습니다. 컴퓨터가 오류를 유발하는 '최소 저항 경로'를 따르도록 내버려 두는 대신, 그들은 훈련 과정에 엄격한 규칙을 추가했습니다. 그들은 모델이 두 가지 특정 집단, 즉 더 젊은 사람들과 더 나이가 많은 사람들에 대해 완벽하게 정확하도록 강제했습니다. 이 두 지점에 모델을 고정함으로써, 컴퓨터는 데이터 사이를 관통하는 직선을 정확하게 그리도록 강요받으며, 이를 통해 '더 늙었다'는 예측이 진정으로 더 늙음을 의미하고, '더 젊다'는 예측이 진정으로 더 젊음을 의미하도록 보장합니다. 연구진이 이 새로운 방법을 UK 바이오뱅크(UK Biobank)와 프래밍햄 심장 연구(Framinghan Heart Study) 데이터에 적용했을 때, 체계적인 오류들은 사라졌습니다. 새로운 시계들은 더 이상 건강과 연령 사이의 기이하고 역전된 관계를 보여주지 않았습니다.

프리프린트(preprint)에 발표된 이 연구 결과는 인간의 건강을 이해하기 위해 인공지능을 사용하는 방식에 있어 주의가 절실히 필요함을 강조합니다. 이 연구는 단순히 서류상으로 정확해 보이는 컴퓨터 모델을 갖추는 것만으로는 충분하지 않다는 것을 보여줍니다. 만약 모델에 편향이 있다면, 그것은 질병의 원인이 무엇인지, 그리고 어떻게 치료해야 하는지에 대해 위험한 오해를 불러일으킬 수 있습니다. 연구진은 자신들의 새로운 편향되지 않은 도구들을 다른 과학자들이 사용할 수 있도록 공개하였으며, 이는 차세대 에이징 클락이 소프트웨어의 한계로 인해 왜곡된 이야기가 아닌, 우리 몸에 대한 진실을 말할 수 있도록 하는 길을 제시합니다.

기술 요약: 신뢰할 수 있는 노화 시계(Aging Clocks)를 위한 ML/AI

문제 정의
머신러닝(ML) 및 인공지능(AI) 회귀 모델은 오믹스(omics) 및 의료 영상 데이터를 통해 생물학적 연령을 추정하는 "노화 시계"를 구축하는 데 점점 더 많이 사용되고 있다. 이러한 모델들의 근본적이면서도 과소평가된 통계적 한계는 **체계적 예측 편향(systematic prediction bias)**이다. 평균 제곱 오차(MSE)와 같은 일반적인 목적 함수에 최적화된 표준 ML 회귀 방법(예: 랜덤 포레스트, 그래디언트 부스팅, 신경망, 규제 회귀)은 예측값을 평균 쪽으로 수축(shrinkage)시키는 경향이 있다. 이는 예측된 생물학적 연령이 고령자에게는 과소평가되고, 젊은 층에게는 과대평가되는 체계적인 패턴을 초래한다.

이러한 편향은 생물학적 연령 연구에서 특히 문제가 되는데, 왜냐하면 진정한 생물학적 연령은 **잠재 변수(unobserved variable)**이기 때문이다. 모델들은 일반적으로 연대기적 연령(chronological age)을 대리 결과값으로 사용하여 학습된다. 표준적인 사후 교정(post-hoc calibration) 전략들이 존재하지만, 이들은 예측된 생물학적 연령을 연대기적 연령에 지나치게 의존하게 만들어 진정한 생물학적 변이를 포착하는 능력을 제한한다. 더욱 결정적으로, 이러한 체계적 편향은 다운스트림 연관성 분석(downstream association analyses)으로 전파된다. 노화 시계가 건강 요인(예: 흡연, 신장 기능)과의 연관성을 평가하는 결과 변수로 사용될 때, 이 편향은 추정된 연관성을 왜곡하거나 심지어 부호(sign)를 반전시켜, 잘못된 결론(예: 뇌 연령이 높을수록 인지 능력이 더 좋다는 식의 결론)을 도출하게 할 수 있다.

방법론
저자들은 사후에 교정하는 대신, 모델 구축 단계에서 체계적 예측 편향을 방지하기 위한 **무편향 머신러닝 회귀(Unbiased Machine Learning Regression, UMLR)**라는 원칙적인 프레임워크를 제안한다.

이론적 특성화: 논문은 체계적 예측 편향을 수학적으로 정의한다. 진정한 결과 $Y$ 와 예측값 $\hat{Y}$ 에 대해, 편향은 다음과 같은 선형 수축으로 특징지어진다: $E(\hat{Y} | Y = y^*) - y^* = (\eta - 1)y^*$ , 여기서 $\eta \in [0, 1]$ 이다. $\eta < 1$ 인 경우 편향이 존재함을 나타낸다.
잠재 결과 처리: 노화 시계 응용 분야에서는 진정한 생물학적 연령 $Y$ 가 관찰되지 않으므로, 저자들은 예측된 생물학적 연령( $\hat{Y}$ )을 연대기적 연령( $A$ )에 대해 회귀 분석함으로써 얻은 체계적 편향이 잠재적 생물학적 연령에 대한 편향의 일치 추정량(consistent estimator)임을 증명한다(정리 1). 이를 통해 관찰 가능한 대리 결과값을 사용하여 편향을 정량화하고 교정할 수 있다.
제약 최적화: UMLR은 두 개의 서로 다른 데이터 서브셋( $R_1$ $R_{1}$ 및 $R_2$ $R_{2}$ , 일반적으로 임계값(예: 표본 평균)에 의해 정의됨)에 대한 두 가지 평균 매칭 제약을 추가하여 표준 MLR 목적 함수를 수정한다.
- $\sum_{i \in R_1} (f(X_i) - Y_i) = 0$
- $\sum_{i \in R_2} (f(X_i) - Y_i) = 0$
  기하학적으로, 이 제약 조건들은 적합된 회귀선이 편향 없는 45도 직선상의 두 개별 앵커 포인트(anchor points)를 통과하도록 강제하여, 기울기를 1( $\eta = 1$ )로 만들고 체계적 편향을 제거한다.

주요 결과
논문은 합성 실험(synthetic experiments)과 두 가지 실제 사례 연구를 통해 UMLR 프레임워크를 검증한다.

합성 실험: 표준 MLR 모델이 지속적으로 $\eta < 1$ (편향)을 보이며, 이것이 편향된 다운스트림 연관성 추정으로 이어진다는 것을 입증했다. 반면, UMLR은 $\eta \approx 1$ 을 달-성하여 편향되지 않은 생물학적 연령 차이(gap)와 공변량 간의 연관성을 산출했다.
사례 연구 1 (뇌 연령): UK Biobank(학습)와 Human Connectome Project(테스트)의 신경 영상 데이터를 사용하여 표준 MLR과 UMLR을 비교했다.
- 표준 MLR은 유의미한 편향( $\text{학습 시 } \eta \approx 0.30, \text{테스트 시 } \approx 0.37$ )을 보였다.
- 다운스트림 영향: 표준 MLR은 뇌 연령 가속화와 유동적 인지 능력 사이의 양(+)의 연관성을 시사했으나(즉, 뇌가 늙을수록 인지 능력이 좋다는 의미), UMLR은 예상되는 음(-)의 연관성(가속화된 노화가 인지 저하와 연결됨)을 보여주었다.
사례 연구 2 (후성유전적 연령): DNA 메틸화 데이터를 사용하여 신장 기능(혈청 크레아티닌)을 예측했다.
- 표준 MLR은 편향( $\text{학습 시 } \eta \approx 0.33, \text{테스트 시 } \approx 0.37$ )을 보였다.
- 다운스트림 영향: 표준 MLR은 후성유전적 연령 차이와 크레아티닌 사이의 음(-)의 연관성을 시사했다(즉, 신장 기능이 나쁠수록 후성유전적 연령이 젊다는 의미). UMLR은 이를 교정하여, 생물학적 기대치와 일치하는 양(+)의 연관성(비록 이 특정 테스트에서는 통계적으로 유의미하지는 않았지만)을 보여주었다.

주목할 점은, UMLR이 연대기적 연령에 대해 표준 MLR보다 종종 더 낮은 $R^2$ 와 높은 RMSE를 보이지만, 저자들은 이것이 바람직한 트레이드오프라고 주장한다는 것이다. 대리 결과값에 대한 $R^2$ 가 낮다는 것은 모델이 단순히 연대기적 연령을 그대로 반영하도록 제약받지 않고, 생물학적으로 의미 있는 편차를 더 잘 포착하고 있음을 의미한다.

의의 및 주장
본 논문은 체계적 예측 편향이 ML/AI 기반 노화 시계에서 만연한 문제이며, 생물학적 추론을 근본적으로 바꿀 수 있다고 주장한다. 이 연구의 의의는 다음과 같다:

결정적 결함 식별: 표준 ML 최적화 기준이 생물학적 연령 연구에서 다운스트림 인과 또는 연관성 추론을 왜곡하는 편향된 예측을 선호한다는 점을 강조한다.
해결책 제공: 제약 최적화를 통해 소스 단계에서부터 편향을 방지하는 광범적으로 적용 가능한 원칙적인 프레임워크로서 UMLR을 도입하며, 진정한 생물학적 연령이 관찰되지 않더라도 유효한 다운스트림 추론을 보장한다.
오도된 결론 교정: 사례 연구를 통해 이러한 편향을 무시할 경우, 단순히 틀린 결론을 넘어 생물학적 실체와 정반대되는 결론(예: 위험 연관성의 방향을 역전시킴)을 도출할 수 있음을 입증한다.

저자들은 노화 시계를 주요 종점(endpoint)이나 공중 보건 및 임상 결정을 위한 바이오마커로 사용하는 연구의 경우, 추론된 관계의 타당성을 확보하기 위해 UMLR과 같은 무편향 프레임워크를 채택하는 것이 필수적이라고 강조한다.

유사한 논문