MO-AIWOA-XAI: A Multi-Objective Explainable Diabetes Risk Prediction integrating Feature Optimization and Cross-Dataset Validation

당뇨병은 신체가 당을 조절하는 데 어려움을 겪는 질환으로, 조기에 발견하지 못하면 심각한 건강 문제를 초래할 수 있습니다. 의사들은 오랫동안 당뇨병의 경고 징후를 포착하기 위해 혈액 검사와 신체 검사에 의존해 왔지만, 이러한 방법들은 종종 병원 방문과 실험실 검사를 필요로 합니다. 최근 몇 년 동안 과학자들은 이를 돕기 위해 컴퓨터를 활용하기 시작했습니다. 연구자들은 의료 기록을 머신러닝 프로그램에 입력함으로써, 컴퓨터가 사람이 당뇨병에 걸릴 위험이 있음을 시사하는 패턴을 찾아내도록 학습시킬 수 있습니다. 그러나 이러한 컴퓨터 프로그램들은 종종 '블랙박스'처럼 작동합니다. 정답은 맞힐 수 있지만, 왜 그런 결론에 도달했는지는 설명하지 못합니다. 의사가 컴퓨터의 조언을 신뢰하기 위해서는 그 추론 과정을 이해해야 합니다. 연령이나 혈압과 같은 구체적인 어떤 요인이 결정적인 역할을 했는지 알아야 합니다. 더욱이, 많은 컴퓨터 모델은 단 한 종류의 환자 데이터로만 학습되기 때문에, 다른 집단에도 효과가 있을지 불분명합니다.

한 연구팀은 이러한 문제들을 해결하기 위해 설계된 새로운 시스템을 개발했습니다. 그들이 MO-AIWOA-XAI라고 부르는 이 접근 방식은 세 가지를 동시에 수행하도록 구축되었습니다: 가장 중요한 건강 단서를 찾고, 높은 정확도로 당뇨병 위험을 예측하며, 그 예측이 어떻게 이루어졌는지 정확하게 설명하는 것입니다. 이 시스템은 방대한 환자 세부 정보 목록을 훑으며 가장 중요한 몇 가지 요소를 찾아내는 것으로 시작합니다. 그다음 스마트 학습 프로그램을 사용하여 예측을 수행합니다. 마지막으로, 시스템은 의사에게 단순히 위험 수준만을 보여주는 것이 아니라, 위험을 낮추기 위해 환자가 어떤 변화를 줄 수 있는지까지 보여주는 명확한 보고서를 생성합니다. 연구진은 이 시스템이 신뢰성 있게 작동하는지 확인하기 위해 매우 서로 다른 두 가지 환자 데이터 세트에서 테스트를 진행했습니다.

연구진은 먼저 두 개의 뚜렷한 환자 정보 컬렉션을 수집했습니다. 첫 번째 세트는 피마 인디언(Pima Indian) 혈통의 여성 그룹으로부터 얻은 것으로, 포도당 수치, 혈압, 체질량 지수와 같은 상세한 생리학적 측정치를 포함했습니다. 두 번째 세트는 달랐습니다. 이는 잦은 갈증, 갑작스러운 체중 감소, 시야 흐림과 같은 초기 경고 증상에 초점을 맞추었으며, 혼합된 인구 집단으로부터 수집되었습니다. 이 두 데이터 세트는 의사들이 질병을 접하는 서로 다른 두 가지 방식, 즉 하나는 실험실 결과(검사)를 통해서, 다른 하나는 환자의 호소(증상)를 통해서 접하는 방식을 나타냅니다. 컴퓨터가 이 데이터로부터 학습하기 전에, 연구진은 데이터를 정제해야 했습니다. 그들은 누락된 숫자를 채워 넣고, 데이터 기록 방식의 차이를 조정했으며, 컴퓨터가 특정 결과에 편향되지 않도록 집단 간의 균형을 맞췄습니다.

최적의 예측 인자를 찾기 위해 연구팀은 혹등고래의 사냥 행동에서 영감을 받은 방법을 사용했습니다. 자연계에서 혹등고래는 버블 넷(bubble net)을 사용하여 물고기를 가두기 위해 협력합니다. 컴퓨터 알고라는 이 과정을 모방하여, 다양한 건강 요인의 조합을 탐색하기 위해 일군의 가상 '고래'들을 보냅니다. 각 고래는 특정 특징 세트를 테스트합니다. 예를 들어, 연령과 포도당 수치를 함께 보는 것이 연령과 혈압을 함께 보는 것보다 더 나은 예측 인자인지 확인하는 식입니다. 알고리즘은 시간이 지남에 따라 개선되며, 어떤 조합이 가장 잘 작동하는지 학습합니다. 결정적으로, 이 시스템은 두 가지 목표를 동시에 추구하도록 설계되었습니다. 즉, 당뇨병 예측의 정확도를 최대한 높이는 동시에, 가능한 한 적은 수의 특징(feature)을 사용하는 것입니다. 이는 실제 현장에서 매우 중요한데, 의사들은 복잡하고 비싼 종합 검사 패널보다는 단순하고 빠른 검사를 선호하기 때문입니다.

이 최적화 과정을 거친 후, 시스템은 가장 큰 비중을 차지하는 네 가지 핵심 요인 그룹을 식별해 냈습니다: 임신 횟수, 포도당 수치, 혈압, 그리고 체질량 지수입니다. 이 네 가지 요소에만 집중함으로써, 시스템은 데이터 처리량을 약 60% 줄이면서도 질병을 포착하는 능력을 유지했습니다. 연구진은 이후 이 네 가지 핵심 요인을 사용하여 최종 예측 모델을 학습시켰습니다. 모델이 완벽하게 조정되었는지 확인하기 위해, 그들은 최적의 설정을 찾기 위해 수천 개의 서로 다른 설정을 테스트하는 자동화 도구를 사용했습니다.

이 새로운 프레임워크의 결과는 인상적이었습니다. 피마 인디언 데이터 세트에 대해 테스트했을 때, 시스템은 83.76%의 확률로 당뇨병 사례를 정확히 식별했습니다. 초기 증상에 초점을 맞춘 두 번째 데이터 세트에서는 95.19%라는 더 높은 정확도를 달-성했습니다. 더 중요한 점은, 시스템이 단순히 추측하는 것이 아니라 안정적이라는 것을 입증했다는 점입니다. 연구진이 데이터를 서로 다른 조각들로 나누어 테스트했을 때도 결과는 일관되게 유지되었습니다. 또한, 컴퓨터가 제시한 확률이 실제와 일치하는지 확인했는데, 예측값이 잘 보정(calibrated)되어 있음을 발견했습니다. 즉, 90%의 위험 점수는 실제로 질병의 가능성이 매우 높다는 것을 의미했습니다.

이 연구에서 가장 중요한 부분은 바로 '설명'입니다. 시스템은 단순히 "고위험"이라고 말하는 데 그치지 않고, 왜 그런 결과가 나왔는지 의사에게 알려줍니다. SHAP 기술을 사용하여, 시스템은 전체 환자 그룹에서 포도당과 체질량 지수가 가장 영향력 있는 요인임을 보여주었습니다. 개별 환자에 대해서는, LIME을 사용하여 해당 환자의 위험을 설명하며, 어떤 측정치가 점수를 높였는지 강조합니다. 더 나아가, 시스템은 DiCE라는 방법을 통해 '역사실적 설명(counterfactual explanations)'을 생성합니다. 이는 시스템이 위험을 낮추기 위해 무엇이 변해야 하는지를 환자에게 말해줄 수 있음을 의미합니다. 예를 들어, 만약 환자의 포도당 수치가 약간 낮아지거나 체중이 약간 줄어든다면, 컴퓨터의 예측이 "당뇨병"에서 "당뇨병 아님"으로 바뀔 것이라고 보여줄 수 있습니다. 이는 정적인 예측을 동적인 예방 도구로 탈바꿈시킵니다.

연구진은 기존의 방법들과 비교하고 두 가지 서로 다른 데이터 세트에 걸쳐 테스트함으로써 자신들의 성과를 검증했습니다. 그들은 자신들의 접근 방식이 표준적인 기술들보다 더 견고하고 신뢰할 수 있다는 것을 발견했습니다. 또한, 시스템이 제공하는 설명이 안정적이라는 점도 확인했습니다. 즉, 테스트를 다시 실행하더라도 시스템은 동일한 중요한 요인들을 지목했습니다. 이러한 일관성은 의료 환경에서 신뢰를 쌓는 데 필수적입니다. 본 연구는 스마트한 특징 선택, 강력한 예측 모델, 그리고 명확한 설명을 결합함으로써, 정확하면서도 이해하기 쉬운 도구를 만들 수 있다는 것을 보여줍니다. 이 프레임워크는 컴퓨터가 단순히 숫자를 계산하는 것을 넘어, 환자 케어에 대한 정보에 입각한 결정을 내리는 데 필요한 맥락과 근거를 제공함으로써 의사를 돕는 임상 의사 결정 지원의 길을 제시합니다.