An Interpretable AI Framework for Multiclass Classification of Thalassemia Using Combined CBC and HPLC Biomarkers

탈라세미아(Thalassemia)는 전 세계적으로, 특히 남아시아, 동남아시아, 지중해 지역에서 수백만 명에게 영향을 미치는 유전성 혈액 질환입니다. 이 질환은 신체가 적혈구의 구성 성분인 헤모글로빈(산소를 운반하는 물질)을 만드는 데 필요한 단백질을 충분히 생성하지 못할 때 발생합니다. 이러한 단백질이 부족하면 신체는 건강한 적혈구를 만드는 데 어려움을 겪게 되며, 이는 빈혈과 다양한 기타 건강 합병증으로 이어집니다. 수십 년 동안 의사들은 현미경으로 혈액 샘량을 관찰하고 특수 기계를 사용하여 다양한 유형의 헤모글로빈을 측정함으로써 이 질환을 진단해 왔습니다. 이 과정은 정확하기는 하지만, 비용이 많이 들고 시간이 오래 걸리며, 결과를 읽는 개별 의사의 숙련도에 크게 의존한다는 단점이 있습니다. 그 결과, 질병이 가장 흔한 지역에서는 대규모 인구를 빠르게 선별하는 데 어려움이 있습니다.

최근 몇 년 동안 과학자들은 이 과정을 자동화하기 위해 인공지능을 활용하는 방안을 모색해 왔습니다. 아이디어는 컴퓨터가 숙련된 의사가 하는 것처럼 혈액 검사 결과에서 탈라세미아를 나타내는 패턴을 인식하도록 학습시키는 것입니다. 다만 기계의 속도와 일관성을 갖춘 방식으로 말입니다. 그러나 이러한 시스템을 만드는 것은 간단하지 않습니다. 혈액 검사는 방대한 양의 데이터를 생성하며, 서로 다른 유형의 질병을 나타내는 패턴들이 서로 겹치는 경우가 많기 때문입니다. 더욱이, 대규모 선별 검사 집단 내에서는 대다수가 건강하며, 실제로 질병을 앓고 있거나 유전적 형질을 가진 사람은 아주 적습니다. 이는 컴퓨터 프로그램에게 어려운 상황을 만드는데, 프로그램은 대부분의 경우 발생하는 '건강함'이라는 결과에 치우쳐 희귀한 사례들을 무시하고 단순히 모두가 건강하다고 추측해 버리는 경st향이 있기 때문입니다.

인도의 SR 대학교와 Jyothishmathi 공과대학교의 연구진은 이러한 특정 문제들을 해결하기 위한 새로운 프레임워크를 개발했습니다. 그들은 두 가지 서로 다른 유형의 혈액 검사 결과를 동시에 살펴보도록 설계된 컴퓨터 시스템을 만들었습니다. 하나는 적혈구의 크기와 수를 측정하는 표준 일반 혈구 계산(CBC)이고, 다른 하나는 특정 헤모글로빈 분획을 분리하고 측정하는 고성능 액체 크로마토그래피(HPLC)라는 더 상세한 검사입니다. 연구진은 이 두 가지 정보원을 결합함으로써, 질병을 탐지할 뿐만 아니라 세 가지 뚜렷한 그룹, 즉 건강한 사람, 유전적 형질을 보유한 사람(자녀에게 물려줄 수 있는 사람), 그리고 활동성 중증 질환을 가진 사람을 구분할 수 있는 모델을 구축하고자 했습니다.

연구진은 13,000명 이상의 환자 기록이 포함된 방대한 데이터셋으로 시작했습니다. 이 컬렉션에는 9가지 핵심 혈액 지표에 대한 상세한 측정값과 연령 및 성별과 같은 인구 통계학적 정보가 포함되었습니다. 데이터는 매우 불균형했는데, 건강한 개인들이 기록의 90% 이상을 차지한 반면, 중증 질환 사례는 0.5% 미만이었습니다. 이러한 불균형을 처리하기 위해 연구팀은 먼저 데이터를 정제하여 정보 기록 오류를 수정하고 연령 설명을 단순 숫자로 변환했습니다. 그런 다음, 원래 기록에 있던 13가지 서로 다른 진단 레이블을 시스템에 필요한 세 가지 넓은 범주로 그룹화했습니다. 결정적으로, 연구진은 훈련 데이터 내에서 희귀 질환 사례를 인위적으로 더 많이 생성하는 기술을 사용하여, 컴퓨터가 흔한 건강한 사례만큼이나 희귀한 사례를 잘 인식할 수 있도록 했습니다.

이 환자들을 분류하는 최선의 방법을 찾기 위해 연구팀은 네 가지 유형의 고급 컴퓨터 학습 알고리즘을 테스트했습니다. 첫 번째와 두 번째는 의사결정 나무(decision trees)를 기반으로 한 방법으로, 컴퓨터가 혈액 수치에 대해 일련의 예/아니오 질문을 던져 결론에 도달하는 방식입니다. 세 번째는 표 형식 데이터(tabular data)를 위해 특별히 설계된 딥러닝 모델로, 숫자들 사이의 복잡하고 비선형적인 관계를 찾아내고자 합니다. 네 번째 접근 방식은 "스태킹(stacking)" 앙상블로, 단일 알고리즘에 의존하는 대신 다른 모델들의 예측을 결합하여 최종 결정을 내립니다. 연구진은 이 모델들을 엄격한 테스트 과정에 통과시켰으며, 컴퓨터를 가르치는 데 사용된 데이터가 테스트에 사용되는 데이터와 절대 겹치지 않도록 하여, 시스템이 새로운 환자에게도 작동함을 입증했습니다.

결과에 따르면 결합된 접근 방식이 가장 효과적이었습니다. 다른 알고리즘들의 강점을 모은 스태킹 앙상블 모델은 세 그룹을 정확하게 식별하는 데 있어 99.89%의 정확도를 달ucceeded했습니다. 또한 이 모델은 실제 질병 및 보인자 사례의 94.7%를 성공적으로 식별해 냈는데, 이는 진단을 놓치는 것이 심각한 결과를 초래할 수 있는 의료 분야에서 매우 중요한 척도입니다. 다른 모델들도 우수한 성능을 보였으며, 의사결정 나무 기반 모델들이 그 뒤를 바짝 쫓았으나, 결합 모델이 일관되게 모든 모델을 능가했습니다. 연구진은 또한 컴퓨터가 어떻게 결정을 내리는지 이해하기 위해 방법론을 사용했습니다. 그들은 시스템이 다섯 가지 특정 바이오마커, 즉 HbA2라고 불리는 헤모글로빈의 수치, 평균 적혈구 크기, 적혈구 내부의 헤모글로금 양, 총 적혈구 수, 그리고 태아 헤모글로빈 수치에 가장 크게 의존한다는 것을 발견했습니다.

이러한 결과는 기존의 의학적 지식과 완벽하게 일치하기 때문에 매우 중요합니다. 의사들은 오래전부터 높은 HbA2 수치와 평균보다 작은 적혈구가 탈라세미 보인자의 특징이라는 점을 알고 있었으며, 태아 헤모글로빈의 변화는 종종 더 심각한 형태의 질병을 나타낸다는 것을 알고 있었습니다. 인공지능이 이러한 요소들을 가장 중요한 요인으로 독립적으로 식별해 냈다는 사실은, 시스템이 단순히 추측하는 것이 아니라 질병의 생물학적 규칙을 실제로 학습하고 있다는 확신을 의사들에게 줍니다. 또한 본 연구는 딥러닝 모델이 강력하긴 하지만, 구조화된 의료 데이터를 다룰 때는 전통적인 의사결정 나무 방식보다 더 높은 성능을 내기 위해 훨씬 더 큰 데이터셋이 필요할 수 있음을 강조했습니다.

연구진은 자신의 시스템이 아직 모든 상황에 적용 가능한 완벽한 해결책은 아니라는 점을 인정합니다. 데이터가 인도의 특정 지역에서 왔으며, 질병의 유전적 패턴은 세계 다른 지역에서도 다를 수 있기 때문입니다. 또한 시스템이 복잡하며, 가장 정확한 모델은 단일 의사결정 나무보다 설명하기가 더 어렵습니다. 그럼에도 불구하고, 이 연구는 현실 세계의 복잡한 의료 데이터를 처리할 수 있는 매우 정확하고 자동화된 선별 도구를 구축하는 것이 가능하다는 것을 보여줍니다. 서로 다른 유형의 혈액 검사를 결합하고 스마트한 컴퓨터 알고리즘 조합을 사용함으로써, 이 프레임워크는 현재의 방식보다 더 빠르고 효과적으로 보인자와 환자를 식별할 수 있는 탈라세미 선별의 유망한 길을 제시합니다.