An Explainable MoE-Based Decision-Support System for Mental Health Risk Prediction in Engineering and Medical Students

초안

다음은 연구 논문 "공학 및 의학 전공 대학생의 정신 건강 위험 예측을 위한 설명 가능한 MoE 기반 의사결정 지원 시스템"에 대한 상세한 기술 요약입니다.

문제 제기

저소득 및 중소득 국가(LMIC), 특히 남아시아의 대학생들 사이에서 발생하는 정신 건강 위기는 충분히 다뤄지지 않고 있으며, 고등 교육 기관 내 우울증과 불안증 유병률은 50%를 상회합니다. 정신 건강 스크리닝을 위한 기존의 머신러닝(ML) 적용 사례들은 방법론적 한계를 보이는 경우가 많습니다. 즉, 구조적 참신함이 없는 고전적인 앙상블 방법에 의존하고, 설명 가능성이 부족하여(임상적 신뢰 저해), 전공별 스트레스 메커니즘을 반영하지 못합니다. 또한, 의대생이 유독 더 높은 위험에 처해 있다는 가설을 검증하기 위한 정신 건강 부담의 비교 연구가 부족합니다. 본 연구는 자원이 제한된 환경에서 다중 클래스 정신 건강 심각도를 예측할 수 있는 강력하고 설명 가능하며 전공 인지적인 의사결정 지원 시스템을 개발함으로써 이러한 격차를 해소하는 것을 목표로 합니다.

연구 방법론

본 연구는 남아시아의 한 LMIC에 위치한 831명의 대학생(의대생 418명, 공대생 413명)을 대상으로 구조화된 단면 조사 설계를 채택하였습니다.

1. 데이터 수집 및 전처리:

• 도구: DASS-21(Depression Anxiety Stress Scale-21)을 사용하여 타겟 변수인 "복합 심각도(Composite Severity)"를 도출했습니다. 이는 우울, 불안, 스트레스 하위 척도 중 가장 높은 심각도 수준(정상, 경도, 중등도, 심각)으로 정의됩니다.
• 특징(Features): 20개의 원시 심리사회적 예측 변수(사회인구학적, 학업적, 생활 방식, 사회적 지지)를 전공별 표준화 및 비율 특징을 포함한 42개의 특징 베이스라인 매트릭스로 엔지니어링했습니다.
• 특징 선택: 합의 투표 절차(SelectKBest, RFE, XGBoost 중요도, 상호 정보량)를 통해 매트릭스를 27개의 견고한 특징으로 축소했습니다.
• 클래스 불균형: 학습 세트는 SMOTE-Tomek 리샘플링을 사용하여 심각한 클래스 불균형 문제를 해결하였으며, 클래스당 약 300개의 샘플으로 균형 잡힌 분포를 생성했습니다. 반면 검증 및 테스트 세트는 실제 환경을 반영하기 위해 원래의 분포를 유지했습니다.

2. 모델 아키텍처: 가중치 혼합 전문가(Weighted Mixture of Experts, MoE):
핵심 기여는 다음과 같은 구성 요소를 갖춘 가중치 MoE 아키텍처입니다.

• 네 개의 이질적 전문가(Heterogeneous Experts): 유전 알고리즘(GA)을 통해 최적화된 XGBoost, 입자 군집 최적화(PSO)를 통해 최적화된 XGBoost, 랜덤 포레스트(RF), 그리고 LightGBM.
• 학습 가능한 게이팅 네트워크(Learnable Gating Network): 입력 특정 특징에 따라 각 전문가에게 동적으로 가중치를 할당하기 위해 Out-of-fold(OOF) 성능 점수로 훈련된 랜덤 포레스트 회귀 모델입니다. 이를 통해 모델은 고정된 가중치를 사용하는 대신, 특정 사례에 대해 가장 적절한 전문가를 적응적으로 선택할 수 있습니다.
• 최적화: XGBoost 전문가들의 하이퍼파라미터는 검증 정확도를 극대화하기 위해 이중 메타휴리스틱(GA 및 PSO)을 사용하여 튜닝되었습니다.

3. 평가 및 설명 가능성:

• 지표: 성능은 홀드아웃 테스트 세트(n=166)에서 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1-Score, AUC-ROC를 사용하여 평가되었습니다.
• 설명 가능성: 글로벌 특징 중요도와 로컬 해석력을 제공하기 위해 **SHAP(SHapley Additive exPlanations)**를 통합했습니다.
• 공정성 및 전이: 성별 및 학년 간의 정확도 패리티(accuracy-parity) 감사를 수행하였으며, 제한된 특징 공간(인구통계학적 특징만 포함)을 가진 외부 Mendeley 데이터셋을 사용하여 교차 도메인 전이 학습을 평가했습니다.

주요 기여

1. 새로운 아키텍처: 자원이 제한된 LMIC 맥락에서 불균형한 다중 클래스 정신 건강 심각도 예측을 위해 이중 메타휴리스틱(GA/PSO)으로 최적화된 학습 가능한 게이팅 네트워크를 갖춘 최초의 가중치 MoE 아키텍처를 도입했습니다.
2. 전공별 통찰: 공학 계열(78.45%)과 의학 계열(75.12%) 학생 사이의 정신 건강 위험 유병률은 수렴하지만, 그 근저에 있는 메커니즘은 다르다는 것을 밝혀낸 엄격한 비교를 수행했습니다. 의대생의 위험은 학업 스트레스($r = -0.392$)와 관련이 있는 반면, 공대생의 위험은 학업 스트레스($r = -0.366$), 수면 부족($r = -0.095$), 과외 활동($r = -0.162$)을 포함한 다요인적 성격을 띱니다.
3. 설명 가능한 파이프라인: SHAP을 예측 파이프라인에 직접 통합하여, 모델 출력을 불투명한 점수가 아닌 해석 가능한 위험 요인(예: 학업 부하, 정서적 지지)으로 변환했습니다.
4. 강건성 검증: 교차 도메인 전이 학습과 성별 및 학년 서브그룹 간의 정확도 편차가 1% 미만임을 보여주는 공정성 감사를 통해 모델의 안정성을 입증했습니다.

결과

• 성능: 제안된 가중치 MoE는 95.49%의 정확도와 '심각(Severe)' 클래스에 대한 92.6%의 재현율을 달밀했으며, 이는 Stacking Ensemble(94.78%), Voting Ensemble(94.24%), 표준 XGBoost(93.98%)를 포함한 9개의 벤치마크 모델을 능가했습니다.
• 클래스별 성능: 모델은 극단적인 사례를 식별하는 데 탁에서도한 성능을 보였습니다.
  • 심각(Severe): 재현율 92.6%, 정밀도 97.8%.
  • 정상(Normal): 재현율 95.5%, 음성 예측도(NPV) 99.3%.
  • 경도(Mild): 인접한 서열 단계 간의 구분이 어렵다는 내재적 한계로 인해 낮은 재현율(47.1%)을 보였습니다.
• 특징 중요도: SHAP 분석 결과 **학업 부하(Academic Workload)**와 **정서적 지지(Emotional Support)**가 지배적인 예측 특징인 것으로 나타났습니다.
• 전이 학습: 6개의 인구통계학적 특징만을 사용한 교차 도메인 테스트에서, MoE는 정확도 저하가 0.1866에 불 불과한 76.83%의 목표 정확도를 유지했습니다. 이는 개별 전문가 모델인 LightGBM이 급격한 성능 저하(58.5%)를 겪은 것과 대조적입니다.
• 공정성: 성별 및 연령 코호트 전반에 걸쳐 정확도 패리티가 유지되었으며, 편차는 1% 미만이었습니다.

의의 및 주장

본 논문은 이 연구가 컴퓨터 과학 중심의 의사결정 지원이 어떻게 자원이 제한된 고등 교육 환경에서 전공별 맞춤형 정신 건강 스크리닝을 가능하게 하는지를 보여준다고 주장합니다.

• 임상적 유용성: '심각' 사례에 대한 높은 재현율과 '정상' 사례에 대한 높은 음성 예측도(NPV)는 이 시스템이 선별(triage) 및 조기 개입에 특히 적합함을 의미하며, 고위험군 학생을 식별하는 동시에 건강한 학생에 대한 불필리한 의뢰를 최소화할 수 있음을 시사합니다.
• 정책적 시사점: 연구 결과는 의대생이 유독 더 높은 위험에 처해 있다는 가설에 도전합니다. 대신, 본 연구는 전공별 맞춤형 개입을 제안합니다. 즉, 의대생을 위해서는 신체적 증상(스트레스 유발 신체 증상)을 다루는 체성 인식 치료(somatic-aware therapies)를, 공대생을 위해서는 시간 관리 및 완벽주의 개입을 제공해야 하며, 이와 함께 보편적인 시스템 개혁이 병행되어야 합니다.
• 방법론적 엄밀성: 본 연구는 가중치 MoE를 단순한 단일 분류기보다 복잡한 특징 간의 상호작용을 처리하고 클래스 불균형을 다룰 수 있는 우수한 대안으로 제시하며, 이 과정에서 해석 가능성을 희생하지 않았음을 강조합니다.

한계 및 향후 과제:
저자는 단면 연구 설계가 인과 관계 추론을 배제한다는 점과 자기 보고식 데이터가 사회적 바람직성 편향(social desirability bias)을 가질 수 있다는 점을 겸허히 인정합니다. 또한, 학습 가능한 게이트가 고정 가중치 평균 방식보다 얻은 이득이 0.63%로 미미하다는 점을 들어, 극도로 자원이 제한된 배포 환경에서는 고정 가중치 변형 모델이 더 선호될 수 있음을 언급했습니다. 향후 과제로 종단적 검증, 확장된 공정성 감사(등가 오즈), 그리고 실제 임상 배포 전의 캘리브레이션(calibration) 분석이 필요하다고 명시했습니다.