A machine-learning-derived online diagnostic model for Parkinson’s disease integrating eye-tracking features and clinical indicators: A single-center case-control study

기술 요약: 파킨슨병을 위한 머신러닝 기반 온라인 진단 모델

문제 제기
파킨슨병(PD)은 적기 개입을 용이하게 하기 위해 조기 및 정확한 진단이 필요하다. 전통적인 진단 방법은 종종 임상적 관찰과 주관적 평가에 의존하며, 이는 운동 증상이 두드러질 때까지 지연될 수 있다. 본 연구는 안구 추적(eye-tracking) 특징과 표준 임상 지표를 통합함으로써 객관적이고 비침습적인 진단 도구의 필요성을 해결하고자 한다. 본 연구의 목적은 질환과 관련된 알려진 안구 운동 결함을 활용하여, 파킨슨병 환자와 대조군을 높은 정확도로 구별할 수 있는 머신러닝 기반 모델을 개발하는 것이다.

연구 방법론
본 연구는 중국 광둥성의 여러 병원 참여자를 대상으로 한 단일 센터 사례-대조 설계(case-control design)를 채택하였다. 데이터셋에는 임상 지표(인구통계학적 특성, MMSE, MoCA, HAM-A, HAM-D, PSQI와 같은 인지 점수)와 사카드(saccadic) 및 부드러운 추적(smooth pursuit) 과제에서 유도된 고차원 안구 추적 특징(예: 중첩 사카드 정확도/잠복기/속도, 반사 사카드(anti-saccade) 지표)이 모두 포함되었다.

• 데이터 전처리 및 특징 선택:

  • 단변량 분석: 유의미한 예측 변수를 식별하기 위해 초기 스크리닝은 단변량 로지스틱 회귀를 사용하여 수행되었다. 교육 수준, 시공간/집행 기능, 주의력, 언어, 지연 회상, 지남력, MoCA 총점 및 특정 안구 추적 지표(예: 평균 중첩 사카드 속도, 반사 사카드 교정률)와 같은 변수들이 통계적 유의성을 보였다.
  • 다중공선성 처리: 분산 팽창 계수(VIF) 분석 결과, MoCA 총점(VIF = 45.402)에서 심각한 다중공선성이 나타났고, 여러 하위 점수에서 중간 정도의 다중공선성이 발견되었다. 본 연구는 이러한 상관관계를 인정하였으며, 모델의 안정성을 보장하기 위해 심각한 공선성을 가진 변수는 일반적으로 제거 또는 결합의 대상이 된다는 점을 명시하였다.
  • 결측치 대체 및 균형화: MICE(Multiple Imputation by Chained Equations)와 완전 사례 분석(complete case analysis)을 사용하여 모델 성능을 비교하였으며, MICE가 약간 더 높은 특이도와 AUC를 산출함을 확인하였다. 또한, SMOTE(Synthetic Minority Over-sampling Technique)의 영향을 평가하였는데, SMOTE로 학습된 모델은 적용하지 않은 모델에 비해 개선된 특이도와 균형 잡힌 지표를 보여주었다.

• 모델 개발:

  • 여러 머신러닝 알고리즘을 학습시키고 비교하였다: 로지스틱 회귀(LR), 랜덤 포레스트(RF), XGBoost, 다층 퍼셉트론(MLP), 서포트 벡터 머신(SVM) 및 의사결정 나무(DT).
  • 설명 가능성: 우수한 성능을 보인 랜덤 포레스트 모델은 SHAP(SHapley Additive exPlanations) 값을 사용하여 특징의 중요도와 예측에 대한 기여도를 정량화함으로써 해석되었다.

• 검증:

  • 모델은 독립된 테스트 세트에서 평가되었다.
  • 성능 지표에는 민감도(Sensitivity), 특이도(Specificity), 양성/음성 예측도(PPV/NPV), 정밀도(Precision), 재현율(Recall), F1-score, 정확도(Accuracy), Kappa, AUC(ROC 곡선 아래 면적), PR-AUC(정밀도-재현율 AUC)가 포함되었다.
  • 모델 성능 간의 통계적 유의성은 쌍별 DeLong 검정을 사용하여 평가되었다.
  • 인구통계학적 특성에 따른 견고성을 평가하기 위해 연령 및 성별에 따른 하위 그룹 분석이 수행되었다.

주요 결과

• 모델 성능: 랜덤 포레스트(RF) 모델이 가장 우수한 성능을 보였다. 독립 테스트 세트에서 RF 모델은 0.9711의 AUC를 달in했으며, 이는 로지스틱 회귀(AUC 0.8438, p=0.002), XGBoost(AUC 0.9306, p=0.094), SVM(AUC 0.9144, p=0.024)을 유의미하게 상회하는 수치이다.
• 훈련 세트 지표: 훈련 세트에서 RF 모델은 AUC 0.996 (95% CI 0.991-1.000), PR-AUC 0.9973, Brier 점수 0.033을 기록하여 탁월한 교정(calibration) 및 판별력을 나타냈다.
• 특징 중요도: 단변량 분석 결과, 낮은 인지 영역 점수(시공간/집행 기능, 주의력, 언어, 지연 회상, 지남력, MoCA)와 특정 안구 추적 이상(예: 감소된 평균 중첩 사카드 속도, 증가된 평균 중첩 사카드 지속 시간, 감소된 반사 사카드 교정률)이 파킨슨병과 강하게 연관되어 있음이 확인되었다.
• 견고성:
  • SMOTE: SMOTE 오버샘플링 사용은 모델의 특이도(0.9560 vs. 0.9121)와 F1-score(0.9537 vs. 0.9412)를 개선하였다.
  • 결측치 대체: MICE 대체를 통해 테스트 세트에서 완벽한 특이도(1.000)와 PPV(1.000)를 달성하였으며, 대체 미적용 시의 AUC 0.996과 비교하여 0.998의 AUC를 기록하였다.
  • 하위 그룹: 모델은 연령 그룹(AUC 0.963–0.998)과 성별(AUC 0.957–0.979) 전반에 걸쳐 높은 성능을 유지하여, 연구된 코호트 내에서의 일반화 가능성을 시사하였다.

의의 및 주장
본 논문은 안구 추적 바이오마커를 임상 지표와 효과적으로 통합하는, 머신러닝 기반의 견고한 파킨슨병 온라인 진단 모델을 제시한다고 주장한다. 주요 기여는 이러한 결합된 특징을 사용하는 랜덤 포레스트 모델이 독립된 테스트 세트에서 높은 진단 정확도(AUC > 0.97)를 달성할 수 있음을 입증한 것이다.

본 연구는 안구 추적 특징이 인지 평가를 보완하는 객관적 표지자로서 갖는 유용성을 강조한다. SHAP 분석을 채택함으로써, 모델은 어떤 특정 안구 운동 및 임상 변수가 진단을 주도하는지를 밝혀내어 해석 가능성을 제공한다. 저자들은 이 연구를 다중공선성 체크, 다중 대체 전략 및 하위 그룹 분석을 포함한 엄격한 통계적 검증을 바탕으로, 파킨슨병의 조기 발견을 도울 수 있는 객관적이고 비침습적인 진단 도구로 나아가는 단계로 규정하고 있다. 본 연구는 단일 센터 사례-대조 연구로 프레임이 설정되었으며, 결과는 추가적인 외부 검증을 전제로 임상 적용의 강력한 잠재력을 시사한다.