Network Based Quantum Inspired Deep Learning Framework for Cardiovascular Disease Prediction Using Interpretable Feature Interaction Networks

기술 요약: 심혈관 질환 예측을 위한 네트워크 기반 양자 영감 딥러닝 프레임워크

문제 정의
심혈관 질환(CVD)은 전 세계 사망 원인 1위를 차지하고 있으며, 임상적 특징들 사이의 복잡하고 비선형적인 상호 의존성을 포착할 수 있는 정교한 예측 알고리즘을 필요로 한다. 전통적인 머신러닝 방법론은 이러한 다중 스케일의 특징 상호작용을 효과적으로 모델링하는 데 어려움을 겪는 경우가 많다. 또한, 의료 분야에서의 양자 영감 접근법에 관한 기존 문헌들은 단일 훈련-테스트 분할 사용으로 인한 낙관적 편향된 성능 추정, 양자 구조의 고전적 시뮬레이션에 대한 투명한 한계 보고 부족, 그리고 불충분한 해석 가능성 분석과 같은 방법론적 결함을 빈번히 노출한다.

방법론
저자들은 양자 영감 기반의 특징 상호작용 모델링을 심층 신경망(DNN) 및 앙상블 의사결정과 통합한 하이브리드 프레임워크를 제안한다. 이 방법론은 네 가지 주요 단계로 실행된다:

1. 데이터 전처리: 저자들은 UCI Cleveland 심장 질환 데이터셋을 활용하였으며, 결측치가 있는 6개의 샘플을 제외하여 303개의 레코드를 297개의 완전한 정보가 담긴 레코드로 압축하였다. 이후 min-max 정규화와 범주형 변수에 대한 원-핫 인코딩을 적용하여 특징 공간을 13차원에서 20차원으로 확장하였다.
2. 양자 영감 특징 상호작용 네트워크: 특징들을 독립적으로 취급하는 대신, 본 프레임워크는 완전한 특징-특징 상호작용 그래프($G_F$)를 구축한다.
   • ZZ-특징 맵(ZZ-Feature Map): 임상 변수 간의 쌍별 상관관계를 계산하기 위해 ZZ-특형 맵에 기반한 양자 영감 커널이 사용된다. 이는 진폭 인코딩(amplitude encoding)과 제어된 ZZ-회전 게이트를 사용하는 양자 회로(깊이 $d=2$)를 시뮬레이션하는 과정을 포함한다.
   • 그래프 구축: 그래프의 에지 가중치는 ZZ-커널로부터 도출된 쌍별 양자 영감 상관관계의 강도를 나타낸다. 이를 통해 모집단 평균 특징 친화도 행렬(population-averaged feature affinity matrix)이 생성된다.
   • 네트워크 임베딩: 각 환자 샘플은 상호작용 강도에 의해 조절되는 가중 선형 결합을 통해 유도된 20차원 벡터로 재표현된다.
3. 하이브리드 심층 신경망: 모델은 원래의 20차원 원-핫 인코딩 특징과 20차원의 네트워크 변환 특징을 결합하여 40차원의 입력을 생성한다. 이는 ReLU 활성화 함수와 드롭아웃 규제가 적용된 3개 층(64, 32, 16 뉴런)의 DNN에 의해 처리된다.
4. 앙상블 의사결정 모듈: 최종 예측은 세 가지 구성 요소의 가중 투표를 통해 이루어진다: 딥 뉴럴 네트워크 ($\alpha=0.45$), ZZ-커널을 사용하는 양자 영감 서포트 벡터 머신(QI-SVM) ($\beta=0.35$), 그리고 랜덤 포레스트 분류기 ($\gamma=0.20$).
5. 검증 및 해석 가능성: 연구는 엄격한 5-겹 층화 교차 검증(5-fold stratified cross-validation)을 수행한다. 특징 중요도는 SHAP(Shapley Additive exPlanations)를 사용하여 분석되었으며, 이를 통해 상호작용 네트워크 내에서 예측을 주도하는 영향력 있는 노드들을 식별한다.

주요 기여
본 논문은 다섯 가지 주요 기여를 주장한다:

1. 특징 상호작용 모델링: 양자 영감 변환을 사용하여 쌍별 특징 의존성을 가중 그래프 에지로 명시적으로 모델링하는 새로운 알고리즘을 제시한다.
2. 하이브리드 아키텍처: 네트워크 변환 특징을 고전적 딥러닝 및 앙상블 메커니즘과 결합한 통합 프레임워크를 제공한다.
3. 해석 가능성: 특정 특징 노드 연결이 예측을 어떻게 주도하는지 식별하는 포괄적인 SHAP 기반 분석을 통해, 임상 진단 가이드라인과 일치하는 결과를 보여준다.
4. 재현성 및 투명성: 방법론, 하이퍼파라미터에 대한 광범위한 문서화와 더불어, 양자 구성 요소가 고전적 하드웨어에서 시뮬레이션되었다는 점을 명시하는 투명한 한계 보고를 수행한다.
5. 통계적 엄밀성: 베른로니 교정(Bonferroni correction)을 적용한 대응 표본 t-검정(paired t-tests)을 포함한 전체 결과 보고를 통해 베이스라인 대비 성능 향상을 검증한다.

결과
UCI Cleveland 데이터셋(완전한 레코드 297개)을 대상으로 평가했을 때, 제안된 하이브리드 모델은 다음과 같은 성능 지표를 달성하였다 (5-겹 층화 교차 검증):

• 정확도(Accuracy): 90.5% (95% CI: 89.4–91.6%)
• 정밀도(Precision): 89.1%
• 재현율(Recall/Sensitivity): 91.2%
• F1-Score: 89.9%
• ROC-AUC: 0.936

통계적 분석:
모델은 베이스라인 접근법(로지스틱 회귀, 랜덤 포레스트, SVM, 표준 DNN, QI-SVM)에 비해 통계적으로 유의미한 개선을 보였으며 ($p < 0.01$, Cohen's $d > 0.8$로 큰 효과 크기), 특히 하이브리드 모델은 표준 DNN 베이스라인보다 2.6%, QI-SVM보다 4.0% 높은 성능을 기록했다.

특징 중요도:
SHAP 분석 결과, 탈라세미아(thal), 주요 혈관 수(ca), **흉통 유형(cp)**이 예측 네트워크에서 가장 영향력 있는 노드로 식별되었다. 이러한 결과는 전통적인 심혈관 진단 가이드라인과 일치하며, 네트워크 기반 특징 상호작용의 임상적 타당성을 입증한다.

의의 및 주장
본 논문은 이 연구를 네트워크 기반 임상 의사결정 지원을 위한 재현 가능한 방법론으로 포지셔닝한다. 저자들은 본 프레임워크가 실제 양자 하드웨어로의 향후 전환을 위한 경로를 보존하면서, 양자 영감 개념을 임상 현장에 전달하는 기초 역할을 한다고 강조한다.

저자들은 자신들의 주장에 대해 신중하고 엄격한 태도를 유지한다:

• 시뮬레이션 vs 하드웨어: 저자들은 양자 구성 요소가 고전적 시뮬레이션임을 명시하며, 모든 고전적 대안에 대해 입증된 양자 우위(quantum advantage)를 주장하지 않는다. "양자 영감"이라는 표현은 ZZ-특징 맵 커널의 수학적 구조를 의미한다.
• 이득의 귀속: 저자들은 표준 DNN 대비 관찰된 2.6%의 정확도 향상이 입력 차원의 증가(20에서 40으로) 또는 앙상블 다양성의 효과로부터 완전히 분리되지 않았음을 인정한다. 저자들은 이를 한계점으로 식별하고, 고전적 커널 확장을 이용한 대조 실험을 향후 과제로 설정하였다.
• 임상 준비도: 본 연구는 개념 증명(proof-of-concept)으로 프레임링되었다. 저자들은 사용된 데이터셋(Cleveland, 1988)이 작으며 현대 인구 집단에 대한 일반화 가능성이 부족할 수 있음을 언급한다. 따라서 임상 배포를 위한 주장을 하기 전에는 더 크고 현대적인 코호트(예: Framingham, UK Biobank)에 대한 외부 검증이 필수적이라고 단언한다.

결론적으로, 본 논문은 양자 영감 수학을 활용하여 심혈관 질환 예측의 특징 상호작용 모델링을 강화하는 투명하고 통계적으로 검증된 프레임워크를 제시하며, 네트워크 기반 임상 의사결정 지원을 위한 토대를 제공한다.