An Explainable AI Framework Integrating Survival Analysis and Machine Learning for COX Inhibitor Evaluation

기술 요약: COX 억제제 평가를 위한 생존 분석 및 머신러닝 통합 설명 가능한 AI 프레임워크

문제 정의
염증 및 통증 조절을 위한 사이클로옥시게나제(COX) 억제제의 평가는 파편화된 분석 접근 방식과 모델 해석력의 저하라는 방법론적 병목 현상에 직면해 있다. 머신러닝(ML)은 복잡한 생화학적 데이터셋에 대해 우수한 패턴 인식 능력을 제공하지만, 임상적 의사결정에 필요한 투명성이 부족한 경우가 많다. 반대로, 고전적인 생존 분석, 특히 Cox 비례 위험(Cox PH) 모델은 해석 가능한 위험비(hazard ratios)를 제공하지만, 생화학적 공변량에 내재된 비선형 관계와 복잡한 상호작용을 포착하는 데 한계가 있을 수 있다. 전임상 약물 평가를 위해 고전적 생존 모델과 현대적 ML 알고리즘을 일관된 설명 가능한 파이프라인 내에서 공동 벤치마킹하는 통합된 프레임워크가 부재한 실정이다.

방법론
본 연구는 생존 분석과 분류 기반 머신러닝을 결합하고, 엄격한 중첩 교차 검증(nested cross-validation, NCV) 프로토콜을 통해 평가되는 통합 다중 모델 프레임워크를 제안한다.

• 데이터셋: 연구의 견고성과 방법론적 평가를 보장하기 위해 세 가지 상호 보완적인 데이터 소스를 활용한다:

  1. 실험적 생화학 데이터셋 ($n=90$): 다양한 농도와 시점에서 합성된 벤즈이미다졸-트리아졸 하이브리드 화합물을 처리한 세 가지 인간 암 세포주(HeLa, HCT-116, HepG2)에 대한 자체 수행 MTT 생존율 분석(MTT viability assays)에서 유도됨.
  2. 표준 참조 데이터셋 ($n=1000$): 방법론적 벤치마킹 및 안정성 분석을 위해서만 사용되는, Weibull 기저 위험(baseline hazards)과 사전 정의된 통계적 가정을 기반으로 생성된 합성 데이터셋(JPDR 베이스라인). 이는 생물학적 추론이 아닌 방법론적 검증을 위한 것이다.
  3. 조화된 코호트 ($n=312$): 생물학적 현실성과 통계적 검정력을 균형 있게 맞추기 위해 실험 데이터와 참조 데이터셋의 통계적으로 매칭된 하위 집합을 통합하여 생성된 준합성(semi-synthetic) 코호트.

• 평가된 모델: 6개의 예측 모델을 체계적으로 벤치마킹하였다:

  • 생존 모델: Cox 비례 위험(Cox PH), Cox Elastic-Net(Cox-ML), Deep Survival Network(Deep-S).
  • 분류 모델: 로지스틱 회귀(Logistic Regression), 랜덤 포레스트(Random Forest, RF), 서포트 벡터 머신(Support Vector Machine, SVM).
  • 앙상블: 기본 모델들의 가중 평균.

• 평가 프로토콜:

  • 중첩 교차 검증(Nested Cross-Validation): 성능 추정을 위한 5-겹 외부 루프(5-fold outer loop)와 과적합 방지를 위한 하이퍼파라미터 튜닝용 5-겹 내부 루프(5-fold inner loop, 그리드 또는 랜덤 탐색 사용).
  • 지표: 성능은 생존 식별을 위한 일치 지수(C-index), 분류를 위한 AUC 및 정확도(Accuracy), 그리고 보정(calibration)을 위한 통합 브라이어 점수(Integrated Brier Score, IBS)를 사용하여 측정되었다.
  • 설명 가능성(XAI): 프레임워크는 특성 기여도를 정량화하기 위해 SHAP(Shapley Additive Explanations) 값을 포함한다. 또한 100회의 부트스트랩 반복 실험을 통해 특성 중요도 순위의 일관성을 평가하기 위해 새로운 **SHAP 안정성 지수(SHAP Stability Index, SI)**를 도입하였다.
  • 진단: Schoenfeld 잔차와 Martingale 플롯을 사용하여 Cox PH 가정을 검증하였다. 생존 모델에는 시간 의존적 일치 통계량(Uno's C)을 사용하였다.

주요 기여

1. 통합 벤치마킹 프레임워크: 본 연구는 고전적 생존 모델과 유연한 ML 분류기를 생화학 데이터에 대해 비교하는 일관된 파이프라인을 구축함으로써, 두 패러다임을 별개로 취급하는 기존 문헌의 간극을 메운다.
2. 다중 코호트 평가 전략: 실험적, 시뮬레이션 및 조화된 데이터셋을 활용함으로써, 생물학적 실제성을 유지하면서도 통제된 방법론적 평가를 가능하게 한다.
3. 설명 가능한 AI 통합: 본 논문은 리샘플링 하에서의 특성 중요도의 반복 가능성을 정량화하는 **SHAP 안정성 지수(SI)**를 도입하여 설명 가능한 생존 분석의 공백을 채운다. 또한 모델 잔차를 생화학적 공변량에 매핑하는 잔차-해석 레이어를 제안한다.
4. 교차 작업 조화(Cross-Task Harmonization): 시간-사건(time-to-event) 생존 예측을 고정 시점(365일) 위험 확률로 변환하는 방법을 제시하여, 생존 및 분류 지표(AUC, 정확도)를 통일된 척도에서 직접 비교할 수 있게 한다.

결과

• 예측 성능:

  • **랜덤 포레스트(RF)**는 분류 작업 전반에서 AUC 0.89, 정확도 0.85를 기록하며 일관되게 가장 높은 식별력과 정확도를 달una했다. 이는 비선형 용량-반응 관계를 포착하는 데 탁월한 능력을 보여준다.
  • **Deep-S(Deep Survival)**는 생존 모델 중 가장 높은 시간 의존적 식별력(C-index 0.83)과 가장 낮은 통합 브라이어 점수(0.142)를 달성하여 우수한 보정 능력을 입증하였다.
  • Cox PH는 조화된 코호트에서 C-index 0.78을 기록하였으며, 가장 해석 가능한 모델로서 안정적인 위험비 추정치를 제공하였다.
  • 앙상블 모델은 개별 상위 모델들보다 성능 지표가 약간 개선되었으며, 이는 집계가 분산을 감소시킨다는 것을 시사한다.

• 특성 중요도 및 안정성:

  • SHAP 분석 결과, **용량(Dose)**과 **공변량 1(Covariate 1)**이 COX 억제제 효능의 주요 예측 인자로 식별되었다.
  • 이러한 특성들은 부트스트랩 반복 실험 전반에서 높은 안정성(SI > 0.85)을 보여, 강력한 예측 영향력을 확인하였다.
  • 순열 중요도(Permutation importance) 테스트는 용량이 모델 성능에 가장 유의미한 영향을 미친다는 점을 뒷받침하였다.

• 생물학적 검증:

  • 실험 데이터셋에서 도출된 카플란-마이어(Kaplan-Meier) 곡선은 처리 그룹 간의 유의미한 생존 차이(log-rank $p < 0.001$)를 보여주었으며, 특히 고농도에서의 화합물 5(Compound 5)에서 두드러졌다.
  • 모델 기반 위험 계층화는 관찰된 생물학적 분리와 일치하였으며, 이는 모델이 의미 있는 결과 구조를 포착하는 프레임워크의 능력을 검증한다.

의의 및 주장
본 논문은 자신의 주요 의의가 약물 후보 물질의 초기 평가를 위한 투명하고 재현 가능하며 설명 가능한 파이프라인을 제공하는 데 있다고 주장한다. 유연한 ML 알고리즘(Random Forest 및 Deep-S 등)의 예측력과 고전적 생존 모델(Cox PH)의 메커니즘적 해석력을 균형 있게 결합함으로써, 본 프레임워크는 근거 기반의 의사결정을 지원한다.

저자들은 ML 모델이 우수한 식별력을 제공하지만, 임상 및 약리학적 의사결정에 직접적인 메커니즘 통찰을 제공하는 위험비를 생성하는 데 있어서는 Cox PH 모델이 여전히 필수적임을 강조한다. 이 연구는 자신의 프레임워크를 단순한 실험적 검증의 대체제가 아니라, 전임상 연구에서 후보 물질을 우선순위화하고 자원 배분을 최적화하기 위한 계산 도구로 위치시킨다. 본 연구는 이러한 패러다임의 통합이 생물학적 응용 분야에 필요한 해석력을 유지하면서 화합물의 효능을 엄격하게 평가하는 방법을 제공함으로써 중개 연구를 가속화한다고 결론짓는다.

참고: 저자들은 본 결과가 in silico 시뮬레이션 및 초기 생존력 테스트에 기반한 가설 생성 단계임을 명시하며, 약리학적 효능은 직교 실험(예: 효소 억제, in vivo 확인)을 통한 추가 검증이 필요함을 밝히고 있다.