An Explainable Hybrid of Classical and Quantum Support Vector Machine Models for Maternal Mental Health Risk Prediction Using Multicountry Data

기술 요약: 모성 정신 건강 위험 예측을 위한 고전 및 양자 서포트 벡터 머신 모델의 설명 가능한 하이브리드 모델

문제 정의
임신 및 산후 기간 동안 발생하는 모성 정신 건강 장애는 특히 저소득 및 중소득 국가(LMIC)에서 유병률이 현저히 높게 나타나는 중대한 글로벌 공중 보건 과제입니다. 효과적인 개입 수단이 존재함에도 불구하고, 제한된 자원, 불충분한 스크리닝 인프라, 전문 인력 부족으로 인해 진단 미비와 개입 지연이 지속되고 있습니다. 기존의 고전적 머신러닝(ML) 모델은 심리사회적 및 임상 데이터를 사용하여 이러한 위험을 예측하는 데 유망한 성과를 보여왔으나, 이질적인 다국가 데이터셋에 존재하는 매우 복잡한 비선리적 상호작용을 포착하는 데 어려움을 겪는 경우가 많습니다. 또한, 기존의 접근 방식은 양자 강화 학습이나 설명 가능한 인공지능(XAI)을 통합하는 경우가 드물어, 해석 가능성과 임상적 신뢰성을 제한합니다. 아울러, 단독 양자 머신러닝 모델은 현재의 노이즈가 있는 중간 규모 양자(NISQ) 하드웨어의 한계로 인해 성능 제약에 직면해 있습니다.

방법론
본 연구는 고전 알고리즘의 판별력과 양자 컴퓨팅의 비선형 특징 표현 능력을 활용하도록 설계된 설명 가능한 하이브리드 고전-양자 서포트 벡터 머신(SVM) 모델을 제안합니다.

• 데이터셋: 본 연구는 14,008개의 모성 기록이 포함된 다국가 데이터셋을 활용하였습니다. 이 통합 데이터셋은 우간다 병원(Kawempe National Referral Hospital 및 Mukono Hospital)의 1차 데이터와 파키스탄의 공개된 산전 우울증 데이터셋으로부터 추출된 2차 데이터를 포함합니다. 데이터는 인구통계학, 산과적 병력, 사회경제적 요인 및 심리사회적 지표(예: 스트레스, 절망감, 자살 충동)를 다루는 51개의 변수로 구성되었습니다.
• 전처리: 파이프라인에는 데이터 정제, 결측치 처리, 범주형 변수 인코딩이 포함되었습니다. 클래스 불균형 문제를 해결하기 위해 훈련 세트에 합성 소수 샘플 오버샘플링 기법(SMOTE)을 적용하였습니다. 양자 특징 임베딩 전 비선형 관계를 보존하면서 차원을 축소하기 위해 커널 주성분 분석(KPCC)을 사용하였습니다.
• 모델 아키텍처:
  • 고전 SVM: 최적의 분리 초평면을 구축하기 위해 방사 기저 함수(RBF) 커널을 활용하였습니다.
  • 양자 SVM (QSVM): Pennylane 라이브러리를 사용하여 구현되었으며, 이 구성 요소는 매개변수화된 양자 회로를 사용하여 고전 입력 특징을 고차원 양자 힐베르트 공간으로 매핑하였습니다. 양자 커널 함수($K_Q$)를 계산하여 양자 특징 공간에서의 샘로 간 유사도를 측정하였습니다.
  • 하이브리드 통합: 최종 예측은 가중치 계수($\alpha$)를 사용하여 고전 SVM($P_C$)과 양자 SVM($P_Q$)의 확률 출력을 결합하는 가중 앙상블 접근 방식을 통해 생성되었습니다.
  • 설명 가능성: SHapley Additive exPlanations (SHAP)를 하이브리드 모델에 적용하여 개별 특징이 위험 예측에 기여하는 정도를 정량화함으로써 임상적 해석 가능성을 확보하였습니다.
• 실험 설정: 실험은 GPU 가속을 사용하는 Google Colaboratory 환경에서 수행되었습니다. 데이터셋은 80:20 비율로 훈련 및 테스트용으로 분할되었습니다. 제안된 모델은 고전 SVM, Random Forest, XGBoost, LightGBM, CatBoost, Stacking Ensemble 및 단독 QSVM과 벤치마킹되었습니다.

주요 결과
제안된 하이브리드 고전-양자 SVM은 다음과 같은 매우 경쟁력 있는 성능을 달 데며 높은 성과를 입증했습니다:

• 정확도(Accuracy): 99.86%
• F1-Score: 99.80%
• ROC-AUC: 99.92%
• PR-AUC: 99.91%

비교 분석 결과, 하이브리드 모델은 정확도 77.82%, ROC-AUC 88.76%를 기록한 단독 양자 SVM보다 뛰어난 성능을 보였으며, 이는 현재의 NISQ 제약 조건 하에서의 순수 양자 모델의 한계를 강조합니다. 그러나 하이브리드 접근 방식은 가장 우수한 성능을 보인 고전 모델들(고전 SVM 및 Stacking Ensemble, 모두 99.93% 정확도)과 대등한 성능을 달성했습니다.

SHAP 분석 결과:
설명 가능성 분석을 통해 모성 정신 건강 위험에 기여하는 주요 예측 인자를 식별하였습니다:

• 자살 충동
• 스트레스 수준
• 집중력 저하
• 피로
• 식욕 부진
• 절망감

양자 커널 히트맵 분석은 단독 모델의 낮은 전체 분류 정확도에도 불구하고, 양자 특징 임베딩이 데이터 내의 비선형 패턴과 숨겨진 특징 상호작용을 성공적으로 포착했음을 확인시켜 주었습니다.

의의 및 주장
본 논문은 이 연구의 주요 기여가 고전적 판별 학습과 양자 강화 특징 표현을 효과적으로 결합한 설명 가능한 하이브리드 아키텍처를 개발한 것이라고 주장합니다. 저자들은 이 접근 방식이 다음과 같은 효과를 가진다고 단언합니다:

1. 강건성 향상: 양자 커널을 고전적 최적화와 통합함으로써, 복잡하고 이질적인 의료 데이터에서의 예측 안정성과 비선리적 분리 능력을 개선합니다.
2. 격차 해소: 고전 알고리즘의 강점을 활용함으로써 NISQ 하드웨어에서의 단독 양자 모델의 성능 불안정성을 해결합니다.
3. 해석 가능성 보장: SHAP 분석의 통합은 특정 심리사회적 및 행동적 위험 요인을 식별함으로써 임상 의사결정에 필요한 투명성을 제공합니다.
4. 적용 가능성 입증: 본 연구는 모성 정신 건강 맥락에서 하이브리드 양자-고전 모델을 종합적으로 평가한 몇 안 되는 사례 중 하나로, 다양한 다국가 환경에서의 위험 예측에 대한 실질적인 생존 가능성을 시사합니다.

저자들은 양자 하드웨어의 현재 상태에 대해 겸허한 태도를 유지하며, 양자 구성 요소가 NISQ 환경에서 시뮬레이션되었음을 인정하고, 향후 더 크고 다양한 데이터셋 및 실제 양자 하드웨어에서의 검증이 필요함을 명시하였습니다.