정신병리 잠재 요인 식별을 위한 임상 설문지의 해석 가능한 요인 분해
Interpretable factorization of clinical questionnaires to identify latent factors of psychopathology
정신의학 연구는 설문지 데이터로 측정되는 행동에서 정신병리의 양상을 이해하기 위해, 이를 설명하는 소수의 잠재 요인(latent factor)을 식별하려고 한다. 요인 분석(factor analysis)은 이러한 목적을 위한 전통적인 도구이지만, 결과 요인은 해석 가능하지 않을 수 있으며 교란 변수(confounding variable)의 영향을 받을 수도 있다. 또한 결측 데이터가 흔하고, 명시적 대체(imputation)가 종종 필요하다. 이러한 한계를 극복하기 위해, 설문지 데이터에 맞춘 정규화(regularization)를 적용한 비음수 행렬 분해(non-negative matrix factorization) 방법인 해석 가능성 제약 설문지 요인 분해(ICQF)를 제안한다. 본 방법은 요인의 해석 가능성과 해법의 안정성을 높이는 것을 목표로 한다. 우리는 이론적 수렴 보장을 갖춘 최적화(optimization) 절차와 잠재 차원(latent dimensionality)을 정확히 탐지하는 자동화 절차를 제공한다. 현실적인 합성 데이터를 사용하여 이러한 절차를 검증한다. 널리 사용되는 범용 설문지에 대해 두 개의 독립적인 데이터셋(Healthy Brain Network 및 Adolescent Brain Cognitive Development 연구)에서 본 방법의 효과를 입증한다. 구체적으로, ICQF는 다양한 장애에 걸친 진단 정보를 보존하면서 영역 전문가가 정의한 기준에 따라 해석 가능성을 개선하며, 더 작은 데이터셋 크기에서 경쟁 방법들을 능가함을 보인다. 이는 본 방법의 정규화가 영역 특성과 부합함을 시사한다. ICQF의 Python 구현은 https://github.com/jefferykclam/ICQF 에서 이용할 수 있다.