PyTorchKR Papers

최신 논문

총 13편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2603.02221v3cs.LG

MedFeat: 정형 데이터 예측을 위한 LLM 기반 모델 인지 및 설명가능성 중심 특징 엔지니어링

MedFeat: Model-Aware and Explainability-Driven Feature Engineering with LLMs for Tabular Prediction

임상 정형 데이터 예측에서는 특징(feature) 엔지니어링을 적용한 고전적 머신러닝 모델이 신경망 기반 방식을 능가하는 경우가 많습니다. 다운스트림 성능을 향상하기 위해 다양한 특징 변환을 제안하는 도메인 전문가 역할을 수행하며 이러한 과정을 자동화하는 데 대규모 언어 모델(LLM)이 점차 많이 활용되고 있습니다. 그러나 기존 LLM 기반 방식의 특징 생성 과정은 다운스트림 학습자를 인지하지 못합니다(learner-agnostic). 즉, LLM이 현재 어떤 특징이 예측을 주도하는지 또는 모델의 표현 능력이 어디서 부족한지에 대한 신호를 전혀 받지 못하므로, 제안된 특징이 특징 공간의 유망한 영역을 목표로 하지도 않고 학습자의 귀납적 바이어스(inductive bias)에 맞춤화되지도 않습니다. 이러한 한계는 클래스 불균형, 이종 특징 공간, 엄격한 해석 가능성 요구 사항을 동시에 나타내는 의료 데이터에서 더욱 두드러집니다. 본 논문에서는 머신러닝 실무자의 워크플로에서 영감을 받아 모델 인지 및 특징 중요도 신호를 활용하여 임상 정형 학습을 위한 특징 발견을 반복적으로 유도하는 최초의 특징 엔지니어링 프레임워크인 MedFeat를 제안합니다. 광범위하고 도전적인 실제 임상 태스크에서 MedFeat를 평가한 결과, 서로 다른 귀납적 바이어스를 가진 모델 전반에서 기준선(baseline) 대비 평균 10% 이상의 F1 점수 향상을 달성하며 최신 기준선 모델들을 통계적으로 유의미하게 능가함을 보였습니다.

arXiv:2607.22514v1cs.LG

2단계 PRO-임상 스태킹을 통한 두경부암 연하장애 위험 층화

Dysphagia Risk Stratification in Head and Neck Cancer via Two-Stage PRO-Clinical Stacking

연하장애는 두경부암(head and neck cancer, HNC) 치료의 심각한 후유증이지만, 생존자 관리(survivorship care)에서 위험 환자를 적시에 식별하는 것은 여전히 어렵다. 확정적 평가는 Dynamic Imaging Grade of Swallowing Toxicity(CTCAE-DIGEST)로 촬영하는 videofluoroscopic imaging에 의존하며, 이는 검증되었지만 전문 장비, 숙련된 인력, 상당한 환자 부담을 필요로 하여 감시(surveillance)에서의 일상적 사용을 제한한다. 반면 환자 보고 결과(patient-reported outcomes, PRO)는 저비용·확장 가능하며 임상 방문 시 쉽게 수집할 수 있어, 추가 평가가 필요할 수 있는 환자를 식별하는 매력적인 대안 신호가 된다. 그러나 PRO 응답을 실행 가능한 중재로 전환하는 명확한 임상 프레임워크는 아직 발전 중이다. 특히 환자의 자가 보고 증상 부담이 언제 치료 강화(escalation of care)를 유발해야 하는지에 대한 불확실성이 남아 있다. 본 연구는 단일 방문 PRO-임상 예측 프레임워크를 수립하고, videofluoroscopic imaging 없이 PRO 응답과 구조화된 임상 변수를 사용하여 삼킴 장애 위험을 예측하는 임상적으로 해석 가능한 2단계 스태킹(stacking) 모델을 도입함으로써 이 공백을 해소한다. 제안된 프레임워크는 통합되고 해석 가능한 위험 평가 모델 내에서 환자 보고 증상과 임상 요인의 독립적 기여를 정량화한다. 우리의 결과는 개별 MDADI 응답이 복합 또는 전역 요약 점수가 포착하는 것을 넘어서는 예측 정보를 포함함을 보여주며, 해석 가능성 분석은 삼킴 장애와 관련된 증상 패턴과 임상 위험 요인을 밝힌다. 종합하면, 이러한 결과는 HNC 생존자 관리에서 연하장애 위험 층화를 위한 실용적이고 영상 없는 접근법으로서 구조화된 PRO-임상 통합의 사용을 뒷받침한다.

arXiv:2607.20453v1cs.CL

섬망 예측을 위한 LLM 제로샷 적응 지식 주입 프레임워크

A Knowledge-Injection Framework for Zero-Shot Adaptation of LLMs to Delirium Prediction

대규모 언어 모델(LLM)은 임상 예측에 유망하지만, 특화된 작업에서의 제로샷 성능은 불완전한 도메인 지식으로 인해 제한되며, 특히 소규모의 로컬 배포 가능 모델에서 그렇다. 우리는 미세조정이나 검색 없이 추론 시점에 구조화된 전자 건강 기록(EHR) 데이터의 결정론적 자연어 요약을 외부 임상 지식 보고서로 보강하는, ICU 섬망 예측을 위한 경량 지식 주입 프레임워크를 제시한다. MIMIC IV 데이터셋의 ICU 입원 3,160건에 대해 LLaMA 3.1 8B와 LLaMA 3.3 70B를 평가한다. 임상적으로 의미 있는 외부 지식 보고서를 추가하면 외부 지식이 없을 때와 비교하여 8B 모델의 AUROC가 8.57퍼센트포인트, 70B 모델은 1.99퍼센트포인트 향상된다. 외부 지식 보고서 없이 사용한 GPT-5.2 프론티어 모델 기준(AUROC 68.86%)과 비교할 때, 지식 주입은 LLaMA 8B의 성능 격차를 15.66에서 7.09 AUROC 포인트로, LLaMA 70B는 5.30에서 3.31 AUROC 포인트로 줄인다. 무작위 대조 보고서는 성능을 개선하지 않으며 오히려 저하시키는 경우가 많아, 향상은 프롬프트 길이 증가만이 아니라 임상적으로 의미 있는 내용에 달려 있음을 시사한다. SHAP 기반 기여도 분석은 주입된 지식이 예측 과정에서 적극적으로 활용됨을 추가로 확인한다. 이러한 결과는 추론 시점 지식 주입이 로컬 배포 가능한 오픈 가중치 모델과 프론티어 폐쇄형 모델 간의 격차를 줄일 수 있으며, 자원이 제한된 임상 환경에서 실용적이고 프라이버시를 보존하는 워크플로를 유지할 수 있음을 시사한다.

arXiv:2601.05151v3stat.ML

ROOFS: 강건한 바이오마커 특징 선택

ROOFS: RObust biOmarker Feature Selection

특징 선택(FS)은 바이오마커 발견 및 임상 예측 모델링에 필수적이다. 지난 수십 년간 FS에 대한 방법론적 문헌은 풍부하고 성숙해져, 다양한 알고리즘적 접근법의 스펙트럼을 제공하고 있다. 그러나 이러한 방법론적 진보의 많은 부분이 응용 생의학 연구로 완전히 이전되지 못했다. 또한 고차원 특징 공간, 적은 표본 크기, 다중공선성, 결측값 등 생의학 데이터에 내재된 과제들로 인해 FS는 사소하지 않다. 방법론 개발과 실제 적용 사이의 이러한 격차를 해소하기 위해, 우리는 ROOFS(RObust biOmarker Feature Selection)를 제안한다. 이는 https://gitlab.inria.fr/compo/roofs 에서 이용 가능한 Python 패키지로, 연구자들이 문제에 맞는 FS 방법을 선택하는 데 도움을 주도록 설계되었다. ROOFS는 사용자 데이터에서 여러 FS 방법을 벤치마킹하고, 낙관주의 보정(optimism correction)을 사용하여 추정한 하류 예측 성능, 안정성, 개별 특징의 강건성, 시뮬레이션된 결과를 갖춘 반합성(semi-synthetic) 데이터에서 평가한 참양성(true positive) 및 위양성(false positive)률을 포함한 포괄적인 평가 지표 세트를 요약하는 보고서를 생성한다. 우리는 폐암에서 anti-PD-(L)1 면역치료에 대한 내성의 예측인자를 식별하는 것을 목표로 하는 PIONeeR 임상시험 데이터에서 ROOFS의 유용성을 보여준다. ROOFS에 수집된 34개 FS 방법 중 23개를 11개 분류기와 조합하여(253개 모델) 평가하였고, t-test와 로지스틱 회귀에서 얻은 Benjamini-Hochberg false discovery rate 조정 p-value의 합집합을 기반으로 한 필터를 최적 접근법으로 식별하였으며, 널리 사용되는 LASSO를 포함한 다른 방법들을 능가하였다. 우리는 ROOFS를 활용한 포괄적인 벤치마킹이 FS 발견의 재현성을 향상시키고 임상 모델의 전환(translational) 가치를 높일 잠재력이 있다고 결론짓는다.

arXiv:2607.14190v1cs.LG

ALS 진행 및 의료 서비스 이용 예측을 위한 시간적 머신러닝 기반 시간-이벤트 모델

A Temporal Machine Learning-Based Time-to-Event Model for Predicting ALS Progression and Healthcare Utilization

근위축성측索경화증(ALS)은 진행성이며 이질적인 신경퇴행성 질환으로, 보조 기기 사용과 같은 임상적으로 의미 있는 이정표를 예측하는 것은 여전히 어렵다. 우리는 종단적 ALS 기능 평가 척도-개정판(ALSFRS-R) 궤적과 생존 모델링(survival modeling)을 통합하여 기능 저하와 보조 기기 이용에 대한 개인화된 예측을 지원하는 시간-이벤트(time-to-event), 디지털 트윈(digital twin) 영감의 프레임워크를 개발했다. 진단 기록, ALSFRS-R 평가, 일상생활 활동, 인구통계학적 정보를 통합하여 조화된 종단 데이터셋을 구축한 뒤, 데이터 품질, 시간적 정렬, 코호트 일관성을 보장하기 위한 전처리를 수행했다. 상관 기반 클러스터링은 연하, 상지, 체간, 하지, 호흡계에 걸친 일관된 기능 영역을 식별했다. 일반화 가법 혼합 모델(generalized additive mixed models)은 모든 영역에서 비선형적이고 영역 특이적인 기능 저하를 특성화했다. 또한 종단적 기능 저하를 예측하고 단계 의존적 질병 진행을 포착하기 위해 시간적 머신러닝 모델을 개발했다. Cox 비례 위험 모델링(Cox proportional hazards modeling)은 또한 하지 기능, 특히 보행과 계단 오르기를 더 이른 휠체어 사용의 가장 강력한 예측 변수로 식별했다. 이러한 결과를 바탕으로, 개인화된 생존 곡선을 생성하고 휠체어 없이 생존하는 기간을 동적으로 예측하는 디지털 트윈 영감의 시간적 머신러닝 기반 시간-이벤트(TTE) 모델을 구현했다. 이 프레임워크는 ALS 진행을 개인화된 의사결정 지원과 연결하는 확장 가능하고 해석 가능하며 임상적으로 실행 가능한 접근법을 제공하며, 선제적 돌봄 계획, 임상시험 층화, 정밀 의학(precision medicine)에 적용할 수 있다.

arXiv:2607.10466v1cs.LG

시간 인덱스 입력을 포함한 생존 모델에서 행정적 중도절단의 함정

Pitfalls of Administrative Censoring in Survival Models with Time-Indexed Inputs

생존 모델(survival model)은 부분적으로 관측된 데이터를 활용하여 사건 발생까지의 시간(time-to-event) 결과를 모델링할 수 있다. 이 모델은 암 위험, 질병 진행, 치료 반응, 사망률 등 임상 예측에 널리 활용된다. 최근 모델들은 의료 영상, 검사실 검사, 전자 건강 기록(EHR) 스냅샷, 센서 측정값 등 특정 임상 방문 시 수집된 풍부한 입력에 의존하는 경우가 많다. 대규모 후향적 데이터셋에서 이러한 입력은 통상 수년에 걸쳐 수집된다. 그 결과, 기기·프로토콜·문서화 방식·환자 구성·임상 관행의 변화를 통해 입력이 수집된 시점에 대한 단서를 포함할 수 있다. 이는 결과가 고정된 연구 종료일까지만 관측될 때 잠재적인 실패 모드를 만든다. 더 최근에 기록된 데이터는 오래된 데이터에 비해 잠재적 추적 관찰 기간이 필연적으로 짧다. 입력으로부터 기록 날짜를 추론할 수 있는 모델은 따라서 환자의 실제 사건 발생 위험이 아니라 가용한 추적 관찰 기간을 예측하도록 학습될 수 있다. 우리는 이 실패 모드를 행정적 절단 누출(administrative-cutoff leakage)이라 부른다. 본 논문에서는 이 누출이 발생하는 조건을 규명하고, 이를 고전적인 정보적 중도절단(informative censoring) 및 위험의 실질적 시간적 변화와 구별하며, 이를 탐지하기 위한 실용적인 방법을 제안한다. 시뮬레이션을 통해 행정적 절단 누출이 고정 시계열 AUC를 과대추정하게 할 수 있으며, 현실적인 추적 관찰 패턴 하에서 Harrell의 C-index에도 영향을 줄 수 있음을 보인다. 이어서 실제 유방조영술 코호트에서도 동일한 현상을 실증한다. 이러한 결과는 생존 예측을 위한 단순한 설계 원칙을 동기부여한다: n년 예측 과제의 경우, 데이터셋은 최신 입력 날짜 이후 최소 n년의 잠재적 추적 관찰 기간을 제공해야 한다. 그렇지 않으면 모델은 행정적 절단 누출에 의해 유발된 바이어스에 노출될 수 있다.

arXiv:2607.08953v1cs.LG

FairSelect: 다단계 및 교차적 알고리즘 공정성에 대한 체계적 평가

FairSelect: A Systematic Evaluation of Multi-Level and Intersectional Algorithmic Fairness

알고리즘 공정성(algorithmic fairness) 방법론은 머신러닝 모델의 바이어스를 식별하고 완화하는 데 점점 더 많이 활용되고 있으나, 대부분의 접근법은 단일 인구통계 축을 따라 독립적으로 평가된다. 이는 공정성 전략 선택에 대한 실질적인 지침을 제한하는데, 실제로는 교차적(intersectional) 하위 집단 전반에 걸쳐, 그리고 모델링 생애주기의 여러 단계에 걸쳐 불균형이 발생할 수 있다. 본 연구에서는 전처리(preprocessing), 처리 중(inprocessing), 후처리(postprocessing) 단계에서 공정성 완화 전략을 개별적으로 또는 조합하여 체계적으로 평가하기 위한 툴킷인 FairSelect를 제시한다. FairSelect는 다양한 모델 아키텍처, 교차적 하위 집단 평가, 기준선·단일 방법·다단계 구성에 걸친 공정성-유용성 트레이드오프 비교를 지원한다. 이 프레임워크는 특정 바이어스 메커니즘을 표현하도록 설계된 합성 임상 데이터셋과 심방세동 환자의 2년 뇌졸중 위험 예측에 관한 실제 세계 복제 연구를 통해 검증되었다. 합성 실험에서는 목표 지향적 공정성 방법이 의도한 하위 집단 불균형을 전반적으로 감소시켰으며, 결합 전략은 적당한 유용성 트레이드오프와 함께 더 큰 평균 공정성 향상을 이끌어냈다. 임상 예측 과제에서는 완화 효과가 매우 가변적이었는데, 일부 조합은 공정성과 예측 성능을 모두 향상시킨 반면 다른 조합은 효과가 없거나 역효과를 낳았다. 이러한 결과는 공정성 개입이 비가산적이고 맥락 의존적인 방식으로 상호작용함을 보여준다. FairSelect는 임상 머신러닝에서 모델 성능을 보존하면서 하위 집단 형평성을 향상시키는 공정성 전략을 체계적으로 식별하기 위한 실용적 프레임워크를 제공한다.

arXiv:2607.06163v1cs.LG

X-FEMR: A Token-level Explainable Approach for Electronic Health Records Foundation Models using Transformer-based Models

전자건강기록(EHR) 기반 파운데이션 모델(FEMR)의 블랙박스 문제를 해결하기 위해, Transformer 기반 서로게이트 모델을 학습시켜 FEMR의 입출력 쌍을 근사하는 최초의 토큰 수준 설명가능성(explainability) 프레임워크인 X-FEMR을 제안한다. SHAP 분석을 통해 예측에 영향을 미치는 핵심 토큰을 식별하고, 새롭게 도입한 임상 정렬(clinical alignment) 지표를 통해 서로게이트 모델의 설명이 임상적으로 검증된 특징과 잘 부합함을 실험적으로 입증하였다.

arXiv:2606.26561v1cs.AI

C형 간염 환자의 간경화 검출을 위한 설명 가능한 앙상블 기반 머신러닝 모델

Explainable Ensemble-Based Machine Learning Models for Detecting the Presence of Cirrhosis in Hepatitis C Patients

C형 간염은 바이러스에 의해 발생하는 간 감염으로, 경미한부터 중증까지의 간 염증을 초래한다. 수년에 걸쳐 C형 간염은 간을 점진적으로 손상시키며, 흔히 간경화(cirrhosis)라고 알려진 영구적 반흔 형성으로 이어진다. 환자는 간경화가 발생하기 전 수십 년 동안 간 질환의 중등도 증상 또는 무증상을 보이기도 한다. 간경화는 일반적으로 간 부전에 이를 정도로 악화된다. 간경화 환자는 뇌 및 신경계 손상과 위장관 출혈도 경험할 수 있다. 간경화 치료는 질병의 추가 진행을 방지하는 데 초점을 맞춘다. 따라서 간경화를 조기에 검출하는 것은 합병증을 피하는 데 매우 중요하다. 머신러닝(ML)은 여러 질환 진단에 사용할 정확하고 정밀한 정보를 제공하는 데 효과적인 것으로 나타났다. 그럼에도 불구하고, 지금까지 C형 간염 환자에서 간경화를 검출하기 위해 ML을 사용한 연구는 없었다. 본 연구는 캘리포니아 대학교 어바인(UCI) ML Repository에서 2038명의 이집트 환자에 대한 28개 속성으로 구성된 데이터셋을 확보했다. C형 간염 환자의 간경화를 진단하기 위해 데이터셋에 4가지 ML 알고리즘을 학습(training)시켰다: Random Forest, Gradient Boosting Machine, Extreme Gradient Boosting, Extra Trees 모델. Extra Trees 모델이 다른 모델들보다 우수한 성능을 보였으며, 28개 특징 중 16개만 사용하여 정확도 96.92%, 재현율 94.00%, 정밀도 99.81%, 수신자 조작 특성(ROC) 곡선 아래 면적 96%를 달성했다.

arXiv:2403.11425v4cs.LG공식 코드 · Papers with Code

Narrative Feature or Structured Feature? A Study of Large Language Models to Identify Cancer Patients at Risk of Heart Failure

Cancer treatments are known to introduce cardiotoxicity, negatively impacting outcomes and survivorship. Identifying cancer patients at risk of heart failure (HF) is critical to improving cancer treatment outcomes and safety. This study examined machine learning (ML) models to identify cancer patients at risk of HF using electronic health records (EHRs), including traditional ML, Time-Aware long short-term memory (T-LSTM), and large language models (LLMs) using novel narrative features derived from the structured medical codes. We identified a cancer cohort of 12,806 patients from the University of Florida Health, diagnosed with lung, breast, and colorectal cancers, among which 1,602 individuals developed HF after cancer. The LLM, GatorTron-3.9B, achieved the best F1 scores, outperforming the traditional support vector machines by 39%, the T-LSTM deep learning model by 7%, and a widely used transformer model, BERT, by 5.6%. The analysis shows that the proposed narrative features remarkably increased feature density and improved performance.

arXiv:2606.21492v1cs.LG

대장내시경 전 임상 특징을 이용한 아프리카계 미국인 고위험 대장 결장 용종 예측: 머신러닝 모델 개발 및 시간적 검증

Predicting High-Risk Colorectal Polyps in African Americans Using Pre-Colonoscopy Clinical Features: Machine Learning Model Development and Temporal Validation

고급 대장 결장 용종의 위험 계층화는 일반적으로 대장내시경 및/또는 병리학적 소견에 의존한다. 그러나 대장내시경 전에 확보되는 비침습적 특징이 더 높은 위험에 있는 환자를 식별하는 데 도움이 될 수 있는지에 대한 관심이 커지고 있다. 이러한 접근법은 대장내시경 자원이 제한된 상황에서 고위험 용종을 가질 가능성이 가장 높은 개인에 대한 감시를 우선시함으로써 임상 의사결정을 향상시킬 수 있으며, 저위험 환자에서 불필요한 시술을 줄일 가능성도 있다. 중요하게는, 비침습적이고 시술 전 정보의 사용은 특히 대장내시경 자원이 제한되거나 불균등하게 배분된 환경에서 위험 계층화에 대한 보다 공평한 접근을 촉진하는 데 도움이 될 수도 있다. 우리는 다양하고 주로 아프리카계 미국인으로 구성된 도시 코호트에서, 비침습적이고 대장내시경 전 인구통계학적, 임상적, 행동적 특징만을 사용하여 고위험 대장 결장 용종을 예측하는 머신러닝 모델을 개발하고 외부 검증하는 것을 목표로 했다. 우리는 Howard University Hospital에서 대장내시경을 받은 환자의 인구통계학, 생활습관, 동반질환 데이터를 사용하여 고위험 대장 결장 용종 예측을 위한 신경망(neural networks), 랜덤 포레스트(random forest), 서포트 벡터 머신(SVM), 나이브 베이즈(Naive Bayes), 로지스틱 회귀(logistic regression), 의사결정나무(decision trees), k-최근접 이웃(KNN), XGBoost 등 여러 머신러닝 모델을 개발하고 검증하기 위해 후향적 코호트 연구를 수행했다. 고위험 용종(HRP)은 융모성(villous) 또는 관융모성(tubullovillous) 선종, 고등급 이형성증(high-grade dysplasia), 크기가 10mm 이상인 용종, 및/또는 시술당 3개 이상의 용종 존재로 정의되었다; 그 외 모든 사례는 저위험 용종(LRP)으로 분류되었다. 데이터셋에는 2015-2022년의 4,681명의 환자가 내부 검증에 사용되었고, 2023-2024년의 1,562명의 환자가 외부 검증에 사용되었다.

arXiv:2606.12006v1cs.LG

생존 인식 적응을 통한 임상 생존분석용 테이블형 파운데이션 모델

Tabular Foundation Models for Clinical Survival Analysis via Survival-Aware Adaptation

사망과 같은 시간-사건(time-to-event) 결과 예측은 임상 의사결정에서 근본적인 과업이며, 일반적으로 생존분석을 통해 다룬다. 전통적인 통계 및 심층 학습 접근법은 널리 연구되어 왔지만, 일반적으로 과업 특화 학습과 충분한 레이블 데이터가 필요하다. 최근 테이블형 파운데이션 모델의 발전은 구조화 데이터에 대한 범용 표현을 학습함으로써 새로운 패러다임을 제시한다. 그러나 일반적인 응용이 생존분석 과업보다는 이산 분류에 제한되어 있기 때문에, 임상 환경에서 검열이 있는 시간-사건 예측에 대한 이들의 적용 가능성은 아직 충분히 탐구되지 않았다. 본 연구에서는 사전학습 표현 위에 생존 인식 헤드를 직접 학습함으로써, 테이블형 파운데이션 모델을 임상 생존분석에 적용하기 위한 경량 적응 접근법을 제안한다. TabPFN, TabDPT, TabICL 등 대표 아키텍처를 연구하며, 우측 검열(right-censored) 시간-사건 결과를 모델링하기 위해 다과업 로지스틱 회귀(MTLR) 헤드를 사용하여 이들을 적응한다. 공개 생존분석 벤치마크와 MIMIC-IV, eICU 두 대규모 ICU 코호트에서 이 접근법을 평가한다. 결과는 이 전이학습 접근법이 강력한 기준선과 비교하여 경쟁력 있거나 우수한 성능을 달성함을 보여준다. MIMIC-IV에서 TabDPT-FT-MTLR은 C-index 0.856에 도달하며, 최고 비-FM 기준선(DeepSurv, 0.844) 대비 +1.4%, 최고 제로샷 모델(0.802) 대비 +6.7%의 상대적 향상에 해당한다. eICU에서 TabICL-FT-MTLR은 0.797을 달성하며, 각각 +1.7%(DeepSurv, 0.784) 및 +6.4%(0.749)의 향상을 제공한다. 이 결과는 사전학습된 테이블형 표현과 생존 인식 목적함수를 결합하는 것의 중요성을 강조하며, 테이블형 파운데이션 모델이 임상 생존 예측을 위한 실용적이고 효과적인 대안을 제공함을 시사한다.

arXiv:2606.06516v1q-bio.QM

발병 전 질병 중증도의 개인화 예측을 위한 확률적 학습: 정맥폐쇄성질환 적용 사례

Probabilistic learning to perform pre-onset individualised prediction of disease severity: application to Veno Occlusive Disease

우리는 전향적 환자에서 질병이 어떤 중증도로 발현될지를 신뢰성 있게, 자동으로, 조기에 개인화 예측할 수 있는 새로운 확률적 지도 학습 방법을 제안한다. 이 예측 능력은 고려 대상인 전향적 환자의 디지털 트윈(DT)에서 정맥폐쇄성질환(Veno Occlusive Disease, VOD)의 중증도 점수를 이식 전 단계에서 예측하는 것으로 설명된다. 이 점수는 해당 환자가 골수 이식을 받은 후 VOD가 어느 중증도로 발현될지를 매개변수화한다. 이식 전 변수들과 중증도 점수 변수 간의 관계 학습은, 이 관계를 적절하게 선택된 확률 과정의 표본 함수로 취급되는 (확률적) 함수로 모델링함으로써 수행된다. 이 기저 과정의 매개변수는 코호트 내 회고적 환자의 실시간 경과로부터 생성된 학습 데이터셋을 사용하여 학습되며, 이 학습 데이터셋은 이후 전향적 환자 점수의 확률적 역학습(probabilistic inverse learning)을 통해 규모가 증강된다. 증강된 학습 세트는 이식 전 단계에서 물리적 환자의 고유한 이식 전 상태를 특징짓는 DT의 VOD 중증도 점수를 자동으로 예측하는 함수의 학습을 가능하게 한다. 이 점수는 이후 실제 전향적 환자에게 이식 후 VOD가 발현될 중증도로 피드백된다. 이러한 점수는 담당 혈액종양내과 전문의가 치료 방침을 결정하는 데 활용되며, 이 사례에서는 Defibrotide 투여 여부를 결정하는 것으로 귀결된다. 이러한 자동화된 예측을 수행하기 위한 AI 기능이 개발되었으며, 의사는 고려 대상 전향적 환자의 DT를 특징짓는 이식 전 상태 데이터를 입력한다.