PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.07135v1cs.LG

헌팅턴병에서 비지도 질병 단계 분류의 설명: 모델 표현과 클러스터에 대한 통찰

Explaining Unsupervised Disease Staging in Huntington's Disease: Insights into Model Representations and Clusters

헌팅턴병(HD)은 운동, 인지, 행동 기능에 영향을 미치는 진행성 신경퇴행성 장애이며, 질병 진행을 정확히 특성화하는 것은 환자 결과와 삶의 질을 개선하는 데 여전히 필수적이다. 비지도 기계학습(ML) 방법은 종단 데이터에서 질병 진행 궤적과 의미 있는 잠재 단계를 발견할 수 있음을 보여주었지만, 해석 가능성이 제한적이어서 임상적 신뢰와 임상 적용을 제약한다. 우리는 추출된 특징 표현과 발견된 질병 단계에 설명 가능성 분석을 적용하여, 이전에 제안된 ML 기반 질병 단계 분류 프레임워크를 확장한다. Enroll-HD 데이터셋에 적용하여, 우선 학습된 표현을 저차원 공간에 투영하여 결과 클러스터가 확립된 임상 지표의 진행과 일치하는지 직관적으로 평가한다. 이어서 saliency map을 사용해 시간에 걸쳐 학습된 임베딩(embedding)에 가장 강하게 기여하는 임상 특징을 식별한다. 마지막으로 대리 분류기(surrogate classifier)를 학습하고 SHAP을 적용하여 클러스터 할당에 대한 특징 중요도를 정량화하고, 어떤 임상 변수가 질병 단계 간 전환을 유도하는지 분석한다. 설명 가능성 분석은 학습된 임베딩이 임상적으로 의미 있는 질병 구조를 포착하며, 확립된 운동 및 기능적 중증도 점수와 정렬되고 클러스터 전반에 걸쳐 점진적 악화를 보인다고 나타낸다. 이 분석 내에서 SHAP은 초기 인지-운동 장애에서 심각한 기능적 의존까지 이어지는 질병 단계의 층화를 밝히며, 이는 알려진 임상 진행 패턴과 일치하면서 동시에 단계 내 변이성을 강조한다.