반응성 관절염 진단을 위한 하이브리드 군집‑분류 신경망

본 논문은 겹치는 클래스가 존재하는 의료 데이터, 특히 반응성 관절염(Reactive Arthritis, ReA) 진단에 적합한 새로운 하이브리드 군집‑분류 신경망을 제안한다. 기존의 자기조직화지도(SOM)와 학습벡터양자화(LVQ) 네트워크는 각각 비지도 학습과 지도 학습에 강점을 가지고 있으나, ‘Winner‑Takes‑All’(WTA) 메커니즘으로 인해 클래스가 겹칠 경우 정확도가 급격히 떨어진다. 이를 극복하기 위해 저자는 다음과 같은 핵심 아이디어를 도입한다. 첫째, 거리 측정 대신 코사인 유사도 cos(θ) 를 사용한다. 입력 벡터 x 와 가중치 벡터 w_j 를 단위 초구면에 정규화(‖x‖=‖w_j‖=1)함으로써 유사도는 0과 1 사이의 값으로 제한된다. 코사인 유사도는 겹치는 영역에서도 미세한 차이를 구분할 수 있어, 전통적인 유클리드 거리보다 높은 유연성을 제공한다. 둘째, 학습률 η_k 를 Dvoretzky 조건을 만족하도록 단조 감소 형태로 설계한다. 구체적으로 η_k = 1/(k+α) 혹은 η_k = 1/(k·α + 1) 형태를 사용해, 초기 학습 단계에서는 빠른 수렴을, 후반부에서는 안정적인 미세 조정을 가능하게 한다. α 파라미터는 데이터셋의 특성에 따라 조정 가능하며, 학습률이 너무 작아지면 수렴이 지연되고, 너무 크면 발산 위험이 있다. 셋째, 퍼지 추론 단계를 추가한다. 입력 샘플 x 가 여러 군집에 동시에 속할 가능성을 멤버십 함수 μ_j(x) = max(0, cos θ_j)·(1 − cos θ_j)⁻¹ 로 정의한다. 이 함수는 코사인 유사도가 높을수록 해당 군집에 대한 소속도를 크게 평가한다. 멤버십 값은 LVQ 단계에서 가중치 업데이트에 가중치로 사용되어, 같은 클래스에 속하면 가중치를 x 쪽으로 이동시키고, 다른 클래스에 속하면 반대 방향으로 ‘푸시‑백’한다. 이 과정은 겹치는 클래스 간 경계를 부드럽게 만들며, 학습 과정에서 자연스럽게 퍼지 규칙이 형성된다. 네 번째로, 두 개의 동일한 토폴로지를 가진 층을 순차적으로 연결한다. 첫 번째 층은 SOM으로 동작하여 입력 데이터를 저차원 특징 공간 y 으로 압축한다. 이 단계에서 경쟁‑협력‑가중치 조정 과정을 거치며, 코사인 기반 유사도와 가변 학습률을 적용한다. 두 번째 층은 LVQ로 동작하여, 압축된 특징 y 을 지도 학습으로 분류한다. 두 층이 동일한 구조를 공유함으로써, 온라인 환경에서도 실시간으로 새로운 샘플을 처리할 수 있다. 실험에서는 반응성 관절염 환자와 정상 대조군 데이터를 수집하여, 증상·검사 결과 등 20여 개의 변수로 구성된 데이터셋을 구축했다. 데이터는 70%를 학습, 30%를 테스트에 사용했으며, 겹치는 증상군(예: 관절통증과 발진이 동시에 나타나는 경우)을 의도적으로 포함시켰다. 제안 모델은 기존 SOM 단독, LVQ 단독, 그리고 전통적인 퍼지 C‑means(Fuzzy C‑means)와 비교했을 때, 정확도(Accuracy) 92.3% vs. 81.5%~86.7%, 정밀도(Precision) 90.8% vs. 78.2%~84.5%, 재현율(Recall) 93.1% vs. 80.3%~85.9%를 기록했다. 특히 겹치는 클래스에 대한 혼동 행렬을 분석한 결과, 퍼지 멤버십을 활용한 ‘푸시‑백’ 메커니즘이 오분류를 크게 감소시킨 것으로 나타났다. 결론적으로, 코사인 기반 유사도, 가변 학습률, 퍼지 멤버십 추정이 결합된 하이브리드 군집‑분류 신경망은 의료 데이터와 같이 클래스 경계가 흐릿하고 겹치는 경우가 빈번한 상황에서 기존 방법보다 뛰어난 성능을 보인다. 향후 연구에서는 다중 모달 데이터(영상·유전정보 등)를 통합하고, 실시간 임상 의사결정 지원 시스템에 적용하는 방향을 제시한다.