방사형 기저 신경망을 활용한 HIV 치료 레짐 예측 모델

본 논문은 방사형 기저 함수 신경망(RBFN)을 이용해 HIV/AIDS 환자의 치료 레짐을 예측하고, 이를 통해 환자의 기대 수명 연장을 지원하는 모델을 제안한다. 서론에서는 HIV 감염이 면역 체계에 미치는 영향과 개별 환자마다 다른 유전적·임상적 특성 때문에 치료 결과를 예측하기 어려움을 강조한다. 기존 연구에서 인공신경망(ANN)과 로지스틱 회귀가 활용된 바 있으나, 구조적 정보가 부족해 정확한 예측이 제한된다고 지적한다. RBFN 모델의 구조는 입력층, 은닉층, 출력층으로 구성된다. 입력층은 환자의 연령, 체중, CD4 수치, CD8 수치, 혈색소(HB), 총 림프구 수(TLC) 등 6개의 연속형 변수를 각각 하나의 뉴런에 매핑한다. 범주형 변수는 N‑1개의 뉴런으로 원‑핫 인코딩한다. 은닉층은 방사형 기저 함수(가우시안 커널)를 사용하며, 각 뉴런은 중심점(μ)과 스프레드(σ)를 가진다. 중심점은 초기 K‑means 클러스터링으로 설정하고, 학습 과정에서 최적화한다. 은닉층 출력은 유클리드 거리와 커널 함수를 통해 계산된 후, 가중치와 곱해져 출력층의 선형 합산에 기여한다. 출력층은 두 개의 클래스를 구분하도록 설계되었으며, 각각 ‘10년 중 75% 이상 생존 가능’과 ‘10년 중 50% 이하 생존 가능’에 해당한다. 실험 데이터는 인도 타밀 나두 주의 ART 센터에서 수집한 500명의 환자 기록 중 300명을 학습용, 200명을 테스트용으로 무작위 분할하였다. 모든 환자는 45세 이하이며, 데이터는 동질적인 집단으로 제한되었다. 표 1에는 10명의 샘플 환자 정보가 제시되고, 표 2에는 각 환자에게 제안된 레짐(‘ZLN’, ‘ZLE’, ‘SLN 30’)과 복용량이 명시된다. 레짐은 환자의 체중, 혈색소, CD4 수치 등에 따라 맞춤형으로 지정되었다. 모델 학습은 MATLAB 환경에서 구현되었으며, 학습 시간은 다층 퍼셉트론(MLP) 대비 약 30% 단축되었다. 성능 평가는 민감도와 특이도로 수행했으며, RBFN은 로지스틱 회귀보다 높은 민감도(≈0.85 vs 0.73)와 특이도(≈0.80 vs 0.68)를 기록했다. 또한 외부 검증 데이터셋을 이용한 테스트에서도 RBFN이 일관된 성능을 보였다고 보고한다. 결론에서는 RBFN이 기존 통계 모델보다 높은 예측력을 갖으며, 학습 속도가 빠른 장점을 강조한다. 그러나 차원 수가 증가하거나 은닉 유닛이 과다할 경우 과적합 위험이 커지고, 모델이 고차원 데이터에 민감하다는 제한점을 인정한다. 또한 현재 연구는 동일 기관에서 수집된 동질적인 데이터에만 적용되었으며, 외부 검증이 제한적이므로 일반화 가능성을 확보하기 위해 다기관, 다인종 데이터를 활용한 추가 연구가 필요함을 제언한다. 마지막으로, RBFN이 임상 의사결정 지원 시스템에 통합될 경우, 환자 맞춤형 레짐 설계와 치료 효율성 향상에 기여할 수 있을 것으로 기대한다.