에이전트 기반 면역 알고리즘을 활용한 유방암 데이터 분류 모델

초록

본 연구는 AnyLogic 환경에서 면역 시스템을 모방한 에이전트 기반 시뮬레이션으로 Dendritic Cell Algorithm(DCA)을 구현하고, 이를 UCI 위스콘신 유방암 데이터셋에 적용해 정상·비정상(악성) 두 클래스로 구분하는 가능성을 검증한다. 결과는 DCA의 에이전트 구현이 정확도와 적응성 측면에서 기존 구현과 유사함을 보여, 향후 복합 AIS 모델을 에이전트 기반 플랫폼에 확장할 수 있음을 시사한다.

상세 요약

이 논문은 인공 면역 시스템(AIS)의 한 갈래인 Dendritic Cell Algorithm(DCA)을 에이전트 기반 시뮬레이션 툴인 AnyLogic에 재구현함으로써, 전통적인 코드 기반 구현과 비교했을 때 어떤 장점과 한계가 존재하는지를 심층적으로 탐구한다. 먼저, DCA는 자연 면역에서 수지상 세포가 병원체와 손상된 세포를 감지하고, 그 신호를 종합해 면역 반응을 조절하는 과정을 모델링한다. 이 과정은 ‘PAMP(병원체 연관 분자 패턴)’, ‘Danger(위험 신호)’, ‘Safe(안전 신호)’라는 세 종류의 입력을 받아, 각각의 신호 가중치를 기반으로 세포가 성숙(mature) 혹은 반성숙(semi‑mature) 상태로 전환되는 확률적 메커니즘을 포함한다. 논문은 이러한 메커니즘을 ‘에이전트’라는 독립적인 실행 단위에 매핑한다. 각 에이전트는 자체적인 상태 변수(예: 세포 유형, 신호 누적량)와 행동 규칙(신호 수집, 상태 전이, 결과 보고)을 갖고, 시뮬레이션 시간에 따라 동시다발적으로 작동한다.

AnyLogic의 객체‑지향 및 이벤트‑드리븐 구조는 DCA의 비동기적 특성을 자연스럽게 구현할 수 있게 해준다. 특히, 에이전트 간 통신을 메시지 패싱으로 처리함으로써, 실제 면역 세포가 주변 환경과 상호작용하는 방식을 시각화하고, 실시간으로 파라미터 변화를 관찰할 수 있다. 이는 전통적인 파이썬·MATLAB 기반 구현에서 흔히 겪는 ‘블랙박스’ 문제를 해소하고, 모델 디버깅 및 교육용 도구로서의 활용 가능성을 높인다.

데이터셋 적용 측면에서는, UCI 위스콘신 유방암 데이터는 30개의 수치형 특성(feature)과 2개의 클래스(양성·악성)로 구성돼 있다. 논문은 각 특성을 DCA의 입력 신호로 변환하기 위해 정규화 후, 특정 임계값을 기준으로 PAMP, Danger, Safe 신호로 라벨링한다. 예를 들어, 종양 크기나 세포 핵의 비대칭성 같은 특성이 높은 경우 Danger 신호로, 정상 범위에 머무는 경우 Safe 신호로 매핑한다. 이렇게 변환된 신호는 에이전트가 수집하고, 누적된 신호 비율에 따라 ‘성숙’ 혹은 ‘반성숙’ 상태를 결정한다. 최종적으로, 다수결(majority voting) 방식을 통해 각 데이터 포인트의 분류 결과를 도출한다.

실험 결과는 정확도, 정밀도, 재현율 등 주요 성능 지표에서 기존 DCA 구현과 크게 차이가 없음을 보여준다. 특히, 에이전트 기반 구현은 시뮬레이션 파라미터(예: 신호 가중치, 에이전트 수, 전이 임계값)를 직관적으로 조정할 수 있어, 모델의 적응성을 검증하는 데 유리하다. 그러나 몇 가지 제한점도 명시된다. 첫째, 에이전트 수가 늘어날수록 시뮬레이션 실행 시간이 급격히 증가해 실시간 대규모 데이터 처리에는 부적합할 수 있다. 둘째, 신호 매핑 과정이 도메인 전문가의 주관적 판단에 의존하므로, 자동화된 특성 선택 및 신호 변환 기법이 필요하다. 셋째, AnyLogic 자체가 상용 라이선스를 요구하므로, 연구 재현성 측면에서 접근성이 제한될 수 있다.

종합적으로, 이 논문은 DCA를 에이전트 기반 플랫폼에 구현함으로써 모델의 가시성, 확장성, 교육적 활용 가능성을 크게 향상시켰으며, 향후 복합적인 AIS(예: CLONALG, Negative Selection)와 하이브리드 머신러닝 기법을 통합하는 연구의 토대를 제공한다.