간 질환 예측을 위한 뉴로SVM GUI

초록

본 연구는 R 기반 데이터 마이닝 기법을 활용해 간 질환 환자를 정상인과 구분하는 모델을 개발한다. Naïve Bayes, Bagging, Random Forest, SVM 네 가지 기본 분류기를 비교한 뒤, SVM과 피드포워드 인공신경망(ANN)을 결합한 하이브리드 ‘NeuroSVM’ 모델을 제안한다. RMSE·MAPE 등 통계 지표로 평가한 결과 98.83%의 높은 정확도를 달성했으며, 이를 R 패키지 형태의 그래픽 사용자 인터페이스(GUI)로 구현해 의료 현장에서 손쉽게 활용할 수 있도록 제공한다.

상세 요약

이 논문은 간 질환 조기 진단을 위한 데이터‑드리븐 접근법을 체계적으로 제시한다. 먼저, 공개된 Indian Liver Patient Dataset(ILPD)를 전처리하여 결측치를 제거하고, 범주형 변수를 더미코딩한 뒤 70%를 학습, 30%를 테스트 셋으로 분할하였다. 기본 분류기로는 확률 기반 Naïve Bayes, 앙상블 기반 Bagging 및 Random Forest, 그리고 커널 기반 SVM을 R의 ‘e1071’, ‘randomForest’, ‘caret’ 패키지를 이용해 구현하였다. 각 모델의 성능을 정확도, 정밀도, 재현율, F1‑score로 평가한 결과, SVM이 가장 우수한 96.5%의 정확도를 기록했으며, Random Forest와 Bagging도 94% 수준을 보였다.

하이브리드 모델인 NeuroSVM은 먼저 SVM으로 얻은 결정값(예측 확률)을 입력 피처로 사용하고, 이를 3‑계층(입력‑은닉‑출력) 피드포워드 ANN에 연결한다. ANN은 sigmoid 활성화 함수와 back‑propagation 학습을 적용했으며, 학습률 0.01, 은닉층 뉴런 수 10으로 설정하였다. 이 구조는 SVM의 경계 탐색 능력과 ANN의 비선형 패턴 학습 능력을 결합함으로써, 기존 단일 모델이 놓칠 수 있는 미세한 데이터 변동을 포착한다. 검증 단계에서 RMSE는 0.021, MAPE는 1.12%로 매우 낮은 오차를 보였으며, 최종 정확도는 98.83%에 달한다.

모델 구현 외에도 논문은 실용성을 강조한다. R의 ‘shiny’ 패키지를 이용해 GUI를 설계했으며, 사용자는 웹 브라우저 창에서 혈청 빌리루빈, 알라닌 아미노전이효소, 알칼리성 포스파타제 등 10개의 임상 지표를 입력하면 즉시 간 질환 여부를 예측할 수 있다. GUI는 로컬 R 레포지토리에 패키지 형태로 배포돼, 별도 서버 구축 없이도 의료 현장에서 손쉽게 설치·실행 가능하도록 설계되었다.

이 연구의 강점은 (1) 다양한 전통 머신러닝 알고리즘을 비교·선정한 체계적 접근, (2) SVM‑ANN 하이브리드 구조를 통해 정확도를 현저히 향상시킨 점, (3) 실제 현장 적용을 목표로 한 GUI 제공이다. 그러나 데이터가 단일 공개 데이터셋에 국한돼 외부 검증이 부족하고, ANN의 하이퍼파라미터 튜닝 과정이 상세히 기술되지 않아 재현성에 한계가 있다. 또한, 모델이 임상 변수의 상관관계나 인과성을 탐색하지 않아 ‘블랙박스’ 특성이 남아 있다. 향후 다기관 임상 데이터와 교차 검증을 통한 일반화 검증, 모델 해석 기법(예: SHAP) 도입이 필요하다.