신경생존 베이지안 불확실성 추정이 가능한 딥 서바이벌 모델

초록

NeuralSurv는 베이지안 신경망을 기반으로 연속시간 서바이벌 데이터를 모델링하고, 폴리아‑감마와 마크드 포아송 과정을 이용한 두 단계 데이터 증강으로 정확한 likelihood를 계산한다. 평균장 변분 추론을 통해 선형 시간 복잡도로 후방분포를 근사하며, 캘리브레이션과 불확실성 추정에서 기존 딥 서바이벌 모델을 능가한다.

상세 분석

본 논문은 서바이벌 분석에 딥러닝과 베이지안 추론을 결합한 최초의 프레임워크인 NeuralSurv를 제안한다. 핵심 아이디어는 위험 함수 λ(t|x) 를 베이스라인 위험 λ₀(t)와 시그모이드 변조 함수 σ(g(t,x;θ))의 곱으로 표현하고, g를 베이지안 신경망(BNN)으로 파라미터화한다는 점이다. 베이스라인 λ₀는 Weibull 형태의 파라미터 ϕ를 갖는 감마 사전분포를 사용해 비정형성을 유지하면서도 해석 가능성을 제공한다. 시그모이드 변조는 위험을 (0,λ₀) 사이에서 연속적으로 조절해 시간‑공변량 의존성을 자연스럽게 포착한다.

시그모이드 비선형성 및 연속시간 적분으로 인한 계산 난이도를 극복하기 위해 두 단계 데이터 증강을 도입한다. 첫 번째 단계에서는 폴리아‑감마 변수 ω를 도입해 σ(z)를 지수형태의 기대값으로 변환함으로써 비선형성을 선형화한다. 두 번째 단계에서는 마크드 포아송 과정 Ψ를 이용해 적분을 마코프 점 과정의 기대값으로 전환한다. 이때 Campbell 정리를 활용해 적분을 무한합 형태로 표현하고, 마크드 포아송 과정의 강도 λ_i(t,ω;ϕ)=λ₀(t,x_i;ϕ)p_PG(ω|1,0) 로 정의한다. 결과적으로 원래의 연속시간 likelihood는 ω와 Ψ에 대한 기대값 형태로 정확히 재작성된다.

베이지안 추론은 평균장(mean‑field) 변분법을 사용한다. 변분 분포 Q는 ϕ, θ, ω, Ψ 네 개의 독립 요소로 분해되며, 특히 Ψ에 대해서는 레벤‑니코디미드(dQ/dP*) 를 이용해 경로 공간에 대한 “레벤‑니코디미드 밀도”를 정의한다. 이 구조 덕분에 ELBO를 닫힌 형태로 유도할 수 있고, 각 파라미터에 대한 좌표 상승 업데이트가 선형 시간 복잡도로 수행된다. 특히 BNN을 로컬 선형화함으로써 가우시안-폴리아‑감마 결합의 완전한 공액성을 확보하고, ϕ와 θ에 대한 업데이트는 표준 정규·감마 사후식으로 간단히 계산된다.

실험에서는 합성 데이터와 실제 의료·공학 데이터셋(예: SEER, MIMIC‑III 등)에서 NeuralSurv가 기존 딥 서바이벌 모델(DeepSurv, Cox‑PH NN 등)보다 캘리브레이션 오류(Brier score, IBS)와 신뢰구간 커버리지를 크게 개선함을 보였다. 특히 데이터가 희소한 상황에서 베이지안 사전이 과적합을 억제하고, 불확실성 추정이 의미 있는 의사결정 지원으로 이어진다. 모델은 아키텍처에 독립적이며, CNN, RNN, Transformer 등 다양한 백본에 적용 가능하도록 설계되었다.

요약하면, NeuralSurv는 (1) 시그모이드 위험 모델링, (2) 폴리아‑감마·포아송 데이터 증강, (3) 평균장 변분 추론이라는 세 축을 결합해, 연속시간 서바이벌 분석에서 베이지안 불확실성 추정을 실용적이고 확장 가능하게 만든 혁신적 접근이다.