다중 마커와 다중 사건 결과를 위한 변분 근사 결합 모델

초록

본 논문은 다수의 연속형 바이오마커와 여러 종류의 시간‑대상 사건(말기, 경쟁, 재발)을 동시에 모델링할 수 있는 결합 모델을 제안한다. Gaussian 변분 근사(GVA)를 이용해 전체 가능도(Likelihood)를 근사함으로써 지연 진입(delayed entry)과 대규모 데이터에서도 빠르고 안정적인 추정을 가능하게 하였으며, 이를 오픈소스 패키지로 구현하였다. 시뮬레이션과 유방암 데이터 적용을 통해 근사 정확도와 계산 효율성을 검증하였다.

상세 분석

이 연구는 기존 결합 모델이 직면한 네 가지 핵심 한계—다중 마커, 다중 생존 결과, 지연 진입, 그리고 확장성—를 동시에 해결하고자 한다. 저자들은 각 마커에 대해 다변량 선형 혼합 모델(multivariate LMM)을 설정하고, 각 생존 결과에 대해서는 현재값, 기울기, 누적값 등 다양한 형태의 연관 파라미터를 포함한 유연한 비례 위험 모델을 채택한다. 랜덤 효과는 마커와 생존 위험을 연결하는 핵심 매개변수이며, 이를 하나의 벡터 O_i=(U_i,W_i) 로 결합해 전체 가능도는 고차원 적분 형태가 된다. 직접 적분이 불가능하므로 Gaussian 변분 근사(GVA)를 도입, 변분 분포를 다변량 정규분포로 가정하고 ELBO(Evidence Lower Bound)를 최대화하는 최적화 문제로 전환한다. 좌표 상승(coordinate ascent)과 quasi‑Newton 방법을 혼합한 알고리즘을 설계해 각 파라미터 블록을 효율적으로 업데이트한다. 특히, 지연 진입을 고려한 위험함수의 누적 적분을 Gauss‑Legendre 사분법으로 근사함으로써 변분 단계에서도 정확한 보정이 가능하도록 했다. 시뮬레이션에서는 변분 ELBO가 전체 가능도와 매우 근접함을 보였으며, 추정 편향과 평균제곱오차가 기존 EM이나 MCMC 기반 방법에 비해 크게 감소하고, 실행 시간은 수십 배 이상 단축되었다. 실제 데이터에서는 유방 조직의 밀도와 지방 함량 두 마커를 동시에 추적하면서 첫 유방암 진단까지의 시간을 모델링했으며, 마커의 현재값과 누적값이 위험에 미치는 영향을 구체적으로 해석할 수 있었다. 전체적으로 GVA 기반 접근법은 복잡한 결합 구조를 유지하면서도 계산 비용을 크게 낮추는 실용적인 해결책임을 입증한다.