오른쪽 검열 데이터에서 위험 선별을 위한 정규화 서바이벌 밴드

초록

본 논문은 오른쪽 검열이 존재하는 생존 데이터에 대해, 블랙박스 생존 모델의 개별 예측곡선 주위에 예측‑지향적인 불확실성 밴드를 제공하는 정규화(conformal) 방법을 제안한다. IPCW와 FDR 제어를 결합해 각 환자에 대한 생존 확률 밴드를 구성하고, 지정된 시간·확률 임계값을 초과하는 환자를 “저위험”으로 선별할 때 평균 생존 비율이 사전에 설정한 수준을 만족하도록 보장한다. 이론적 비대칭 보정과 시뮬레이션·실제 데이터 실험을 통해 비정규성, 모델 오차에 강인함을 입증한다.

상세 분석

이 연구는 기존 생존 분석에서 흔히 발생하는 검열(censoring) 문제를 정규화 추론(conformal inference) 프레임워크와 결합함으로써, 개별 환자 수준의 예측 불확실성을 비모수적으로 정량화한다는 점에서 혁신적이다. 핵심 아이디어는 두 개의 블랙박스 모델—생존 모델 ˆM_T와 검열 모델 ˆM_C—을 사전 학습한 뒤, 검열 모델을 이용해 캘리브레이션 데이터에 역확률 가중치(IPCW)를 적용해 검열로 인한 정보 손실을 보정한다. 이렇게 가중된 데이터에 대해 ‘T≥t’ 혹은 ‘T≤t’ 형태의 가설 검정을 위한 정규화 p‑값을 계산하고, 이 p‑값들을 다중 검정 절차에 투입해 거짓 발견률(FDR)을 제어한다.

정규화 p‑값은 검열 가중치를 포함한 순위 기반 통계량으로 정의되며, 이는 검열 독립성 가정 없이도 교환가능성(exchangeability)을 확보한다. 이후 각 환자 j에 대해 시간 t와 확률 임계값 q를 지정하면, “전체 밴드가 q 위에 위치한다”는 조건을 만족하는 경우에만 저위험으로 플래그한다. 이때 FDR 제어 이론에 따라, 플래그된 환자 집합 전체에서 평균 생존 확률이 최소 q 이상임을 asymptotic하게 보장한다.

이론적 결과는 두 가지 주요 정리를 제공한다. 첫째, IPCW‑정규화 p‑값이 검열된 데이터에서도 정확한 유의수준을 유지한다는 점; 둘째, 다중 검정 절차(예: BH 절차)를 적용했을 때, 선택된 환자 집합에 대한 평균 위험(또는 생존) 수준이 사전 지정된 목표값을 초과하지 않음이 보장된다. 이러한 보장은 전통적인 신뢰구간이 인구 수준 파라미터를 추정하려는 반면, 본 방법은 개별 예측에 직접 연결된 ‘예측‑지향’ 불확실성 추정이라는 점에서 차별화된다.

실험에서는 시뮬레이션을 통해 검열 비율, 모델 오차, 샘플 크기 변동에 대한 밴드의 커버리지와 FDR 제어 성능을 평가했으며, 실제 암 데이터셋에 적용해 기존 Kaplan–Meier 기반 스크리닝과 비교했다. 정규화 서바이벌 밴드는 특히 모델 정확도가 낮은 경우에도 과도한 위험 플래그를 방지하고, 높은 정확도의 모델에서는 실제 저위험 환자를 효과적으로 식별한다는 점을 확인했다.

한계점으로는 검열 모델 ˆM_C의 품질에 일정 부분 의존한다는 점과, 대규모 데이터에서 p‑값 계산을 위한 순위 정렬 비용이 발생한다는 점을 들 수 있다. 또한 비정규성 검증을 위한 추가적인 진단 도구가 필요할 수 있다. 향후 연구에서는 검열 모델을 자동화하거나, 베이지안 정규화와 결합해 불확실성 밴드의 폭을 더 최적화하는 방향이 제시된다.