다중모달 임상 데이터의 베이지안 통합과 결측 처리: BIONIC 프레임워크

초록

BIONIC은 사전학습된 이미지·텍스트 임베딩과 구조화된 임상 변수를 결합한 베이지안 다중모달 모델이다. 뷰‑레벨·변수‑레벨·라벨 결측을 공동 잠재공간에서 명시적으로 모델링해, 제한된 환자 수와 고차원 데이터에서도 강인한 예측과 확률적 해석을 제공한다.

상세 분석

본 논문은 임상 현장에서 흔히 발생하는 ‘뷰 수준 결측(예: 영상이 없거나 텍스트 보고서가 누락)’과 ‘변수 수준 결측(예: 혈액 검사 일부 누락)’을 동시에 다룰 수 있는 통합 베이지안 프레임워크인 BIONIC을 제안한다. 핵심 아이디어는 (1) 사전학습된 대규모 Foundation Model(예: CLIP, MedicalNet)에서 추출한 고정 임베딩을 각 모달리티의 뷰(view)로 정의하고, (2) 각 뷰에 대해 선형 로딩 행렬 V(m)·W(m)을 도입해 공유 잠재 변수 gₙ와 작업‑특화 잠재 변수 zₙ에 연결한다는 점이다.

생성적 잠재공간 gₙ는 표준 정규분포를 사전으로 두고, 각 뷰는 gₙ·V(m)ᵀ에 가우시안 잡음이 더해진 형태로 생성된다. 여기서 V(m)와 ψₘ에 자동 관련성 결정(ARD) 프라이어를 부여해 불필요한 차원을 자동으로 억제한다. 따라서 고차원 임베딩이라도 실제 예측에 기여하는 저차원 서브스페이스만 학습에 남게 된다.

판별적 잠재공간 zₙ는 관측된 뷰들의 선형 조합 x⁽ᵐ⁾ₙ·W(m)ᵀ에 정규화된 정밀도 τ⁻¹를 곱한 정규분포로 정의된다. 이 역시 ARD 프라이어가 적용돼, 특정 모달리티가 예측에 크게 기여하지 않으면 해당 로딩이 0에 수렴한다. zₙ와 gₙ는 중간 변수 tₙ=U·zₙ+V(T)·gₙ+εₜ 로 결합되고, 베이지안 로지스틱 회귀를 통해 최종 라벨 yₙ을 생성한다. 라벨이 없는 샘플도 생성 경로를 통해 tₙ를 추정하고, 이를 통해 gₙ와 zₙ의 사후분포를 업데이트함으로써 반지도학습(semi‑supervised learning)이 자연스럽게 구현된다.

추론은 평균‑필드 변분 베이지안을 사용해 폐쇄형 업데이트가 가능하도록 설계되었으며, 결측된 뷰·변수는 해당 항을 단순히 마진화함으로써 ‘사전‑사후 일관성’을 유지한다. 이 접근법은 전통적인 전처리 기반 임퓨테이션이 초래할 수 있는 편향을 회피하고, 모든 모달리티가 공동으로 잠재공간을 형성하도록 만든다.

해석 가능성 측면에서는 판별적 경로가 선형이므로, 기대 출력 E