소규모 신경영상 데이터에 대한 편향 저항 기계학습 프레임워크

초록

본 논문은 구조적 MRI와 같은 고차원·소규모 신경영상 데이터를 대상으로, 도메인 지식 기반 특징 엔지니어링, 엄격한 중첩 교차검증, 확률 보정 및 임계값 최적화를 결합한 재현 가능한 머신러닝 파이프라인을 제시한다. 기존 단일 단계 교차검증이 초과 평가를 일으키는 문제를 해결하고, 해석 가능한 특징 집합을 통해 균형 정확도 0.66 ± 0.07을 달성하였다.

상세 분석

이 연구는 소규모 신경영상 데이터에서 흔히 발생하는 과적합·편향 문제를 체계적으로 해결하고자 한다. 첫 번째 핵심은 도메인‑인포메드(feature‑engineered, FE) 특징 설계이다. 원본 FreeSurfer‑derived 109개 영역 부피를 그대로 사용하는 대신, 전체 두개강 부피(TIV)로 정규화한 부피 비율, 뇌실‑뇌 비율, 회백질 비율, 심부 회색구조 복합량, 양측 비대칭 지표, 저차원 상호작용 등을 도출하였다. 이러한 복합 특징은 해부학적 의미를 보존하면서 차원을 크게 축소하고, 전처리 단계에서 전역 z‑스케일링을 회피함으로써 생물학적 해석 가능성을 유지한다.

두 번째 핵심은 완전한 누수 방지를 위한 중첩 교차검증(nested CV)이다. 외부 5‑fold 스트라티파이드 CV가 최종 성능 추정에 사용되고, 내부 3‑fold CV가 하이퍼파라미터 탐색 및 모델 선택에만 활용된다. 하이퍼파라미터 튜닝, 확률 보정(Platt scaling), 임계값 최적화는 모두 내부 훈련 데이터에 국한돼 외부 테스트 데이터와 전혀 섞이지 않는다. 이 설계는 기존 연구에서 보고된 20 % 이상의 낙관적 편향을 실질적으로 제거한다.

세 번째로, 확률 보정과 임계값 최적화를 도입했다. 내부 훈련 데이터에서 시그모이드 보정을 수행한 뒤, 균형 정확도(BA)를 최대화하는 임계값 t*를 탐색한다. 최적 임계값은 모든 외부 폴드에서 0.39 ± 0.01로 매우 일관적이며, 이는 모델 배포 시 고정 임계값으로 바로 사용할 수 있음을 의미한다. 보정 후 AUC≈0.72, Brier≈0.22, ECE≈0.13을 기록해 확률 예측의 신뢰성도 확보하였다.

다양한 분류기(Random Forest, Extra Trees, Gradient Boosting 등)를 테스트했으며, 특히 Random Forest와 Extra Trees가 FE 특징 집합에서 가장 높은 BA(0.660 ± 0.068)를 달성했다. 원본 특징 대비 약 0.01~0.02 정도의 소폭이지만 일관된 성능 향상이 관찰되었으며, 이는 고차원 잡음 특성을 효과적으로 억제했음을 시사한다. 또한, 나이와 뇌실 비율 같은 저차원 상호작용을 포함한 FE 특징은 변수 중요도 분석에서 상위에 위치해 임상적 해석 가능성을 제공한다.

전체 파이프라인은 scikit‑learn(v1.5) 기반으로 고정 난수 시드(42)를 사용해 스크립트화했으며, 코드와 설정 파일을 공개한다는 점에서 재현성을 최우선으로 설계했다. 논문은 기존 단일‑fold CV와 비교해 BA가 0.57~0.59에서 0.66으로 상승하고, 변동성도 크게 감소했음을 강조한다. 따라서 제안된 프레임워크는 소규모·고차원 바이오메디컬 데이터에 적용 가능한 일반화 가능한 청사진으로 평가된다.