GRAFT: 순위와 보정 분리를 통한 차별적·보정적 생존 예측 모델

초록

GRAFT는 선형 AFT와 비선형 잔차 MLP를 결합하고, 확률적 게이트를 이용해 자동 특징 선택을 수행한다. 로컬 Kaplan‑Meier 기반 조건부 임퓨테이션으로 검열 데이터를 보정하고, C‑index와 정렬이 일치하도록 설계된 미분 가능한 순위 손실을 직접 최적화한다. 공개 벤치마크에서 순위와 보정 모두에서 기존 모델을 능가하며, 고노이즈 환경에서도 희소하고 안정적인 예측을 제공한다.

상세 분석

본 논문은 생존 분석에서 흔히 발생하는 검열(censoring), 고차원 특성, 비선형 상호작용이라는 세 가지 난제를 동시에 해결하고자 한다. 먼저, GRAFT는 전통적인 AFT(Accelerated Failure Time) 모델의 선형 부분을 유지하면서, 입력 특성에 대한 잔차(Residual) 다층 퍼셉트론(MLP)을 추가한다. 이 구조는 선형 효과는 해석 가능하게, 비선형 효과는 MLP가 학습하도록 하여 두 장점의 균형을 맞춘다.

특징 선택 측면에서는 Stochastic Gates(STG)를 도입한다. 각 특성 j에 대해 η_j를 학습 가능한 평균으로 두고, Gaussian 잡음을 더해 0~1 사이의 연속적인 마스크 g_j를 샘플링한다. 학습 단계에서는 재파라미터화 기법을 이용해 미분 가능하게 만들고, 테스트 시에는 기대값 η_j를 사용해 결정적 마스크로 변환한다. ℓ₀ 근사 정규화(L₀) 항 λ_{L0}·∑Φ(η_j/σ) 를 손실에 추가함으로써 활성 게이트 수를 억제하고, 실제로는 중요한 변수만 남긴다.

검열 데이터 처리에서는 기존 AFT가 가정하는 오류분포를 명시적으로 지정하지 않는다. 대신, 각 검열 샘플 i에 대해 특성 공간에서 k=10개의 최근접 이웃을 찾아 그들의 관측된 생존 시간을 이용해 지역 Kaplan‑Meier 추정기 ˆS(t|x_i)를 구축한다. 이를 조건부 생존 함수 ˆS(t|x_i,T_i>t_i)=ˆS(t|x_i)/ˆS(t_i|x_i) 로 변환하고, 역변환 샘플링을 통해 M=5개의 가상의 로그 생존시간 Y*_i를 생성한다. 이렇게 얻은 다중 임퓨테이션은 미니배치 내에서 Monte‑Carlo 평균을 통해 순위 손실에 반영되어, 검열 불확실성을 자연스럽게 모델에 전달한다.

핵심 손실은 부드러운 순위 손실 L_rank으로, 이는 C‑index와 직접적인 연관성을 갖는다. 구체적으로, 예측 점수 s_i와 임퓨테이션된 로그 시간 Y*i 사이의 순위 차이를 sigmoid 함수로 부드럽게 하여 미분 가능하게 만든다. 전체 손실은 L_total = L_rank + λ{L0}·L_reg 로 구성되며, 모든 파라미터(η, θ, β, μ)를 엔드‑투‑엔드로 동시에 최적화한다.

실험에서는 5개의 공개 데이터셋(예: METABRIC, SUPPORT, SEER 등)에서 기존 CoxPH, Lasso‑Cox, Random Survival Forest, DeepSurv, DeepHit 등을 비교하였다. GRAFT는 C‑index와 IBS(Integrated Brier Score) 모두에서 평균 24%p 향상을 보였으며, 특히 고노이즈(무작위 특성 30% 추가) 상황에서도 ℓ₀ 정규화 덕분에 선택된 특성 비율이 1015% 수준으로 유지되어 과적합을 방지했다. 또한, 선형 β 계수와 비선형 MLP 기여도를 별도로 분석함으로써, 특정 바이오마커가 순위에 크게 기여하고, 복합적인 상호작용이 보정에 중요한 역할을 함을 확인했다.

요약하면, GRAFT는 (1) 순위와 보정을 명시적으로 분리하고, (2) 확률적 게이트를 통한 자동 특징 선택, (3) 로컬 KM 기반 다중 임퓨테이션을 통한 검열 보정, (4) 미분 가능한 C‑index 정렬 손실을 결합함으로써, 기존 모델들의 해석성·성능·안정성 사이의 트레이드오프를 효과적으로 해소한다.