환자를 위한 그룹 샤플리 기반 특징 선택 프레임워크 GRASP

초록

GRASP는 사전 학습된 XGBoost 모델의 SHAP 값을 이용해 그룹 수준 중요도를 추정하고, 이를 가중치로 활용한 L₂₁ 정규화 로지스틱 회귀를 통해 구조적 희소성을 부여한다. NHANES와 UK Biobank 데이터를 대상으로 LASSO·SHAP·AFS와 비교했을 때, 적은 수의 특징(평균 23개)으로도 높은 예측 정확도와 안정성을 유지하며 다중공선성을 크게 감소시킨다.

상세 분석

본 논문은 의료 데이터에서 특징 선택의 두 가지 핵심 과제—해석 가능성 및 선택 안정성—를 동시에 해결하고자 한다. 첫 단계에서 저자들은 XGBoost 분류기를 학습시킨 뒤, 검증 데이터에 대해 SHAP 값을 계산한다. 각 특징 j에 대한 평균 SHAP ϕ_j를 구하고, 사전에 정의된 그룹 g(예: 임상 변수, 실험실 검사 등)별로 평균을 취해 그룹 중요도 s_g를 도출한다. 이때 그룹 내 상관관계가 높은 변수들이 동일 그룹에 포함되면, SHAP 기반 가중치 ω_g = exp(−s_g/τ)/∑_h exp(−s_h/τ) 로 변환되어, 중요도가 높은 그룹일수록 정규화 페널티가 작아진다. 이는 전통적인 L₁ 정규화가 개별 변수에 동일한 패널티를 부과하는 한계를 보완한다.

두 번째 단계에서는 그룹 L₂₁ 정규화(∑_g ω_g‖β_g‖₂)와 로지스틱 손실을 결합한 목적함수 J(β)=L(β)+λ∑_g ω_g‖β_g‖₂를 정의한다. λ는 데이터의 잡음 수준을 추정한 뒤 표준편차를 사용해 자동 설정한다(가우시안 노이즈 가정 기반). 최적화는 Proximal‑Gradient 방법으로 수행되며, Armijo 백트래킹을 통해 스텝 사이즈를 조정한다. 그룹 L₂₁ 정규화의 proximal 연산은 각 그룹별로 ‖v_g‖₂와 τω_g를 비교해 shrinkage 혹은 zeroing을 수행한다. 이 과정에서 선택된 그룹은 β_g의 L₂ 노름이 0보다 큰 경우이며, 그룹 내부 변수는 자유롭게 비제로 값을 가질 수 있다.

실험 설계는 두 개의 대규모 코호트(NHANES, UKB)를 이용해 내부 검증과 외부 검증을 동시에 수행한다. 76개의 공통 변수를 대상으로 1,000회 부트스트랩을 적용해 예측 성능(Accuracy, F1, MCC), 중복도(VIF, Pearson 상관), 안정성(Jaccard, Adjusted Stability Measure) 등을 종합 평가한다. 결과는 다음과 같다. GRASP는 평균 23개의 특징만을 선택했음에도 불구하고, LASSO(44개)·SHAP(43개)·AFS(59개)보다 높은 안정성(ASM 0.593 vs 0.382~0.258)과 낮은 다중공선성(VIF 2.94 vs 8.20)을 보였다. 예측 정확도는 로지스틱 회귀, 랜덤 포레스트, XGBoost 모두에서 경쟁력을 유지했으며, 특히 XGBoost에서는 0.897의 Accuracy를 기록해 LASSO(0.895)와 거의 동등했다.

해석 측면에서는 모든 방법이 선택한 LDH(Lactate Dehydrogenase) 변수를 중심으로 LOWESS 곡선을 그렸다. GRASP의 전이점 168.8 U/L는 임상 문헌에서 제시된 315 U/L와 가장 근접했으며, 이는 모델이 실제 임상 기준을 반영한다는 점을 시사한다. 또한 캘리브레이션 곡선과 Kaplan‑Meier 생존 분석에서 GRASP 기반 모델이 고위험군에서 실제 사망률과 가장 일치하는 경향을 보였다.

한계점으로는 그룹 정의가 사전 지식에 크게 의존한다는 점과, SHAP 값 자체가 모델에 따라 변동성이 존재한다는 점을 들 수 있다. 향후 연구에서는 자동 그룹화 기법과 고차원(수천~수만) 변수에 대한 확장성을 검증할 필요가 있다. 전반적으로 GRASP는 SHAP 기반 해석 가능성을 정규화 프레임워크에 자연스럽게 통합함으로써, 의료 예측 모델에서 특징 선택의 신뢰성과 실용성을 동시에 향상시키는 유망한 접근법이다.