부트스트랩 정규화로 임상 위험 예측 모델의 불안정성 해소

초록

본 연구는 부트스트랩 과정을 손실 함수에 직접 삽입하는 새로운 정규화 기법을 제안한다. 이 기법은 딥 뉴럴 네트워크를 학습하면서 다양한 부트스트랩 샘플에서 얻은 모델들의 예측 차이를 최소화하도록 모델을 제약한다. 시뮬레이션 데이터와 GUSTO‑I, Framingham, SUPPORT 세 임상 데이터셋에 적용한 결과, 기존 단일 모델 대비 평균 절대 차이(MAD)가 현저히 감소했으며, AUC와 같은 판별 성능 및 SHAP 기반 특징 중요도 일관성도 유지됨을 확인했다. 앙상블 대비 해석 가능성을 유지하면서도 안정성을 크게 향상시킨 점이 주요 기여이다.

상세 분석

이 논문은 임상 위험 예측 모델에서 흔히 발생하는 “개인 수준 예측 불안정성”(Individual‑level Prediction Instability, ILP)을 근본적으로 해결하고자 한다. 기존 접근법은 부트스트랩을 이용해 모델을 여러 번 재학습하고 그 변동성을 보고하거나, 부트스트랩 샘플을 기반으로 다수의 모델을 학습한 뒤 평균을 취해 예측을 안정화하는 bagging‑ensemble 방식을 사용한다. 그러나 전자는 모델 자체의 변동성을 감소시키지 못하고, 후자는 각 모델이 사용하는 특징의 중요도가 서로 달라 해석 가능성을 크게 저해한다는 한계가 있다.

저자들은 이러한 문제점을 해결하기 위해 손실 함수에 부트스트랩 기반 정규화 항을 추가한다. 구체적으로, 원본 데이터 D에서 학습한 모델 fθ와 부트스트랩 샘플 Db에서 학습된 모델 ˆθb 사이의 로그 예측 차이 d(·,·)=‖log fˆθb(x)−log fθ(x)‖를 정의하고, 이를 기대값으로 평균한 후 λ라는 하이퍼파라미터로 가중치를 주어 전체 손실 R(θ)=Lθ(D)+λ E_B