생존 모델 해석을 위한 기능 분해와 샤플리 상호작용

초록

본 논문은 생존 분석 모델의 비가법성 문제를 해결하기 위해 Survival Functional Decomposition(SurvFD)이라는 이론적 프레임워크를 제시하고, 이를 기반으로 시간‑인덱스된 샤플리 상호작용 지표인 SurvSHAP‑IQ를 개발한다. SurvFD는 위험·생존 함수의 예측을 시간‑의존적·시간‑비의존적 효과로 명확히 분리하고, SurvSHAP‑IQ는 이러한 효과를 실험적으로 추정·시각화한다. 시뮬레이션과 실제 암 데이터에 대한 실험을 통해 제안 방법이 기존 설명 기법보다 상호작용을 정확히 포착함을 입증한다.

상세 분석

SurvFD는 기존 함수 분해(FD) 개념을 생존 모델에 확장한 것으로, 예측 함수 F(t|x) 를 시간‑독립적 효과 f∅(t) 와 모든 특징 부분집합 M 에 대한 순수 효과 f_M 으로 전개한다. 여기서 특징 부분집합은 두 종류로 구분된다. I⋆_d 는 시간‑의존적 효과를, I⋆_id 는 시간‑비의존적 효과를 포함한다. 논문은 독립적인 특성 가정 하에 로그‑위험(log‑hazard) 함수에 대해 SurvFD가 실제 모델이 내포한 I_d 와 I_id 를 정확히 복원한다는 정리를 제시한다(Thm 3.2). 그러나 일반적인 비선형 변환(예: 로그‑위험 → 위험 → 생존)에서는 시간‑의존적 효과가 하위·상위 부분집합으로 전파되는 ‘downward’와 ‘upward’ 현상이 발생한다(Thm 3.3, Cor 3.4). 이는 위험·생존 함수가 지수 형태를 띠어 상호작용이 자연스럽게 생성되기 때문이다. 특히 Cox 비례위험 모델조차도 독립 특성 가정 하에 위험·생존 함수에 적용하면 인위적인 2차 이상 상호작용이 나타난다(Prop 3.5).

이론적 기반 위에 제안된 SurvSHAP‑IQ는 샤플리 상호작용 값을 시간‑인덱스 함수 형태로 정의한다. 기존 SHAP는 개별 특성 기여도만을 제공했지만, SurvSHAP‑IQ는 ϕ_{i,j}(t) 와 같은 2차 상호작용을 추정한다. 이를 위해 값 함수 v(t|M) 을 정의하고, 모든 부분집합 M 에 대해 v(t|M∪{j})−v(t|M) 의 차이를 가중 평균한다. 이 과정은 marginal FD와 conditional FD 두 가지 버전을 지원해, “모델에 진실”과 “데이터에 진실” 두 관점을 동시에 제공한다.

실험에서는 (1) 다양한 인공 함수(선형, 비선형, 시간‑의존적·비의존적 혼합)에서 SurvSHAP‑IQ가 알려진 상호작용을 정확히 복원하고, (2) 로컬 정확도(local accuracy)를 만족함을 확인하였다. 실제 데이터에서는 다중 모달(임상·유전체·영상) 암 데이터셋에 대해 XGBoost‑survival, DeepSurv 등 최신 모델을 학습하고, SurvSHAP‑IQ를 통해 특정 유전 변이와 치료 요인 간의 시간‑변화 상호작용을 시각화했다. 결과는 기존 SurvSHAP(t)·SurvLIME 등은 포착하지 못한 미세한 상호작용을 드러내며, 임상 의사결정에 직접 활용 가능한 인사이트를 제공한다.

전체적으로 논문은 (i) 생존 모델의 비가법성을 이론적으로 정량화하고, (ii) 시간‑의존적·시간‑비의존적 상호작용을 동시에 추정할 수 있는 실용적인 도구를 제공한다는 점에서 큰 의의를 가진다. 또한 SurvFD와 SurvSHAP‑IQ는 향후 위험 예측, 치료 효과 평가, 정책 시뮬레이션 등 다양한 시간‑이벤트 분석 분야에 확장 가능성을 시사한다.