교차검증으로 마이크로배열 분류의 선택 편향 보정

본 논문은 마이크로배열 데이터를 이용한 질병 진단 규칙 개발 과정에서 발생하는 선택 편향(selection bias)을 체계적으로 분석하고, 교차검증(cross‑validation) 절차를 적절히 설계함으로써 이 편향을 보정하는 방법론을 제시한다. 1. **연구 배경 및 문제 정의** 마이크로배열 실험은 수천 개의 유전자를 동시에 측정할 수 있어, 암 진단이나 치료 반응 예측 등 다양한 임상 문제에 활용된다. 그러나 전체 유전자 집합(p)이 샘플 수(n)보다 훨씬 클 경우, 실제 분류 규칙은 보통 소수(d≪p)의 유전자만을 선택해 구성된다. 이때 유전자 선택 과정이 데이터에 과적합(over‑fitting)되면, 선택된 유전자 집합이 훈련 데이터에 특화된 “우연한 패턴”을 반영하게 되고, 결과적으로 오류율 추정이 지나치게 낙관적으로 된다. 기존 바이오인포매틱스 문헌에서는 이러한 선택 편향을 무시하고, 훈련 데이터에 대한 “표면적” 오류율만을 보고하는 경우가 빈번하다. 2. **수학적 프레임워크** 논문은 먼저 N×M 형태의 마이크로배열 데이터 행렬을 정의하고, 각 샘플 y_j와 클래스 지시자 z_j를 이용해 훈련 집합 t를 구성한다. 클래스 C₁,…,C_g에 대해 사후 확률 τ_i(y)=π_i f_i(y)/f(y)와 베이즈 최적 규칙 r⁰(y)=arg max_i τ_i(y)를 제시한다. 실제 규칙 r(y; t)는 훈련 데이터에 기반한 비모수적 분류기이며, 여기서는 지원 벡터 머신(SVM)을 사용한다. 3. **오류율 정의** 조건부 오류율 e_cij=Pr{r(Y; t)=j | Y∈C_i, t}와 전체 오류율 e_c=∑_i π_i e_ci, 무조건적 오류율 e_uij=E