DeepSurv: 딥러닝 기반 개인 맞춤형 치료 추천 시스템

본 논문은 개인 맞춤형 치료를 위한 생존 분석 모델로서 DeepSurv라는 딥러닝 기반 Cox 비례 위험 네트워크를 제안한다. 기존 선형 Cox 모델은 위험 함수가 covariate의 선형 결합이라고 가정하기 때문에, 복잡한 유전·임상 변수와 치료 효과 간의 비선형 상호작용을 포착하기 어렵다. 이를 해결하기 위해 저자들은 다층 퍼셉트론(MLP) 구조를 채택하고, 출력 노드 하나가 위험 함수 ĥθ(x)를 직접 추정하도록 설계하였다. 손실 함수는 전통적인 Cox 부분가능도의 음의 로그 형태를 그대로 사용하면서, 현대 딥러닝 최적화 기법(Adam, Nesterov 모멘텀, 배치 정규화, dropout, SELU 등)과 L2 정규화(weight decay)를 적용해 과적합을 방지한다. 하이퍼파라미터는 랜덤 서치 방식으로 탐색하여 네트워크 깊이, 은닉 유닛 수, 학습률 스케줄링 등 최적 조합을 자동으로 찾는다. 치료 추천 시스템은 “각 치료 그룹 τ마다 독립적인 위험 함수 hi(x) 존재”라는 가정에 기반한다. 위험 함수 차이 hi(x)‑hj(x)를 로그 위험비(log‑hazard ratio)로 정의한 recij(x)는 두 치료 옵션 간의 상대적 위험을 직접 제공한다. 이는 선형 CPH에서 사전 정의된 상호작용 항을 추가하지 않으면 상수값을 반환하는 것과 달리, DeepSurv는 네트워크가 자동으로 비선형 상호작용을 학습함으로써 환자별 맞춤형 추천을 가능하게 한다. 실험은 네 가지 주요 영역으로 나뉜다. 첫째, 선형 및 비선형 위험 함수를 갖는 시뮬레이션 데이터를 이용해 DeepSurv가 진정한 위험 함수를 얼마나 정확히 복원하는지 검증하였다. 결과는 비선형 시뮬레이션에서 CPH가 0.51에 불과한 반면 DeepSurv는 0.65 수준의 C‑index를 기록, 비선형 관계를 효과적으로 학습함을 보여준다. 둘째, WHAS, SUPPORT, METABRIC 등 실제 임상 데이터셋에 적용해 예측 정확도를 평가하였다. DeepSurv는 모든 데이터셋에서 CPH와 RSF보다 높은 C‑index(예: WHAS 0.86 vs 0.82 vs 0.89) 를 달성하였다. 셋째, 치료 그룹을 포함한 시뮬레이션 데이터를 통해 다중 위험 함수를 동시에 학습하고, 각 환자에 대해 치료별 위험을 추정하는 능력을 확인하였다. 마지막으로 실제 Rotterdam 및 GBSG 데이터에서 치료 추천 실험을 수행하였다. 모델이 제시한 최적 치료를 받은 환자군(Recommendation)과 그렇지 않은 군(Anti‑Recommendation)의 중위 생존 시간을 비교했을 때, DeepSurv는 평균적으로 8~10개월 정도 생존 시간이 연장되는 효과를 보였으며, 로그‑랭크 검정에서도 통계적으로 유의한 차이를 나타냈다. 비교 대상인 RSF는 누적 위험을 기반으로 치료를 선택했으며, DeepSurv와 비슷한 수준의 C‑index를 보였지만, 위험 함수 자체를 직접 제공하지 않기 때문에 치료 추천 함수 recij를 정의하기 위해 추가적인 변환이 필요했다. 또한 CPH는 사전 정의된 상호작용 항이 없으면 모든 환자에게 동일한 치료를 추천하게 되어, 실제 맞춤형 치료 효과를 평가할 수 없었다. 결론적으로, DeepSurv는 현대 딥러닝 최적화 기법을 Cox 손실에 성공적으로 통합함으로써, 비선형 위험 함수 추정과 개인 맞춤형 치료 추천을 동시에 달성한다. 이는 의료 연구자가 복잡한 임상·유전적 변수와 치료 효과 간의 상호작용을 탐색하고, 실제 임상 의사결정에 데이터‑드리븐 접근법을 적용하는 데 실용적인 도구가 될 수 있음을 시사한다. 향후 연구에서는 시간‑변화하는 공변량, 다중 치료 옵션(>2) 및 외부 검증 코호트에 대한 확장, 그리고 해석 가능성을 높이기 위한 변수 중요도 분석 등이 고려될 수 있다.