베이지안 감마‑멱 혼합 생존 회귀 모델로 전립선암 재발 예측

** 본 논문은 전립선암 환자의 생화학적 재발을 예측하기 위해 새로운 베이지안 계층적 모델을 제안한다. 연구 대상은 Shariat 등(2022)이 수집한 423명의 근치적 전립선절제술(radical prostatectomy) 환자 데이터이며, 각 환자에 대해 연령, PSA, 20여 개 혈액 바이오마커, Gleason 등급, 임상 병기, 수술 소견(외전이, 정낭 침범 여부) 등 다양한 사전 변수가 기록되어 있다. 기존 연구에서는 Cox 비례 위험 모형이나 로그‑왜도‑스튜던트 혼합 베이지안 모형을 적용했지만, 명백 샤논 정보(ASI)라는 지표에서 얻은 정보량이 매우 제한적이었다(평균 0.109 nats). 이에 저자들은 “죽음(재발) 메커니즘”을 다수(J) 가정하고, 각 메커니즘마다 Gamma‑power 형태의 생존 시간 분포를 부여하는 감마‑멱 혼합 모델을 설계했다. 구체적으로, 각 환자 i에 대해 잠재 변수 x_{i,j} (메커니즘 j가 독립적으로 발생시킬 수 있는 재발 시간)와 활성화 여부 j_i (0이면 검열, j>0이면 해당 메커니즘에 의해 재발) 를 도입하였다. 각 메커니즘 j는 파라미터 (p_j, k_j, m_j, r_j) 를 갖고, p_j 는 로지스틱 회귀 p_{i,j}=1/(1+e^{-l_{i,j}}) 에서 설명 변수 c_i 와 회귀계수 β_{v,j} 에 의해 결정된다. 여기서 c_i 는 표준화된 연령, PSA, TGFβ1, VCAM1 등 20여 개 바이오마커이며, β는 베이지안 사전 e^{γβ}/(1+e^{γβ})^2 (γ=1) 을 사용해 과도한 편향을 방지한다. 모델의 하이퍼파라미터는 다음과 같이 설정되었다. 메커니즘 수 J 는 베타‑베르누이 사전 P(J|α_J)=(1-α_J)α_J^{J-1} 에 의해 정의되며, α_J=0.8로 설정해 평균 4~5개의 메커니즘을 기대한다. k (멱 지수)는 이산‑연속 혼합 사전, m (형태)와 r (스케일)는 각각 감마 사전으로 지정하였다. β 에 대한 사전은 로지스틱 형태로, γ=1 을 사용해 중간값을 중심으로 폭넓은 분포를 제공한다. 추정은 Gibbs 샘플링과 Metropolis‑Hastings를 결합한 MCMC 알고리즘으로 수행하였다. 초기값은 사전에서 무작위 추출하고, 각 반복에서 J, β, m, r, k, 그리고 잠재 변수 j_i, x_{i,j} 를 순차적으로 업데이트한다. 총 10,000번의 사후 샘플을 수집하고, 앞 5,000번을 버닝(burn‑in) 후 분석에 사용하였다. 수렴은 Gelman‑Rubin R̂ 값이 1.01 이하이며, 트레이스 플롯에서도 안정적인 혼합을 확인하였다. 예측 성능 평가는 ‘명백 샤논 정보(ASI)’를 사용한다. ASI는 실제 재발 시점 t_i 에 대한 사후 확률밀도 f_i(t_i)와 기준(전체 환자에 동일하게 적용되는 지수 감소) 밀도 g(t_i) 의 비율 로그 평균으로 정의된다. 양수이면 모델이 정보를 제공하고, 1 bit는 평균적으로 예측 밀도가 기준 대비 2배임을 의미한다. 주요 결과는 다음과 같다. 1. **혈액 바이오마커 기반 모델**: 연령 + PSA + 7개 혈액 바이오마커(예: TGFβ1, VCAM1, IL6sR, uPA 등)만 사용했을 때 평균 ASI = 0.232 nats(95% CI 0.180‑0.290), 즉 0.335 bits를 기록했다. 이는 기존 로그‑왜도‑스튜던트 혼합 모델(0.109 nats)보다 두 배 이상 높은 값이며, 사후 확률 > 0.99 로 통계적으로 유의했다. 2. **임상·수술 변수 추가**: 전·후 Gleason 등급, 병기, 외전이·정낭 침범 여부 등을 추가해도 ASI는 유의하게 증가하지 않았다. 이는 이러한 변수들이 재발 여부(yes/no)에는 영향을 주지만, 재발 시점의 미세한 변동성을 설명하는 데는 한계가 있음을 시사한다. 3. **바이오마커 제외 실험**: 혈액 바이오마커를 완전히 제외하고 Gleason 등급만 사용하면 ASI가 0.077 nats, MRI 소견만 사용하면 0.088 nats로 급격히 감소했다. 이는 혈액 기반 바이오마커가 재발 시점에 대한 정보를 크게 제공한다는 강력한 증거이다. 4. **변수 선택(그리디) 결과**: 변수 선택 과정에서 가장 큰 기여를 한 순서대로 TGFβ1, VCAM1, IL6sR, uPA가 선정되었다. 이들 마커는 종양 미세환경, 혈관 신생, 염증 및 세포 이동과 관련된 생물학적 경로와 연관되어 있어, 재발 위험 메커니즘을 반영한다는 점에서 의미가 크다. 논문은 또한 모델의 제한점을 솔직히 기술한다. 첫째, 데이터가 전립선절제술을 받은 환자에 국한되어 있어, 감시(Watchful waiting) 혹은 방사선 치료 환자에게는 외삽이 위험하다. 둘째, 메커니즘 수 J 에 대한 사전이 비교적 강하게 제한돼 있어 실제 메커니즘 다양성을 충분히 탐색하지 못할 가능성이 있다. 셋째, MCMC 기반 추정이 계산 비용이 높아 실시간 임상 의사결정 지원에 바로 적용하기는 어려우며, 변분 베이지안(VI) 등 경량화 방법이 필요하다. 넷째, ASI는 ‘명백’ 정보이므로 실제 임상 의사결정(예: 보조 치료 여부)과의 직접적인 연관성을 검증하기 위한 추가 연구가 요구된다. 결론적으로, 베이지안 감마‑멱 혼합 생존 회귀 모델은 복합적인 위험 메커니즘을 확률적으로 표현함으로써 기존 모델보다 더 많은 정보를 추출한다는 점에서 의미가 크다. 특히 혈액 바이오마커가 재발 시점 예측에 핵심적인 역할을 한다는 결과는, 향후 바이오마커 기반 맞춤형 치료 전략 수립에 중요한 근거를 제공한다. 앞으로는 다양한 환자군에 대한 외삽 검증, 계산 효율성 향상, 그리고 ASI와 임상 결과(예: 무병 생존, 치료 반응) 간의 연관성을 밝히는 연구가 이어져야 할 것이다. **