시간 인식 LSTM 네트워크를 통한 환자 하위군 분류

다양한 질병 연구에서 환자 간의 이질성은 보통 다양한 진행 패턴을 초래하며, 이는 서로 다른 치료 개입 유형을 요구할 수 있다. 따라서 질병 특성화된 하위 유형으로 환자를 분류하는 환자 하위군 분류(환자 서브타이핑) 연구가 중요하다. 복잡한 환자 데이터로부터의 하위군 분류는 정보의 이질성과 시간적 동역학의 존재로 인해 도전적인 과제이다. 장단기 기억(LSTM)은 순차적 데이터 처리에 있어 여러 분야에서 성공적으로 활용된 기법으로, 최근에는 종단적 환자 기록 분석에도 적용되고 있다. 그러나 기존 LSTM 유닛은 시퀀스 내 연속 요소 간에 일정한 시간 간격을 가정하고 설계되어 있어, 환자 기록에서 연속 요소 간 시간 간격이 수일에서 수개월에 이르는 불규칙한 경우, 최적의 성능을 발휘하지 못할 수 있다. 본 논문에서는 종단적 환자 기록에서 발생하는 불규칙한 시간 간격을 효과적으로 다룰 수 있도록, 새로운 LSTM 유닛인 시간 인지 LSTM(T-LSTM)을 제안한다. T-LSTM은 셀 메모리의 부분 공간 분해를 학습함으로써, 경과된 시간에 따라 메모리 내용에 감쇠 효과를 적용할 수 있도록 설계되었다. 또한, 제안된 T-LSTM을 자동에코더(Auto-encoder)에 활용하여 환자의 순차적 기록에 대해 강력한 단일 표현을 학습하는 환자 하위군 분류 모델을 제안한다. 이 표현은 이후 환자를 임상적 하위군으로 군집화하는 데 사용된다. 합성 데이터 및 실제 세계 데이터셋을 활용한 실험 결과, 제안된 T-LSTM 아키텍처가 시간 불규칙성이 존재하는 시퀀스 내부의 기본 구조를 효과적으로 포착함을 확인하였다.