GraftIQ: 간 이식 수혜자의 다중 결과 예측을 위한 임상적 통찰력을 통합한 하이브리드 다중 클래스 신경망

간 이식 수혜자(LTRs)는 이식 간 손상의 위험에 노출되어 있으며, 이로 인해 간경변증이 발생하고 생존율이 감소할 수 있습니다. 간 조직 검사가 진단의 금준(gold standard)이지만, 이는 침습적이며 위험합니다. 우리는 비침습적인 이식 간 병리 진단을 위해 임상 전문가의 지식을 통합한 하이브리드 다중 클래스 신경망(NN) 모델인 'GraftIQ'를 개발하였습니다. 1992년부터 2020년까지의 LTRs의 조직 검사를 인구통계학적, 임상적, 실험실 데이터를 이용하여 30일 전까지의 정보를 바탕으로 여섯 가지 범주로 분류하였습니다. 데이터셋(5217건의 조직 검사)은 70/30 비율로 훈련/테스트 용도로 나누어졌으며, 메이오 클리닉, 한노버 의과대학, 싱가포르 국립대학교병원(NUHS)에서 외부 검증을 수행하였습니다. 베이지안 융합(Bayesian fusion) 기법을 사용하여 임상 전문가가 도출한 확률과 NN 예측 값을 결합하여 성능을 개선했습니다. 본 연구에서는 GraftIQ(MulticlassNN+임상적 통찰력)가 NN 단독 사용 시 0.885에서 0.902(95% 신뢰 구간: 0.884–0.919)로 AUC(Area Under the Curve) 값이 향상됨을 보여주었습니다. 내부 및 외부 검증 결과, GraftIQ는 기존 머신 러닝 모델보다 10–16% 더 높은 AUC를 달성하였습니다. GraftIQ는 이식 간 원인을 정확히 식별하는 데 있어 높은 정확성을 보이며, LTRs에게 귀중한 임상 결정 지원 도구를 제공합니다.