헬스케어 데이터 특성 매핑을 활용한 대장암 예후 예측 연구

국문 초록 (Abstract)

대장암은 전 세계적으로 높은 발병률과 사망률을 보이는 주요 암종으로, 조기 진단과 함께 환자 맞춤형 치료 전략 수립을 위한 정확한 예후 예측 모델의 필요성이 점차 강조되고 있다. 전자의무기록(Electronic Health Record, EHR)을 기반으로 한 구조화된 임상 데이터는 예후 예측의 핵심 자료로 활용될 수 있으나, 기존의 통계적 접근법은 변수 간의 비선 형적 상호작용을 충분히 반영하지 못하는 한계를 지닌다. 이러한 한계를 극복하기 위해 최근에는 딥러닝을 활용한 고도화된 예측 모델 개발이 활발히 진행되고 있다. 본 연구에서는 헬스케어 데이터 특성 매핑(Health Data Feature Mapping, HDFM) 기법을 적용하여 구조화된 임상 데이터를 변수 특성에 따라 이미지 형태로 변환하고, 이를 기반으로 대장암 환자의 전체 생존 예측 모델을 구축하였다. 변환된 데이터는 VGG16 및 ViT(Vision Transformer) 모델에 적용하여 예측 성능을 비교·평가하였다. 또한, Grad-CAM(Gradient-weighted Class Activation Mapping)을 활용하여 모델의 예측 결과를 시각적으로 해석하고, 임상적으로 의미 있는 주요 예후 인자를 도출하였다. 실험 결과, ViT 기반 HDFM 모델은 정확도 약 78%, F1-Score 약 77%로 가장 우수한 예측 성능을 보였으며, 민감도와 특이도에서도 균형 잡힌 결과를 확인하였다. ViT 모델은 이미지 기반 테이블 데이터 학습의 확장성 과 안정성을 추가적으로 입증하였다. 본 연구는 HDFM을 활용한 딥러닝 접근법이 대장암 예후 예측의 새로운 패러다임이 될 수 있음을 보여주며, 향후 임상 의사결정지원시스템과의 연계를 통해 환자 맞춤형 치료에 기여 할 수 있는 가능성을 제시한다.

목차 (Table of Contents)

• 제1장 서론 1
• 제2장 관련 연구 3
• 2.1 대장암 예후 예측 연구 동향 3
• 2.2 임상 데이터 및 전자의무기록 활용 4
• 2.3 머신러닝 및 딥러닝 기법 5
• 2.3.1 머신러닝 기반 생존 예측 모델 6
• 2.3.2 딥러닝 기반 생존 예측 모델 6
• 2.4 데이터 형식 변환 및 시각화 기반 해석 연구 8
• 2.4.1 표 데이터 이미지화 8
• 2.4.2 시각화기반 모델의 해석 가능성 9
• 제3장 연구 방법 10
• 3.1 연구 환경 10
• 3.2 연구 방법 10
• 3.2.1 데이터셋 13
• 3.2.2 데이터 전처리 14
• 3.2.3 HDFM (Helathcare Data Feature Mapping) 16
• 3.2.4 딥러닝 모델 구축 17
• 3.2.5 ViT (Vision Transformer) 22
• 3.2.6 모델 성능 평가 25
• 3.2.7 xAI를 통한 해석 27
• 제4장 연구 결과 및 고찰 29
• 4.1 연구결과 29
• 4.1.1 ViT 결과 31
• 4.1.2 딥러닝 모델 비교 분석 33
• 4.1.3 GRAD-CAM 결과 분석 34
• 4.1.4 ViT Attention Map 결과 분석 38
• 4.2 연구 결과 고찰 42
• 4.2.1 주요 결과 42
• 4.2.2 임상적 시사점 44
• 4.2.3 연구의 한계 및 향후 과제 45
• 제5장 결론 46
• 약어목록 48
• 참고문헌 49
• ABSTRACT 53