건강검진정보를 이용한 다층신경망 기반 성별 생물학적 나이 예측 연구 = A Multilayer Neural Network–Based Study on Sex-Specific Biological Age Prediction Using Health Checkup Data

국문 초록 (Abstract)

본 연구는 공공데이터포털을 통해 제공되는 2023년 건강검진정보 데이터를 머신러닝으로 학습하여 성별 생물학적 연령을 예측하는 판별 인공지능을 개발하는 것이다. 전체 데이터(100만명) 중 건강검진 결과가 측정된 330,752명(남자 179,556명, 여자 151,196명)을 머신러닝 학습 데이터로활용했다. 연령대를 출력변수로, 키, 몸무게, 허리둘레, 수축기 혈압, 이완기 혈압, 공복 혈당, 중성지방, HDL 콜레스테롤, LDL 콜레스테롤, 헤모글로빈, 혈청 GOT, 혈청 GPT, 감마 GTP 등 26개 항목을 입력 변수로 사용하였다. 판별 인공지능 개발에는 머신러닝 알고리즘 중 딥러닝이 가능한다층신경망을 사용하였으며, 인공지능의 성능평가에는 ROC 곡선을 사용하였다. 다층신경망으로 성별 생물학적 나이를 예측한 결과 입력변수(검강검진정보)를 학습하지 않은 학습데이터의 출력변수(연대기적 나이)의 연령분포와 입력변수를 학습한 인공지능이 예측한 출력변수(생물학적 나이)의확률 값이 거의 비슷하게 나타났다. 인공지능 예측방법은 머신러닝 및 딥러닝을 이용하여 대용량 고차원 데이터에서 변수 간 비선형성과 복잡한상호작용까지 포착하여 효율적으로 처리할 수 있다. 따라서, 다양한 임상 및 바이오마커 정보를 통합 분석함으로써 개인의 노화 정도를 정밀하게파악할 수 있기 때문에, 예방 중심의 보건정책 수립에 중요한 과학적 근거를 제공할 수 있을 것이다.

다국어 초록 (Multilingual Abstract)

This study aims to develop a discriminative artificial intelligence system that predicts gender and biological age by learning from 2023health checkup information data provided through the public data portal using machine learning. Among the total data (1 million people),330,752 individuals (179,556 men and 151,196 women) whose health screening results were measured were used as machine learningtraining data. Age group was used as the output variable, and 26 items, including height, weight, waist circumference, systolic bloodpressure, diastolic blood pressure, fasting blood glucose, triglycerides, HDL cholesterol, LDL cholesterol, hemoglobin, serum GOT, serumGPT, and gamma GTP, were used as input variables. In the development of discriminatory artificial intelligence, a multilayer neural networkcapable of deep learning among machine learning algorithms was used, and the ROC curve was used to evaluate the performance ofartificial intelligence. As a result of predicting biological age by gender using a multilayer neural network, the age distribution of theoutput variable (chronological age) of the training data that did not learn the input variable (health examination information) and theprobability value of the output variable (biological age) predicted by the artificial intelligence that learned the input variable were almostsimilar. Artificial intelligence prediction methods can efficiently process large amounts of high-dimensional data by capturing nonlinearitiesand complex interactions between variables using machine learning and deep learning. Therefore, by integrating and analyzing variousclinical and biomarker information, it is possible to precisely determine the degree of aging in an individual, thereby providing importantscientific evidence for establishing prevention-oriented health policies.