배경: 지방간 질환은 대사증후군, 심혈관 질환, 간경변증과 연관된 흔한 질환이며, 시의적절하고 정확한 진단이 중요하다. 임상 연구에서 딥러닝 모델을 도입하는 경우, 대개 라벨이 지정된 데이터가 부족하다는 문제가 제기된다. 본 연구는 라벨이 제한된 데이터에서도 지방간 질환을 예측하기 위해 주의(attention) 메커니즘을 갖춘 그래프 기반 딥러닝 모델의 효과를 평가하고자 하였다. 방법: 우리는 건강검진에서 얻은 임상 변수를 중심으로 7,953명의 개체로 구성된 데이터셋을 활용하였다. 반지도학습(semi-supervised learning) 환경에서 지방간 질환 예측을 위해 주의 메커니즘이 포함된 그래프 신경망(Graph Neural Networks, GNNs)을 평가하였다. 특징 중요도 분석에는 GNNExplainer를 사용하였고, 서로 다른 위험 요인을 갖는 군집을 확인하기 위해 하위집단(subgroup) 분석을 수행하였다. 결과: < 0.05) 로지스틱 회귀(logistic regression)와 비교하여 대부분의 라벨링 시나리오에서 유의한 성능 차이를 보였다. 각 클래스당 라벨 10개만 사용할 경우, 그래프 어텐션 네트워크(Graph Attention Network, GAT)와 그래프 어텐션을 포함한 간소화 그래프 트랜스포머(Simplified Graph Transformer with Graph Attention)는 각각 AUC 0.7049 ± 0.0570 및 0.7184 ± 0.0395를 달성하였으며, 라벨 100개를 사용했을 때는 AUC 0.7893 ± 0.0171를 달성하였다. 특징 중요도 분석에서는 HbA1c(상대 중요도 점수 = 1.0), 체지방량(0.998), 그리고 포도당(0.6934)을 가장 영향력 있는 예측 인자로 확인하였다. 하위집단 분석에서는 두 가지의 뚜렷한 환자 군집이 관찰되었는데—하나는 대사 위험 요인을 특징으로 하고 다른 하나는 인구통계학적 및 생활양식 요인을 특징으로 하는 군집이었다—이는 지방간 질환에서 개별화된 위험 계층화의 가능성을 강조한다. 결론: 주의 기반 GNN은 소수의 라벨 데이터만으로도 지방간 질환에 대해 강력한 예측 성능을 보였다. 본 방법론은 라벨 제약이 있는 상황에서, 그래프 기반 학습이 일상적 임상 데이터의 관계 구조를 활용하여 데이터 효율적이고 개별화된 위험 평가를 지원할 수 있음을 보여준다.

임상 환경에서 특히 지방간 질환의 예측과 관련하여 제한된 라벨 데이터의 문제를 해결하기 위해, 본 연구는 반지도 학습 프레임워크 내에서 그래프 표현 학습의 잠재력을 탐색한다. 그래프 신경망(GNN)을 활용하여, 본 접근법은 건강검진 데이터로부터 위험 패턴을 식별하기 위해 대상(피험자) 유사성 그래프를 구성한다. 다양한 GNN 접근법의 효과는 라벨이 매우 적은 표본에서도 입증된다. 방법론의 핵심은 설명 가능한 GNN을 통해 인간 중심적 설명을 포함하는 것으로, 향상된 해석 가능성과 임상적 관련성을 위한 개인화된 특징 중요도 점수를 제공하며, 그래프 표현 학습과 인간 중심적 설명에 중점을 둔 본 접근법이 의료 실무를 발전시키는 데 기여할 수 있음을 강조한다.