생존 예측 모형은 환자의 예후 및 맞춤형 치료에서 핵심적인 역할을 한다. 그러나 이러한 모형의 정확도는 환자 유사성 네트워크를 통합함으로써 개선될 수 있는데, 이는 복잡한 데이터 패턴을 드러낸다. 본 연구는 그래프 신경망(Graph Neural Networks, GNNs)을 사용하여 이러한 네트워크 내의 관계를 활용함으로써 이산형 시간 생존 예측(discrete-time survival predictions)을 향상시키는 GNN-surv를 제안한다. 우리는 암 환자들의 유전체 및 임상 데이터를 바탕으로 이러한 네트워크를 구축하고, Logistic Hazard 및 PMF 생존 모형을 통합하여 그 위에서 다양한 GNN 모형을 학습한다. GNN-surv 모형은 두 개의 비뇨기계 암 데이터셋에서 생존 예측 전반에 걸쳐 전통적인 MLP 모형보다 우수한 성능을 보인다. 또한 그래프 구성 초매개변수 μ 값이 달라지는 조건에서도 견고성과 효과를 유지하며, 시간-의존적 일치도 지수(time-dependent concordance index)에서 최대 14.6% 및 7.9%의 성능 향상과, BLCA 및 KIRC 데이터셋에서 각각 통합 브라이어 점수(integrated brier score)의 26.7% 및 24.1% 감소를 보인다. 특히, 이들 모형은 세 가지 서로 다른 유형의 GNN 모형에 대해서도 효과를 유지하여, 다른 암 데이터셋에도 적응 가능할 잠재력을 시사한다. 본 연구의 GNN-surv 모형이 보이는 우수한 성능은 종양학 및 맞춤형 의학 분야에서의 광범위한 적용 가능성을 강조하며, 환자 예후와 맞춤형 치료 계획 수립을 위한 보다 정확한 도구를 임상의에게 제공한다. 향후 연구에서는 다른 생존 모형이나 추가 데이터 양식(data modalities)을 통합함으로써 이러한 모형을 더욱 최적화할 수 있다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.