그래프 기반 생존 예측 및 임상 결과 추론

Graph-Based Survival Prediction and Clinical Outcome Inference

연구 내용

환자 유사도 그래프와 다층 경로 정보를 활용해 종양 환자의 생존 및 임상 결과를 예측하는 연구

종양 환자 예후 예측은 비선형 관계가 많은 임상 데이터에서 환자 간 유사성과 분자 수준 정보를 함께 다루는 접근이 요구됩니다. 본 연구는 그래프 신경망으로 discrete-time survival prediction을 수행하고, 환자 유사도 네트워크를 genomic 및 clinical 데이터를 기반으로 구성해 Logistic Hazard 및 PMF 계열 생존 모델과 통합합니다. 또한 다층 유전자-유전자 네트워크에서 directed random walks로 pathway activity를 추정하고, 예후 차이를 설명하는 후보 driver pathway를 우선순위화합니다. 그래프 구성 방식과 모형 구조에 대한 견고성을 고려한 설계를 통해 다양한 데이터셋으로의 확장성을 확보합니다.

관련 프로젝트

0건

연구 흐름

2021년에는 경로 활성도를 다층 유전자-유전자 네트워크에서 directed random walk로 추론하는 iDRW 프레임워크를 제안하고, 통합 신호가 임상 결과 예측에 기여함을 보였습니다. 이후 2023년에는 환자 유사도 네트워크를 그래프로 구성해 discrete-time 생존 예측을 수행하는 GNN-surv 모델을 개발했습니다. 이 과정에서 그래프 구성 하이퍼파라미터 변화에도 성능이 유지되는 방향으로 분석을 수행했습니다. 종단 예측 과제로 이어지기 위한 전단계로, 분자 경로 기반 추론과 생존 모델링을 그래프 관점에서 결합하는 연구 흐름을 형성했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

개인별 생존 확률 추정
생존 기반 위험도 분류
치료 시점 의사결정 보조
환자 유사도 기반 매칭
다중 오믹스 통합 예후 모델
경로 활성도 기반 설명
드라이버 경로 우선순위화
암종별 예측 일반화
임상 변수-분자 신호 연결
생존 모델 성능 비교 워크플로