1. 서론
최근 의학 분야에서 딥러닝 기법을 이용한 질병의 치료 결과와 진단 예측에 대한 연구가 활발하다. 본 논문에서는 기존 딥러닝 기반 80대·90대 노령자 대상 폐암 진단 후 사망률 예측에 관한 연구[1]를 더욱 확대·세분화하여 80대·90대·100대 남녀 대상 폐암 진단 후 84개월간의 사망률을 예측하고 사망률에 영향을 미치는 요인을 분석하고자 한다. 또한, 지난 연구[1]와 같이 다양한 알고리즘에 대한 비교·평가를 추진하였다. 본 연구에서는 건강보험심사평가원의 환자 진료 정보를 기반으로 추진하였다. 사망률이 높은 80대(남 : 21,559명, 여 : 9,206명)·90대(남 : 3,437명, 여 : 2,078명)·100대(남 : 126명, 여 : 114명) 남녀 노령자 총 36,520명을 대상으로 사망원인 1위[1]인 암 중에서도 사망률이 높은 폐암[2] 환자의 사망률을 Decision Tree, Random Forest, Gradient Boosting, XGBoost, Logistic Regression 등 5개 알고리즘 활용하여 예측·비교하고 사망률에 영향을 미치는 요인도 분석·제시하고자 한다. 그리고 효율적이고 신속한 연구결과의 도출을 위해 AutoML을 활용하였다.
2. 관련 연구
2.1 국내 사망자 및 암 사망자 현황
통계청의 통계정보에 따르면, [그림 1]과 같이 ’21년 총 사망자 수는 317,680명으로 전년 대비 12,732명(4.2%) 증가하였고 80세 이상의 사망자가 전체 사망에서 50.0%를 차지, 10년 전보다 15.2%p 증가하였다[2].
그림 1. 연령별 사망자 수 구성비
Fig. 1. Composition ratio of death toll by age (Source: Statistics Korea)
한편, [그림 2]와 같이 주요 10대 사망원인은 악성 신생물(암), 심장 질환, 폐렴, 뇌혈관 질환, 고의적 자해(자살), 당뇨병, 알츠하이머병, 간 질환, 패혈증, 고혈압성 질환 순이다[2]. 사망원인 1위를 차지한 암중[그림 3]과 같이 2021년 암종별 사망자 수 통계를 살펴보면, 폐암 사망자 수는 18,902명으로 암 중에서 사망률 1위를 차지하였다[3].
그림 2. 사망원인 순위 추이
Fig. 2. Changes in the ranking of causes of death (Source: Statistics Korea)
그림 3. 2021년 암종별 사망자수
Fig. 3. Death toll by cancer species in 2021 (Source: National Cancer Information Center)
2.2 기존 연구
영국의 랭커스터 대학은 의료종사자들에게 보다 빠르고 효율적으로 환자를 진단하고 치료할 수 있도록 딥러닝 알고리즘(CNN)을 활용하여 폐렴, 폐암, 결핵(TB), 폐 혼탁 및 가장 최근의 COVID-19의 감지와 분류에 우수한 성능을 입증하였고[4]. 인도의 코네루락스마야 교육 재단에서는 CNN(Convolutional Neural Network)과 INN(Inception Neural Network) 알고리즘을 이용한 딥러닝 기법으로 흉부 X-선을 이용하여 폐질환을 예측, 결핵, 폐렴, 폐암 및 천식 등의 정상 비정상 여부를 분류하였다[5]. 또한 중국의 쓰촨대학에서는 컴퓨터 단층 촬영(CT) 이미지를 딥러닝 기술을 사용하여 결절을 식별하고 악성 종양을 평가에 도움이 되는 시스템을 개발하였다[6]. 국내에서는 서울대 의과대학에서 폐암 수술 환자 809명의 폐암 생존 예측 및 그 주요 요인을을 평가하였다[7]. 한편, 이화여대에서 순환종양세포를 이용한 폐암 재발을 예측[8], 말레이시아 푸트라대에서는 ‘암 게놈 지도(Cancer Genome Atlas)’ 슬라이드 이미지를 대상으로 CNN 기법(Inception v3)을 활용, 선암종, 편평세포암종 또는 정상 폐 조직을 정확하게 분류한 연구도 진행되었다[9]. 미국 메릴랜드대 등 4개 기관에서 공동 추진된 구강편평세포암 환자의 생존 및 국소 재발에 대한 예측 모델 개발에 머신러닝 및 딥러닝 모델을 제안하였다[10]. 또한, 마카오대에서 암 진단 및 예후 판단에 머신러닝이 어떻게 지원하는지 탐구한 사례도 있었다[11]. 그리고 가천대에서 초음파 검사를 통해 갑상선 종양의 재발 예측이 가능한 딥러닝 학습 모델도 개발되었으며[12], 하버드 의과대 등 3개 기관에서 비소세포폐암 CT 이미지를 기반으로 사망 위험 분류에 딥러닝 기술을 적용하였다[13]. 본 연구에서는 암 진단 및 예후 예측 관련 연구를 진행하되 대규모 환자 정보와 다양한 알고리즘을 기반으로 80대·90대·100대 남녀 대상 폐암 사망률과 그에 영향을 미치는 요인을 비교하고 분석하고자 한다.
3. 연구모형 및 방법
3.1 연구모형
[그림 4]와 같이 국내 폐암 환자 현황 데이터와 딥러닝 기술을 제공하는 AutoML을 활용, 훈련용 데이터(데이터 전량의 80%)로 딥러닝 모델을 생성하고 검증용 데이터(데이터 전량의 20%)로 폐암 진단 후 84개월 동안의 사망률을 예측하고 사망률에 영향을 미치는 요인을 분석하는 연구모형을 설계하였다. 건강보험심사평가원의 2015년에 폐암 진단 후 2021년까지 84개월간의 국내 폐암 환자 현황 데이터중 80대·90대·100대 남녀 환자(36,520) 데이터를 선별하여 [표 1]과 같이 △환자식별번호 △치료결과 △성별 △나이 △주병상 △수술여부 △치료기간 등 사망률 요인 분석에 필요한 변수를 정의하고 데이터를 정리하였다[1]. 주병상 코드의 종류와 관련 설명은 [표 2]와 같다.
그림 4. 연구모형
Fig. 4. Research model
표 1. 환자정보 데이터 구조
Table 1. Patient information data structure
표 2. 주병상 코드 설명
Table 2. Description of the main lesion code
한편, 사망률 예측 및 폐암 진단 후 사망률에 영향을 미치는 요인 분석을 신속하고 효율적으로 수행하기 위해 딥러닝 기반의 AutoML(WiseProphet)을 활용하였다[1]. [표 3]과 같이 WiseProphet(http://prophet.wise.co.kr/)에서 제공하는 △Decision Tree △Random Forest △Gradient Boosting △XGBoost △Logistic Regression 등의 알고리즘별로 입력된 파라미터 값을 이용, 사망률을 예측·비교하였다[1].
표 3. 5개 알고리즘 및 입력 파라미터 값
Table 3. 5 Algorithm and Input Parameter Values
그리고 사망률 예측 성능평가 지표는 [표 4]와 같이 정밀도와 재현율을 사용하였다[1]. 사망률에 영향을 미치는 요인 분석은 WiseProphet에서 제공되는 변수간 상관관계 분석 기능을 이용하였다[1].
표 4. 성능평가 지표
Table 4. Performance evaluation index
4. 성능 분석 결과
2015년에 폐암 진단 후 2021년까지 84개월간의 국내 폐암환자 현황 데이터(102,951 명)를 정리한 연령이 80대 이상(36,520) 환자 대상 △치료결과 △성별 △나이 △주병상 △수술여부 △치료기간 등의 일반 통계를 먼저 살펴보면 [그림 5]와 같이 사망자는 70%(25,485명)를 차지하였으며 생존자는 30%(11,035명)이다. 또한, [그림 6]과 같이 성비는 남성이 69%(25,1 22명) 여성이 31%(11,398명)를 차지하였다. [그림 7]과 같이 나이 비율은 80대가 84%(30,765명), 90대가 15%(5,515명), 100대가 1%(240명)를 차지하였다. 주 병상 비율은 [그림 8]과 같이 C349 65%(23,859명), C341 16%(5,893명), C343 12%(4,234명), C340 4%(1,313명), C342 3%(931명), C348 0.7%(256명), C34 0.09%(34명)이다. 한편, [그림 9]와 같이 수술을 받은 비율은 94%(34,359명), 수술을 받지 않은 비율은 6%(2,161명)이다.
그림 5. 치료 결과 비율
Fig. 5. Treatment outcome ratio
그림 6. 성비
Fig. 6. Gender ratio
그림 7. 나이 비율
Fig. 7. The ratio of age
그림 8. 주병상 비율
Fig. 8. Proportion of main lesion
그림 9. 수술·비수술 비율
Fig. 9. Surgeryl/Non-surgery ratio
치료기간을 살펴보면 [그림 10]과 같이 12개월내가 33%(12,122명), 24개월내가 18%(6,755명), 36개월 내가 11%(3,870명), 48개월내가 8%(3,046명), 60개월내가 8%(2,920명), 72개월내가 10%(3,830명), 84개월내가 11%(3,977명)를 차지하였다. 이와 같은 환자 데이터를 기반으로 딥러닝 기법의 AutoML을 활용하여 나이대와 성별에 따라 사망률을 예측한 결과는 아래와 같다.
그림 10. 치료기간 비율
Fig. 10. Treatment period ratio
4.1 80대 남자(21,559명) 사망률 예측 결과
[표 6]·[그림 11]과 같이 5개 알고리즘에서 예측한 정밀도의 평균 값은 0.79이며 평균 재현율은 0.89이었다. 정밀도는 D.T.․G.B. 알고리즘이 우수했고 재현율은 R.F. 알고리즘이 우수했다. 한편 [표 7]과 같이 사망률에 영향을 미치는 요인 분석 결과, 치료기간이 가장 큰 영향을 미쳤으며 수술을 받아야만 하는 경우보다는 수술 이외의 치료를 받는 경우가 사망률에 영향력이 큰 것으로 나타났다. 그리고 주병상 중에는 C3 40(주기관지의 악성 신생물)이 가장 영향력이 큰 것으로 나타났다.
표 6. 80대 남성 사망률 예측 결과
Table 6. The prediction results of mortality rate for men in 80s
그림 11. 80대 남성 사망률 예측 결과
Fig. 11. The prediction results of mortality rate for men in 80s
표 7. 80대 남성 사망률에 영향을 미치는 요인 분석 결과
Table 7. Analysis of factors affecting mortality rate in men in 80s
4.2. 80대 여성(9,206명) 사망률 예측 결과
[표 8]·[그림 12]와 같이 5개 알고리즘에서 예측한 정밀도의 평균값은 0.65이며 평균 재현율은 0.79였다. 정밀도는 L.R. 알고리즘이 우수했고 재현율은 R. F.·G.B.·X.B. 알고리즘이 우수했다. 한편, [표 9]와 같이 사망률에 영향을 미치는 요인 분석 결과, 치료기간이 가장 큰 영향을 미쳤으며 80대 여성 환자에 있어서는 수술 이외의 치료를 받는 경우가 수술을 받아야만 하는 경우 보다 사망률에 영향력이 큰 것으로 나타났다. 그리고 주병상 중에는 C348(기관지 및 폐의 중복병변의 악성 신생물)이 가장 영향력이 큰 것으로 나타났다.
표 8. 80대 여성 사망률 예측 결과
Table 8. The prediction results of mortality rate for women in 80s
그림 12. 80대 여성 사망률 예측 결과
Fig. 12. The prediction results of mortality rate for women in 80s
표 9. 80대 여성 사망률에 영향을 미치는 요인 분석 결과
Table 9. Analysis of factors affecting mortality rate in women in 80s
4.3 90대 남성(3,437명) 사망 예측률
[표 10]·[그림 13]과 같이 5개 알고리즘에서 예측한 정밀도의 평균값은 0.91이며 평균 재현율은 1.00이었다. 정밀도는 L.R.을 제외한 4개 알고리즘 모두 우수했고 재현율은 D.T.·R.F.·L.R. 알고리즘이 우수했다. 한편 [표 11]과 같이 사망률에 영향을 미치는 요인 분석 결과, 치료기간이 가장 큰 영향을 미쳤으며 주병상 C341(상엽, 기관지 또는 폐의 악성 신생물)이 두 번째 그리고 수술을 받아야만 하는 경우가 세 번째로 영향력이 큰 것으로 나타났다.
표 10. 90대 남성 사망률 예측 결과
Table 10. The prediction results of mortality rate for men in 90s
그림 13. 90대 남성 사망률 예측 결과
Fig. 13. The prediction results of mortality rate for men in 90s
표 11. 90대 남성 사망률에 영향을 미치는 요인 분석 결과
Table 11. Analysis of factors affecting mortality rate in men in 90s
4.4. 90대 여성(2,078명) 사망 예측률
[표 12]·[그림 14]와 같이 5개 알고리즘에서 예측한 정밀도의 평균값은 0.89이며 평균 재현율은 0.93이었다. 정밀도는 D.T.·R.F. 알고리즘 우수했고 재현율은 G.B.·X.B. 알고리즘이 우수했다. 한편 [표 13]과 같이 사망률에 영향을 미치는 요인 분석 결과, 치료기간이 가장 큰 영향을 미쳤으며 주병상 C343(하엽, 기관지 또는 폐의 악성 신생물)이 두 번째 그리고 주병상 C340(주기관지의 악성 신생물)이 세 번째로 영향력이 큰 것으로 나타났다.
표 12. 90대 여성 사망률 예측 결과
Table 12. The prediction results of mortality rate for women in 90s
그림 14. 90대 여성 사망률 예측 결과
Fig. 14. The prediction results of mortality rate for women in 90s
표 13. 90대 여성 사망률에 영향을 미치는 요인 분석
Table 13. Analysis of factors affecting mortality rate in women in 90s
4.5 100대 남성(126 명) 사망 예측률
[표 14]·[그림 15]와 같이 5개 알고리즘에서 예측한 정밀도의 평균값은 0.96이며 평균 재현율은 1.00이었다. 정밀도는 5개 알고리즘 모두 우수했고 재현율도 모든 알고리즘이 우수했다. 한편 [표 15]와 같이 사망률에 영향을 미치는 요인 분석 결과, 치료기간이 가장 큰 영향을 미쳤으며 수술 이외의 치료를 받은 경우가 두 번째로 영향력이 있었으며 주병상 C343(하엽, 기관지 또는 폐의 악성 신생물)이 세 번째로 영향력이 큰 것으로 나타났다.
표 14. 100대 남성 사망률 예측 결과
Table 14. The prediction results of mortality rate for men in 100s
그림 15. 100대 남성 사망률 예측 결과
Fig. 15. The prediction results of mortality rate for men in 100s
표 15. 100대 남성 사망률에 영향을 미치는 요인 분석
Table 15. Analysis of factors affecting mortality rate in men in 100s
4.6. 100대 여성(114 명) 사망 예측률
[표 16]·[그림 16]과 같이 5개 알고리즘에서 예측한 정밀도의 평균값은 1.00이며 평균 재현율은 1.00이었다. 정밀도는 5개 알고리즘 모두 우수했고 재현율도 모든 알고리즘이 우수했다. 한편, [표 17]과 같이 사망률에 영향을 미치는 요인 분석 결과, 치료기간이 가장 큰 영향을 미쳤으며 주병상 C349(상세불명의 기관지 또는 폐의 악성 신생물)이 두 번째로 영향력이 있었으며 주병상 C341(상엽, 기관지 또는 폐의 악성 신생물)이 세 번째로 영향력이 큰 것으로 나타났다.
표 16. 100대 여성 사망률 예측 결과
Table 16. The prediction results of mortality rate for women in 100s
그림 16. 100대 여성 사망률 예측 결과
Fig. 16. The prediction results of mortality rate for women in 100s
표 17. 100대 영성 사망률에 영향을 미치는 요인 분석
Table 17. Analysis of factors affecting mortality rate in women in 100s
5. 결론
본 연구를 통해 딥러닝 기법을 활용하여 2015년 암 유병 진단 후 2021년까지 84개월 동안의 80대·90대· 100대 남녀 폐암 환자의 데이터를 분석하여 5개 알고리즘별로 사망률을 예측·비교하고 사망률에 영향을 주는 요인을 확인해 보았다.
[표 18]과 같이 나이대별로 남녀 성별 평균 사망률을 예측한 정밀도 값과 재현율을 비교해보면 나이가 들수록 정밀도와 재현율이 높아졌다. 이는 고령일수록 관련 데이터의 양이 부족하여 나타난 현상으로 판단된다. 그리고 80대와 90대에서 남성이 여성보다 사망 예측률이 더 높았으나 100대에서는 여성의 사망 예측률이 남성보다 높게 나타났다. 한편, 학문적으로 다량의 환자 데이터를 기반으로 다양한 딥러닝 알고리즘을 제공하는 AutoML을 활용한 연구방법을 제시함으로써 타 분야에서도 활용할 수 있도록 효율적인 연구방법을 실증하였다. 한편, 이번 연구가 보건복지 당국의 정책수립에 활용되기를 기대한다.
표 18. 80대·90대·100대 남녀 사망률 평균 예측 결과
Table 18. Results of predicting the average mortality rate of men and women in 80s, 90s, and 100s
참고문헌
- K. K. Byun, D. G. Lee, and Y. T. Shin, "A Study on the Prediction of Mortality Rate after Lung Cancer Diagnosis for the Elderly in their 80s and 90s Based on Deep Learning," Annual Spring Conference of KIPS, 29.1, pp. 452-455, 2022.
- 2021 Cause of Death Statistics, National Statistical Office, 2022.
- Major Cancer Mortality, National Cancer Information Center, 2022.
- Alshmrani, Goram Mufarah M., et al. "A deep learning architecture for multi-class lung diseases classification using chest X-ray (CXR) images." Alexandria Engineering Journal pp. 923-935, Nol. 64, 2023.
- Bhattacharya, Debdatta, et al. "Classification of Healthy and Diseased Lungs by Pneumonia Using X-Rays and Gene Sequencing With Deep Learning Approaches." Smart Technologies in Data Science and Communication. Springer, Singapore, pp. 189-196, 2023.
- Cheng, Nitao, et al. "Inferring cell-type-specific genes of lung cancer based on deep learning." Current Gene Therapy pp. 439-448, Vol. 22, No.5, 2022. https://doi.org/10.2174/1566523222666220324110914
- Jin-ah Sim., Young Ae Kim., Ju Han Kim., Jong Mog Lee., Moon Soo Kim., Young Mog Shim., Jae Ill Zo., Young Ho Yun., The major effects of health-related quality of life on 5-year survival prediction among lung cancer survivors: applications of machine learning, Scientific Reports, Vol 10, No. 10693, 2020.
- Sehwa Moon, Janghwan Choi, Prediction of recurrence of lung cancer using deep learning-based circulatory tumor cells, The 2020 Spring Conference of the Korean Mechanical Society, pp 54-54, Aug. 2020.
- Nicolas Coudray., Paolo Santiago Ocampo., Theodore Sakellaropoulos., Navneet Narula., Matija Snuderl., David Fenyo., Andre L Moreira., Narges Razavian., Aristotelis Tsirigos., Hyperparameter Tuning and Pipeline Optimization via Grid Search Method and Tree-Based AutoML in Breast Cancer Prediction, Nat Med, pp 1559-1567, Vol. 24, No. 10, Oct. 2018. https://doi.org/10.1038/s41591-018-0177-5
- Ahmed S Sultan., Mohamed A Elgharib., Tiffany Tavares., Maryam Jessri., John R Basile., The use of artificial intelligence, machine learning and deep learning in oncologic histopathology, Journal Oral Pathol Med. 2020 Oct;49(9):849-856. https://doi.org/10.1111/jop.13042
- Shigao Huang., Jie Yang., Simon Fong., Qi Zhao., Artificial intelligence in cancer diagnosis and prognosis: Opportunities and challenges, Cancer Lett, pp. 61-71, Vol. 28, No. 471, Feb. 2020. https://doi.org/10.1016/j.canlet.2019.12.007
- Jieun Kil., Kwang Gi Kim., Young Jae Kim., Hye Ryoung Koo., Jeong Seon Park., Deep Learning in Thyroid Ultrasonography to Predict Tumor Recurrence in Thyroid Cancers, Journal Korean Soc Radiol, pp. 1164-1174, Vol. 81, No. 5, 2020. https://doi.org/10.3348/jksr.2019.0147
- Ahmed Hosny., Chintan Parmar., Thibaud P Coroller., Patrick Grossmann., Roman Zeleznik., Avnish Kumar., Johan Bussink., Robert J Gillies., Raymond H Mak., Hugo J W L Aerts., Deep learning for lung cancer prognostication: A retrospective multi-cohort radiomics study, PLoS Med. e1002711, Vol. 30, No.15, Nov. 2018.