암 환자 예후 예측 동적 지식 그래프 & GNN

Problem

국공립 병원과 K-CURE 공공 임상 라이브러리의 데이터는 기관마다 형식과 코드 체계가 달라, 환자 한 명의 경과를 시간 축으로 이어서 보기 어려웠습니다. 예후 예측 모델을 붙이기 전에 이기종 데이터를 하나의 표준 그래프로 통합하는 단계가 먼저 필요했습니다.

Contribution

시계열 지식 그래프 파이프라인과 표준 온톨로지 설계를 구축했고, Text-to-Cypher 파인튜닝·경량화 서빙을 수행했으며, HT-GNN 확장을 설계하고 있습니다.

1. 지식 그래프 & 온톨로지 설계

   표준 기반 온톨로지 스키마 설계 및 시계열 지식 그래프 적재 파이프라인 구축

2. GNN 모델링 & 조회

   임상 인자 기반 HT-GNN 설계·학습 및 Text-to-Cypher 자연어 조회 구현

Approach

1. 시계열 방향성 그래프 적재

   K-CURE(위암)·국공립 병원(폐암) 코호트 등 대규모 이기종 관계형 데이터를 식별키 기반 시계열 방향성 그래프(Temporal Graph)로 전처리·적재하는 파이프라인을 구축했습니다.

2. 표준 기반 온톨로지 스키마

   비표준 의료 용어 통합과 공신력 확보를 위해 SNOMED CT·UMLS·ICD-10·LOINC 국제 표준 기반 대규모 온톨로지 스키마와 매핑 사전을 구축했습니다.

3. Human-in-the-loop 지식 추출

   학습 안정성·신뢰성 확보를 위해 LLM 역할을 용어 매핑 보조와 관계 추출로 한정한 인간 협업형 지식 추출 파이프라인을 구현했습니다.

4. Text-to-Cypher 파인튜닝

   Gemma-4 백본을 LoRA로 파인튜닝해 자연어→Cypher 변환을 학습시켰습니다. 학습 2,135문항·평가 200문항을 자체 구축·이중 교차 리뷰하고, rank·학습 방식·양자화를 시드 3개 평균 규약으로 비교해 레시피를 확정했습니다. 추론은 self-consistency 5후보 + 실행 검증으로 보강합니다.

5. 임상 인자 → HT-GNN 피처 연계 (진행 중)

   Cox 생존분석과 ML로 합병증/생존율 핵심 임상 인자를 도출해, PyTorch Geometric 기반 이종 동적 그래프 신경망(HT-GNN)의 피처로 연계하는 모델링을 설계하고 있습니다.

6. 시계열 지식 그래프 통합

   국공립 병원·K-CURE 공공 임상 데이터를 식별키 기반 시계열 방향성 그래프(Temporal Graph)로 통합합니다.

7. 설명 가능한 예후 예측 (진행 중)

   하이브리드 GNN 예측과 함께 예측에 기여한 핵심 임상 인자를 제시해 해석 가능성(XAI)을 확보하는 것을 목표로 설계하고 있습니다.

8. Text-to-Cypher 자연어 탐색

   자체 구축 데이터로 파인튜닝한 모델이 자연어 질의를 Cypher로 변환해 시계열 그래프를 탐색합니다. 실행 검증 기반 200문항 평가에서 정확도 88.5%를 달성했습니다.

Troubleshooting

Results

전체 시계열 지식 그래프

환자 코호트 전체를 진단·치료·검사·결과 노드와 연결한 단일 시계열 지식 그래프로 통합해 코호트 수준의 패턴을 탐색합니다.

치료 경로 3D 그래프 뷰

환자 노드를 중심으로 진단·유전자 변이·바이오마커·치료·반응·합병증·사망 위험까지 이어지는 임상 인과 경로를 3D 뷰어로 탐색합니다.

임상 데이터 ETL 오케스트레이션

원천 임상 데이터를 스키마 생성부터 웨어하우스·데이터마트 적재, 검증까지 이어지는 Airflow DAG로 자동화했습니다.

Architecture