Development of Multi-Label Classification Model Based on Real-World Clinical Data for Breast Cancer Treatment Decision-Making

유방암은 조기 진단과 신속한 치료가 환자의 생존율에 결정적인 영향을 미치는 암이다. 본 연구는 유방암 환자의 맞춤형 치료 결정을 지원하기 위한 예측 모델을 개발하고자 한다. 유방암 환자 5,134명의 환자 정보, 진단정보, 약물처방, 수술 처방, 처치 시술, 진단검사, 신체 계측 등 정형 데이터뿐만 아니라 비정형 병리 기록지에서 추출한 TNM 병기로 총 98개의 특징 변수를 선정하였다. 모델은 MLP, Random Forest, XGBoost의 전통적인 모델과, Transformer 기반의 ClinicalBERT, FT-Transformer을 사용하였다. 각 클래스는 유방암 치료 방법 중 항암화학요법, 항호르몬 요법, 방사선 치료로 구성하였다. 이에 각 치료 방법에 대하여 다중 레이블 분류 형태로 예측하도록 설정하였다. 모델의 성능 비교 결과, XGBoost가 항암치료 정보 항목에서 가장 우수한 Recall 값(0.99 ± 0.001)을 도출했다. 향후 연구에서는 병리 기록지 내 호르몬 수용체 상태, 종양 크기 등 핵심 임상 정보를 추가하여 모델의 성능을 고도화하고자 한다.