Patient-Disease Association Prediction via a Mixture-of-Experts Approach on a Heterogeneous Network

복합질환은 여러 질환이 동시에 존재하는 상태로, 환자의 건강 상태와 치료 과정 전반에 중대한 영향을 미친다. 그러나 질환 조합의 다양성과 비정형적인 진행 양상으로 인해 기존의 통계 및 딥러닝 기반 접근만으로는 예측에 한계가 있다. 또한 기존 연구는 전자건강기록 데이터 중심의 임상적 변수에 편중되어 있어 비임상적 요인을 충분히 반영하지 못하는 한계가 있다. 본 연구는 이러한 문제를 해결하기 위해 Health and Retirement Study(HRS) 데이터를 활용하여 환자-질병 이종 네트워크를 구성하고, 링크 예측 기반의 환자-질병 연관성 예측 방법론을 제안한다. 이때, 그래프 신경망을 적용해 각 노드별 임베딩을 학습하고, 환자-질병 노드 쌍의 상호작용을 엣지 단위에서 정교하게 포착하기 위해 네 가지 결합 표현의 전문가로 이루어진 Mixture of Experts 기반 링크 예측기를 적용한다. 실험 결과, 제안하는 모델은 테이블 기반 기법과 그래프 신경망 기법 대비 우수한 예측 성능을 보였으며, 특히 뇌졸중 보유 집단에서는 AUROC 기준 약 5.3%, AUPRC 기준 약 4.43%의 성능 향상을 달성하였다. 또한 Mixture of Experts의 도입은 기본 구조 대비 약 6.9%의 성능 개선을 보였으며, 모델 구조 변경 실험과 시각화 분석을 통해 네 가지 전문가 구성의 타당성을 검증하였다.