Disentangling Latent Risk Pathways via Bayesian Hypergraph Inference

Motivation

• Known: 기존 연구는 질병별 독립 로지스틱 회귀 모델(해석 가능하나 정보 공유 없음), 공유 표현을 사용하는 multitask/neural network 기반 모델(강건하지만 black-box), 질병 간 comorbidity network 등 구조화된 outcome 모델(모든 risk factor를 하나의 상관구조로 뭉뚱그림) 등 세 갈래로 발전해왔다.
• Gap: 기존 방법들은 위험 요인별로 서로 다른 질병 조직화 패턴을 구분하지 못하거나, 질병 간 higher-order(집단 단위) 관계를 pairwise 상관 또는 얽힌 잠재공간으로만 표현하며, 학습된 구조에 대한 원칙적인 불확실성 정량화가 부족해 "어떤 위험 요인이 어떤 공유 질병 경로를 통해 작용하는가"라는 핵심 역학적 질문에 답하지 못한다.
• Why: 희귀질환이 많고 위험 요인 간 이질적 영향이 존재하는 대규모 EHR 환경에서, 해석 가능하고 통계적으로 안정적이며 불확실성을 정량화할 수 있는 다중질병 위험 구조 발견은 정밀의료 및 인구집단 보건 정책 수립에 핵심적이다.
• Approach: 질병을 노드로, 공유 위험 패턴을 갖는 질병 부분집합을 hyperedge로 표현하는 잠재 hypergraph를 정의하고, risk factor가 이 hyperedge에 직접 작용하도록 모델링하여 risk-factor-modulated disease pathway를 학습하는 완전한 Bayesian 생성 프레임워크(BHPI)를 제안한다.

Achievement

Figure 2. Predictive stability via structured information sharing.

1. Bayesian hypergraph pathway inference 프레임워크 제안: repulsion prior를 도입해 동일 risk factor에 대해 중복되거나 과도하게 겹치는 hyperedge를 억제함으로써 parsimonious하고 identifiable한 risk-factor별 higher-order 질병 구조를 학습.
2. 구조화된 variational inference 알고리즘 개발: hyperedge existence → disease membership → pathway-level effect로 이어지는 논리적 의존관계를 보존하는 structured VI를 설계해, 표준 mean-field VI의 불확실성 보정 실패 문제를 해결하면서 대규모 EHR 데이터에 대한 확장성을 확보.
3. 실증적 검증: 시뮬레이션 데이터와 UK Biobank 실험을 통해 안정적이고 해석 가능한 질병 경로 구조 복원, 희귀질환에 대한 추정 개선, 잘 보정된 불확실성, 경쟁력 있는 예측 성능을 입증.

How

Figure 5. Plate diagram of the BHPI generative model. The generative DAG is: ze →mv,e; Hv,e = zemv,e; {ze, H} →γj,e →µj,

• 잠재 hypergraph의 hyperedge 존재 여부(existence), 질병의 hyperedge 소속(membership), risk factor가 hyperedge에 미치는 효과(pathway-level effect)를 계층적 Bayesian 생성모형(plate diagram, Figure 5)으로 구성.
• 동일 risk factor에 결부된 hyperedge들이 서로 과도하게 중첩되지 않도록 유도하는 repulsion prior를 posterior에 부과하여 구조 붕괴(latent structure collapse) 및 축약해(degenerate solution)를 방지.
• existence → membership → effect의 논리적 종속성을 깨뜨리는 표준 mean-field VI 대신, 이 계층적 의존관계를 보존하는 structured variational inference 알고리즘을 설계하여 posterior 근사와 불확실성 정량화의 정합성 확보.
• 시뮬레이션 데이터로 구조 복원 및 파라미터 추정 정확도를 검증하고, UK Biobank 실데이터에 적용해 질병 경로 시각화, 예측 안정성(Figure 2), pathway 간 disentanglement 및 parsimony(Figure 3), risk-factor-to-disease 전역 경로 구조(Figure 4)를 평가.

Originality

• 질병 간 관계를 pairwise correlation이나 단일 공유 잠재공간이 아닌, risk factor별로 서로 다른 higher-order hyperedge(질병 부분집합)로 표현하는 새로운 관점을 제시.
• hypergraph topology(존재, 소속)를 관측되거나 휴리스틱하게 추정하는 것이 아니라 완전한 Bayesian 잠재 확률변수로 취급하여 추론하는 최초 시도(기존 hypergraph neural network들과 차별화).
• 중복 pathway를 억제하는 repulsion prior를 도입해 식별가능성(identifiability)과 parsimony를 동시에 확보한 구조적 장치.
• existence-membership-effect의 논리적 계층 구조를 보존하는 structured VI를 설계, 표준 mean-field 근사의 한계를 극복.

Limitation & Further Study

• 발췌된 abstract와 introduction/방법론 서두만으로는 모델의 구체적 수식, hyperedge 수 결정 방식(예: truncation level), computational complexity, UK Biobank 적용 시 risk factor와 outcome 정의의 세부 사항이 명확히 드러나지 않아 재현성 평가에 한계가 있음.
• repulsion prior의 하이퍼파라미터 민감도나 identifiability 보장의 이론적 조건에 대한 상세 논의가 본문 발췌에는 부족해 보임.
• 후속 연구로는 시계열적 질병 진행(disease progression) 및 종단적 EHR 데이터로의 확장, 다른 대규모 바이오뱅크나 이질적 인구집단에서의 일반화 검증, 그리고 대규모 hyperedge 수에 대한 계산적 확장성(scalability) 추가 검증이 필요해 보임.

Evaluation

총평: 다중질병 EHR 모델링에서 risk-factor별 higher-order 질병 경로를 hypergraph로 표현하고 원칙적인 불확실성 정량화를 결합한 참신하고 잘 동기부여된 접근으로, 해석 가능성과 통계적 엄밀성을 모두 추구하는 견고한 연구로 평가된다.