현대 사회에서 주의력결핍 과잉행동장애(Attention-Deficit/Hyperactivity Disorder, ADHD)는 아동뿐 아니라 성인에서도 발견되는 흔한 정신질환 중 하나이다. 이러한 맥락에서 본 연구는 휴지기 기능적 자기공명영상(resting-state functional magnetic resonance, rs-fMRI)으로부터 중요한 뇌 시공간 바이오마커를 동시에 효과적으로 탐지할 수 있는 ADHD 진단 트랜스포머 모델을 제안한다. 이 모델은 시공간의 개인 특성을 학습할 뿐만 아니라, ADHD 진단에 특화된 전체 attention 구조와의 상관관계도 학습한다. 특히 국소 혈중 산소화 수준 의존(local blood oxygenation level dependent, BOLD) 신호를 학습하고, 뇌의 중요한 관심영역(region of interest, ROI)을 구별하는 데 초점을 둔다. 구체적으로 ADHD 진단 트랜스포머에 대해 제안된 세 가지 방법은 다음과 같다. 첫째, 뇌 영역 attention에서 보다 표현력 있는 임베딩 특성을 얻기 위해 CNN 기반 임베딩 블록을 설계한다. 이는 트랜스포머를 위한 기존 CNN 기반 ADHD 진단 모델을 기반으로 재구성한다. 다음으로, 개인 시공간 특징 attention을 위해 attention 방법을 국소 시간 attention과 ROI-순위 기반 마스킹으로 변경한다. fMRI의 시간적 특징에 대해 국소 시간 attention은 단순한 윈도 마스킹만으로 국소 BOLD 신호 특징을 학습할 수 있게 한다. fMRI의 공간적 특징에 대해서는 ROI-순위 기반 마스킹이 attention 점수에 기초하여 ROI들 간 관계에서 높은 상관을 보이는 ROI를 구별함으로써, ADHD 진단을 위한 보다 구체적인 바이오마커를 제공한다. 실험은 다양한 유형의 트랜스포머 모델로 수행하였다. 이 모델들을 평가하기 위해 ADHD-200 경쟁에서 제공된 모든 사이트의 939명 데이터를 수집하였다. 그 결과, ADHD 진단을 위한 시공간 향상형 트랜스포머가 다른 유형의 트랜스포머 변형들에 비해 성능이 우수하였다. (77.78ACC 76.60SPE 79.22SEN 79.30AUC)
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.