주의력결핍/과잉행동장애(ADHD)는 흔한 정신질환이지만, 정확한 진단 방법을 개발하는 것은 어렵다. 최근에는 컴퓨팅 자원과 머신러닝 기법의 발전에 따라, 휴식상태 기능적 자기공명영상(rs-fMRI) 자료를 이용하여 ADHD를 분류하려는 연구가 수행되고 있다. 대부분은 모델 학습 시 뇌 전체의 영역을 사용한다. 이에 비해, 본 연구는 딥러닝 모델에 활용할 핵심 영역을 선택하여 ADHD를 분류하고자 하였다. 실험은 ADHD-200 글로벌 대회에서 제공된 rs-fMRI 데이터를 사용하였다. 다수 사이트로부터 통합된 결과를 얻기 위해, 뇌의 각 영역은 ‘leave-one-site-out’ 교차검증을 사용하여 평가하였다. 그 결과, 학습에 15개의 중요한 관심영역(ROI)만을 사용했을 때 정확도 70.6%를 얻었으며, 이는 모든 ROI를 사용한 기존 결과 68.6%보다 유의하게 높은 수치였다. 또한 SCCNN-RNN 기반의 새로운 구조를 탐색하기 위해, 동일한 실험을 세 가지 수정 모델로 수행하였다: (1) 주의(attention)를 적용한 분리 채널 CNN - RNN(ASCRNN), (2) 주의(attention)를 적용한 분리 채널 dilate CNN - RNN(ASDRNN), (3) 주의(attention)를 적용한 분리 채널 CNN - slicing RNN(ASSRNN). ASSRNN 모델은 13개의 중요한 ROI만으로 학습했을 때 높은 정확도 70.46%를 제공하였다. 이러한 결과는 ADHD 진단에서 딥러닝을 이용해 뇌의 핵심 부분을 식별하는 접근이 모든 영역을 사용하는 방법보다 더 나은 결과를 산출함을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.