뇌 자기공명영상(MRI)에 대한 딥러닝 기반 분석은 알츠하이머병(AD)의 조기 진단에 핵심적인 역할을 한다. 그러나 자료의 부족과 인종적 편향은 진단 모델의 일반화에 중대한 도전 과제를 제기한다. 백인 위주의 대규모 공개 데이터셋은 도메인 시프트로 인해 다른 인종 집단에 적용할 때 성능이 저하되는 경우가 흔하다. 이러한 문제를 해결하기 위해 본 연구는 2단계 전이 학습 프레임워크를 제안한다. 먼저, 3D ResNet 모델을 대규모 알츠하이머병 신경영상 이니셔티브(ADNI) 데이터셋에서 사전학습하여 구조적 뇌 특징을 학습하게 한다. 이후 사전학습된 가중치를 한국의 소규모 데이터셋에 전이하고, 학습에는 데이터의 30%만을 사용하여 미세조정한다. 제안된 모델은 조기 진단에 중요한 경도인지장애(MCI) 분류에서, 한국 데이터의 70%로부터 처음부터 학습한 모델에 비해 더 우수한 성능을 달성하였다. 또한 사전학습 모델을 그대로 직접 적용했을 때 관찰되는 뚜렷한 성능 저하를 효과적으로 완화하여, 도메인 시프트 문제를 해결할 수 있음을 보여주었다. 본 연구는 AD 분류에서 자료 부족과 도메인 시프트 문제를 해결하기 위한 전이 학습의 가능성을 탐색함으로써, 특정 인종 집단에 맞춘 AI 기반 진단 시스템 개발 가능성을 강조한다.

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