최근 그래프 신경망의 발전을 활용하여, 본 연구는 상관 기반 인구 그래프(correlation-based population graph) 내에서 그래프 합성곱 신경망(Graph Convolutional Networks, GCNs)을 적용하는 방법을 제안함으로써 알츠하이머병(AD) 예후를 향상시키고 AD 진행의 복잡성을 조명하고자 한다. 이러한 방법론은 인구통계 및 신경영상 데이터의 내재적 구조와 상관관계를 활용하여 베타-아밀로이드(amyloid-beta, Aβ) 양성(positivity)을 예측한다. 본 접근법을 검증하기 위해, 기존의 기계학습 모델과 무작위로 간선을 할당한 GCN 모델을 포함하여 광범위한 성능 비교를 수행하였다. 그 결과, 알츠하이머병 신경영상 이니셔티브(Alzheimer's Disease Neuroimaging Initiative, ADNI) 데이터셋에서 서로 다른 표본 집단 전반에 걸쳐 상관 기반 GCN 모델이 일관되게 우수한 성능을 보이는 것으로 나타났으며, 이는 효과적인 패턴 인식과 정확한 예측을 위해 인구 그래프에서 상관 구조를 정확히 반영하는 것이 중요함을 시사한다. 또한, GNNExplainer를 사용하여 모델의 의사결정 과정을 탐색한 결과, 서로 다른 집단에서 Aβ 양성을 시사하는 고유한 바이오마커 세트가 확인되어 AD 진행의 이질성을 밝혀주었다. 본 연구는 제안된 접근법이 보다 정교한 AD 예후 평가에 대한 가능성을 지니며, 잠재적으로 보다 개인화되고 정밀한 치료 전략을 알리는 데 기여할 수 있음을 강조한다. 향후 연구는 다양한 데이터 소스를 통합하고 종단 데이터를 활용하며, 모델의 해석가능성을 개선함으로써 이러한 결과를 확장할 수 있으며, 이는 다른 복합 질환에도 광범위하게 적용될 수 있다.

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