목적: 경도인지장애(mild cognitive impairment, MCI) 환자가 치매로 진행하는 시점을 정확히 예측하는 일은 매우 도전적인 과제이다. 본 연구의 목적은 MCI 환자에서 개인 수준의 장기 추적에 따른 향후 인지 저하와 자기공명영상(magnetic resonance imaging, MRI) 지표의 변화를 정확하게 예측할 수 있는 예측형 딥러닝 모델을 개발하는 것이다. 방법: 삼성의료원에서 인지검사, 뇌 MRI 검사, 아밀로이드-β(amyloid-β, Aβ) 양전자방출단층촬영(positron emission tomography, PET) 검사를 시행한 657명의 기억상실형 MCI 환자를 모집하였다. 본 연구에서는 순환 신경망(recurrent neural network, RNN)에서 주의(attention) 메커니즘을 활용하는 새로운 딥러닝 아키텍처를 설계하였다. 연령, 성별, 교육 수준, 아포지단백 E(apolipoprotein E) 유전자형, 신경심리검사 점수, 뇌 MRI 및 아밀로이드 PET의 특징을 입력으로 하여 예측 모델을 학습하였다. 제안된 네트워크를 사용하여 MCI 대상자의 인지 결과와 MRI 특징을 예측하였다. 결과: 제안된 예측 모델은 5-겹 교차검증에서 양호한 예측 성능(AUC = 0.814 ± 0.035)을 보였으며, 시간 경과에 따른 인지 저하 및 MRI 지표에 대해서도 신뢰할 만한 예측력을 나타냈다. Aβ(+) 환자에서는 Aβ(-) 환자에 비해 더 빠른 인지 저하와 더 큰 영역에서의 뇌 위축이 예측되었다. 결론: 본 방법은 특정 기간 내 개인의 질병 진행을 예측하는 데 효과적이고 정확한 수단을 제공한다. 이 모델은 MCI 환자에서 시간 경과에 따른 향후 인지 저하 및 MRI 지표 변화를 예측함으로써, 빠른 인지 저하 위험이 더 높은 대상자를 임상의가 식별하는 데 도움을 줄 수 있다. 향후 연구에서는 임상 의사결정의 질 향상을 위해 제안된 예측 모델을 추가로 검증하고 정교화해야 한다.

휴식상태 기능적 자기공명영상(resting-state functional magnetic resonance imaging, rs-fMRI)에 기반한 딥러닝 모델은 뇌 질환, 특히 자폐 스펙트럼 장애(autism spectrum disorder, ASD)를 진단하는 데 널리 활용되어 왔다. 기존 연구들은 rs-fMRI의 기능적 연결성(functional connectivity, FC)을 활용하여 주목할 만한 분류 성능을 달성해 왔다. 그러나 이들 연구에는 중대한 한계가 있는데, (1) 선형 저차 FC를 입력으로 모델에 사용하는 과정에서 충분한 정보가 반영되지 않는 점, (2) ASD 환자들 사이에서 개별 특성(즉, 서로 다른 증상 또는 중증도의 단계 차이)을 고려하지 않는 점, 그리고 (3) 의사결정 과정이 설명 가능하지 않다는 점이 포함된다. 이러한 한계를 보완하기 위해, 우리는 설명가능 인공지능 기법을 활용하여 뇌 영역들 간의 비선형 고차 기능적 연관성을 식별하고, 뇌 질환 식별을 위한 범주 구분에 유리한(class-discriminative) 영역을 선택하는 새로운 설명가능성 유도 영역(region of interest, ROI) 선택(explainability-guided region of interest selection, EAG-RS) 프레임워크를 제안한다. 제안된 프레임워크는 세 단계로 구성된다: (i) 랜덤 시드 기반 네트워크 마스킹을 통해 비선형 관계를 추정하기 위한 영역 간 관계 학습, (ii) 기능적 연결들 사이의 고차 관계를 탐색하기 위한 설명가능한 연결 단위 관련성 점수(explainable connection-wise relevance score) 추정, 그리고 (iii) 비선형 고차 FC를 기반으로 진단에 유익한 ROI를 선택하고 분류기를 학습하여 ASD를 식별한다. 우리는 Autism Brain Imaging Database Exchange(ABIDE) 데이터셋을 사용한 실험을 수행하여 제안 방법의 효과를 검증했으며, 다양한 평가 지표 측면에서 제안 방법이 다른 비교 방법들보다 우수함을 확인하였다. 또한 선택된 ROI를 질적으로 분석하고, 기존 신경과학 연구와 연관된 ASD 아형을 확인하였다.

휴지기 기능적 자기공명영상(resting-state functional magnetic resonance imaging, rs-fMRI)에 기반한 딥러닝 모델은 뇌 질환, 특히 자폐스펙트럼장애(autism spectrum disorder, ASD) 진단에 널리 사용되어 왔다. 기존 연구들은 rs-fMRI의 기능적 연결성(functional connectivity, FC)을 활용하여 주목할 만한 분류 성능을 달성해 왔다. 그러나 이들 연구에는 입력으로 사용되는 선형의 저차 FC만으로는 모델에 충분한 정보가 제공되지 않는 점, ASD 환자 간 서로 다른 증상 또는 중증도 단계와 같은 개별 특성을 고려하지 못하는 점, 그리고 의사결정 과정의 비설명가능성이라는 중대한 한계가 있다. 이러한 한계를 보완하기 위해, 우리는 설명가능한 인공지능 기법을 활용하여 뇌 영역들 간의 비선형 고차 기능적 연관성을 식별하고, 뇌 질환의 병(病) 식별을 위한 범주(클래스) 구별적 영역을 선택하는 새로운 설명가능성-유도 영역(region of interest, ROI) 선택(explainability-guided region of interest selection, EAG-RS) 프레임워크를 제안한다. 제안된 프레임워크는 세 단계로 구성된다. (i) 랜덤 시드 기반 네트워크 마스킹을 통해 비선형 관계를 추정하기 위한 대(間) 영역 관계 학습, (ii) 기능적 연결 간의 고차 관계를 탐색하기 위한 설명가능한 연결 단위 관련성 점수 추정, (iii) 비선형 고차 FC에 기반한 진단-정보성 ROI 선택 및 분류기 학습을 통해 ASD를 식별하는 단계이다. 우리는 Autism Brain Imaging Database Exchange(ABIDE) 데이터셋을 사용한 실험을 수행하여, 제안 방법이 다양한 평가 지표에서 다른 비교 방법들보다 우수함을 입증했다. 또한 선택된 ROI를 질적으로 분석하고, 이전 신경과학 연구와 연관된 ASD 아형을 확인하였다.

목적: 경도인지장애(mild cognitive impairment, MCI) 환자가 치매로 진행하는 시점을 정확히 예측하는 일은 매우 도전적인 과제이다. 본 연구의 목적은 MCI 환자에서 개인 수준의 장기 추적에 따른 향후 인지 저하와 자기공명영상(magnetic resonance imaging, MRI) 지표의 변화를 정확하게 예측할 수 있는 예측형 딥러닝 모델을 개발하는 것이다. 방법: 삼성의료원에서 인지검사, 뇌 MRI 검사, 아밀로이드-β(amyloid-β, Aβ) 양전자방출단층촬영(positron emission tomography, PET) 검사를 시행한 657명의 기억상실형 MCI 환자를 모집하였다. 본 연구에서는 순환 신경망(recurrent neural network, RNN)에서 주의(attention) 메커니즘을 활용하는 새로운 딥러닝 아키텍처를 설계하였다. 연령, 성별, 교육 수준, 아포지단백 E(apolipoprotein E) 유전자형, 신경심리검사 점수, 뇌 MRI 및 아밀로이드 PET의 특징을 입력으로 하여 예측 모델을 학습하였다. 제안된 네트워크를 사용하여 MCI 대상자의 인지 결과와 MRI 특징을 예측하였다. 결과: 제안된 예측 모델은 5-겹 교차검증에서 양호한 예측 성능(AUC = 0.814 ± 0.035)을 보였으며, 시간 경과에 따른 인지 저하 및 MRI 지표에 대해서도 신뢰할 만한 예측력을 나타냈다. Aβ(+) 환자에서는 Aβ(-) 환자에 비해 더 빠른 인지 저하와 더 큰 영역에서의 뇌 위축이 예측되었다. 결론: 본 방법은 특정 기간 내 개인의 질병 진행을 예측하는 데 효과적이고 정확한 수단을 제공한다. 이 모델은 MCI 환자에서 시간 경과에 따른 향후 인지 저하 및 MRI 지표 변화를 예측함으로써, 빠른 인지 저하 위험이 더 높은 대상자를 임상의가 식별하는 데 도움을 줄 수 있다. 향후 연구에서는 임상 의사결정의 질 향상을 위해 제안된 예측 모델을 추가로 검증하고 정교화해야 한다.

휴식상태 기능적 자기공명영상(resting-state functional magnetic resonance imaging, rs-fMRI)에 기반한 딥러닝 모델은 뇌 질환, 특히 자폐 스펙트럼 장애(autism spectrum disorder, ASD)를 진단하는 데 널리 활용되어 왔다. 기존 연구들은 rs-fMRI의 기능적 연결성(functional connectivity, FC)을 활용하여 주목할 만한 분류 성능을 달성해 왔다. 그러나 이들 연구에는 중대한 한계가 있는데, (1) 선형 저차 FC를 입력으로 모델에 사용하는 과정에서 충분한 정보가 반영되지 않는 점, (2) ASD 환자들 사이에서 개별 특성(즉, 서로 다른 증상 또는 중증도의 단계 차이)을 고려하지 않는 점, 그리고 (3) 의사결정 과정이 설명 가능하지 않다는 점이 포함된다. 이러한 한계를 보완하기 위해, 우리는 설명가능 인공지능 기법을 활용하여 뇌 영역들 간의 비선형 고차 기능적 연관성을 식별하고, 뇌 질환 식별을 위한 범주 구분에 유리한(class-discriminative) 영역을 선택하는 새로운 설명가능성 유도 영역(region of interest, ROI) 선택(explainability-guided region of interest selection, EAG-RS) 프레임워크를 제안한다. 제안된 프레임워크는 세 단계로 구성된다: (i) 랜덤 시드 기반 네트워크 마스킹을 통해 비선형 관계를 추정하기 위한 영역 간 관계 학습, (ii) 기능적 연결들 사이의 고차 관계를 탐색하기 위한 설명가능한 연결 단위 관련성 점수(explainable connection-wise relevance score) 추정, 그리고 (iii) 비선형 고차 FC를 기반으로 진단에 유익한 ROI를 선택하고 분류기를 학습하여 ASD를 식별한다. 우리는 Autism Brain Imaging Database Exchange(ABIDE) 데이터셋을 사용한 실험을 수행하여 제안 방법의 효과를 검증했으며, 다양한 평가 지표 측면에서 제안 방법이 다른 비교 방법들보다 우수함을 확인하였다. 또한 선택된 ROI를 질적으로 분석하고, 기존 신경과학 연구와 연관된 ASD 아형을 확인하였다.

휴지기 기능적 자기공명영상(resting-state functional magnetic resonance imaging, rs-fMRI)에 기반한 딥러닝 모델은 뇌 질환, 특히 자폐스펙트럼장애(autism spectrum disorder, ASD) 진단에 널리 사용되어 왔다. 기존 연구들은 rs-fMRI의 기능적 연결성(functional connectivity, FC)을 활용하여 주목할 만한 분류 성능을 달성해 왔다. 그러나 이들 연구에는 입력으로 사용되는 선형의 저차 FC만으로는 모델에 충분한 정보가 제공되지 않는 점, ASD 환자 간 서로 다른 증상 또는 중증도 단계와 같은 개별 특성을 고려하지 못하는 점, 그리고 의사결정 과정의 비설명가능성이라는 중대한 한계가 있다. 이러한 한계를 보완하기 위해, 우리는 설명가능한 인공지능 기법을 활용하여 뇌 영역들 간의 비선형 고차 기능적 연관성을 식별하고, 뇌 질환의 병(病) 식별을 위한 범주(클래스) 구별적 영역을 선택하는 새로운 설명가능성-유도 영역(region of interest, ROI) 선택(explainability-guided region of interest selection, EAG-RS) 프레임워크를 제안한다. 제안된 프레임워크는 세 단계로 구성된다. (i) 랜덤 시드 기반 네트워크 마스킹을 통해 비선형 관계를 추정하기 위한 대(間) 영역 관계 학습, (ii) 기능적 연결 간의 고차 관계를 탐색하기 위한 설명가능한 연결 단위 관련성 점수 추정, (iii) 비선형 고차 FC에 기반한 진단-정보성 ROI 선택 및 분류기 학습을 통해 ASD를 식별하는 단계이다. 우리는 Autism Brain Imaging Database Exchange(ABIDE) 데이터셋을 사용한 실험을 수행하여, 제안 방법이 다양한 평가 지표에서 다른 비교 방법들보다 우수함을 입증했다. 또한 선택된 ROI를 질적으로 분석하고, 이전 신경과학 연구와 연관된 ASD 아형을 확인하였다.

알츠하이머병(AD)은 치매의 주요 원인 중 하나로 알려져 있으며, 수년에 걸친 느린 진행 양상을 보이지만 치료법이나 사용 가능한 약물이 없다. 이러한 배경에서 알츠하이머병이 발병하는 가장 초기 시점에서의 발병 위험을 규명하려는 노력들이 있어 왔다. 이전의 많은 연구들이 단면적 분석을 고려한 반면, 최근의 연구들은 질병 진행 모델링을 위한 종단 또는 시계열 자료를 사용하여 알츠하이머병의 진단과 예후를 다루는 데 초점을 맞추고 있다. 동일한 문제 설정 하에서, 본 연구는 MRI 바이오마커의 표현형 측정치와 임상 상태의 경로를 여러 미래 시점에서 인지 점수와 함께 예측할 수 있는 새로운 계산 프레임워크를 제안한다. 그러나 시계열 자료를 다룰 때에는 일반적으로 예기치 않은 결측 관측이 다수 발생한다. 이러한 불리한 상황에 대응하여, 결측된 값들을 추정하는 2차 문제를 정의하고, 시계열 자료에 내재된 시간적 및 다변량 관계를 고려함으로써 이를 체계적으로 해결한다. 구체적으로, 본 연구는 (i) 결측 값 대치, (ii) 표현형 측정치 예측, (iii) 인지 점수의 경로 추정, (iv) 피험자의 종단 영상 바이오마커를 기반으로 한 임상 상태 예측의 네 가지 문제를 공동으로 다루는 딥 순환 네트워크를 제안한다. 특히, 예측 모델의 모든 모듈에 속한 학습 가능 매개변수는 입력으로 형태학적 특징과 인지 점수를 사용하고, 세심하게 정의한 손실 함수에 의해 종단(end-to-end) 방식으로 함께 학습된다. The Alzheimers Disease Prediction Of Longitudinal Evolution(TADPOLE) 챌린지 코호트에 대한 실험에서, 우리는 다양한 지표에 대한 성능을 측정하고 문헌에서의 경쟁 방법들과 비교하였다. 또한 방법의 효과를 보다 잘 확인하기 위해 철저한 분석과 절제(ablation) 연구도 수행하였다.

알츠하이머병(AD) 예측을 위한 딥러닝(DL)은 질병 진행에 대한 적시의 개입을 가능하게 했지만, DL 모델이 최종 결정을 내리는 방식을 설명하기 위해서는 여전히 면밀한 해석 가능성이 요구된다. 반사실적 추론(counterfactual reasoning)은 최근 의학 연구에서, 보다 정교한 시각적 설명 지도를 제공할 수 있다는 점에서 주목을 받고 있다. 그러나 시각적 관찰만에 근거한 이러한 시각적 설명 지도는, 정량적 특징을 통해 의료 또는 신경과학적 타당성을 직관적으로 입증하지 못한다면 충분하지 않다. 본 연구에서는 제안한 프레임워크를 사용하여 반사실적 라벨이 부여된 구조적 MRI를 합성하고, 이를 회색질 밀도(gray matter density) 지도에 변환하여 관심 영역(ROI)을 분할한 구역에서의 체적 변화를 측정하였다. 또한 구성된 ROI의 효율을 향상시키고 정량적 해석을 촉진하기 위해 경량 선형 분류기를 설계하였으며, DL 방법과 비교 가능한 예측 성능을 달성하였다. 전 과정에서 본 프레임워크는 각 ROI에 대해 “AD 관련성 지수(AD-relatedness index)”를 산출한다. 이는 AD 진행에 관하여 개별 환자와 환자 집단 전반의 뇌 상태를 직관적으로 이해할 수 있게 해준다.

뇌 연령 변환(Brain age transformation)은 기준 뇌 영상(reference brain images)을 합성 영상으로 변환하여 특정 연령 집단의 연령 특이적 특징을 정확히 반영하는 이미지를 생성하는 것을 목표로 한다. 이 과제의 주요 목적은 기준 영상의 모든 연령 비관련 특성은 그대로 보존한 채 연령과 관련된 속성만을 수정하는 것이다. 그러나 이러한 목표를 달성하는 데에는, 백본 인코더에서 추출된 특징(feature) 안에 다양한 영상 속성이 내재적으로 얽혀(entangled) 있기 때문에, 영상 생성 과정에서 동시에 변화가 일어나는 문제가 수반되어 상당한 어려움이 따른다. 이를 해결하기 위해 본 연구에서는 정체성 보존(identity-preserved) 뇌 연령 변환을 위한 분리 표현 학습(disentangled representation learning)을 활용하는 새로운 아키텍처인 IdenBAT를 제안한다. 이 접근은 영상 특징을 분해(decomposition)할 수 있게 하여, 개인의 고유한 특성을 보존하는 한편 연령과 관련된 특성은 표적 연령 집단의 특성에 맞도록 선택적으로 변환한다. 2D 및 전 크기(full-size) 3D 뇌 데이터셋 모두에서 수행한 종합적인 실험을 통해, 본 방법은 입력 영상을 표적 연령으로 정확히 변환하면서도 개인의 특성을 올바르게 유지하는 데 효과적으로 작동함을 보여준다. 또한 본 접근은 성능 충실도(performance fidelity) 측면에서 기존의 최신 기술 대비 우수함을 입증한다.

알츠하이머병(AD)은 점진적이며 비가역적인 치매로 이어지는 치명적인 신경퇴행성 질환이므로, 시간에 따른 진행 양상을 예측하는 일은 임상 진단 및 치료에서 매우 중요하다. 이를 위해 다수의 연구에서는 구조적 자기공명영상(MRI)을 활용하여 AD 진행을 모형화하였으며, 세 가지 핵심 측면에 초점을 맞추어 왔다: 1) 시간적 변동성; 2) 불완전한 관측; 그리고 3) 시간에 따른 기하학적 특성이다. 그러나 데이터의 변동성과 희소성을 다루는 많은 초기 딥러닝 기반 접근법들은 고유한 기하학적 특성을 아직 충분히 고려하지 못하고 있다. 이러한 특성은 뇌 영역의 크기, 두께, 체적 및 형상과 AD 진행에서의 연관성 때문에 모형화에 필수적이다. 최근에는 리만 공간에서 순환신경망(RNN)과 ODE를 결합함으로써 시계열 데이터를 모형화하는 유망한 전략으로, 미분방정식 기반 기하학적 모델링 방법(ODE-RGRU)이 등장하였다. 그 성과에도 불구하고, ODE-RGRU는 불완전한 샘플로부터 양의 정부호 대칭 행렬을 외삽할 때 한계를 겪으며, 이로 인해 특히 임상적 측면에서 문제가 두드러지는 특징 역출현(feature reverse occurrences)이 발생한다. 따라서 본 연구는 위상공간 이동(topological space shift), ODE-RGRU, 궤적 추정(trajectory estimation)이라는 세 가지 모듈을 결합하여 종단(longitudinal) MRI 바이오마커와 인지 점수를 모형화하는 새로운 기하학 기반 학습 접근법을 제안한다. 또한 측정 전이의 비가역성을 반영하기 위해, 단조성 제약과 함께 다양체 매핑(manifold mapping)을 통합하는 훈련 알고리즘도 개발하였다. 본 방법의 효능은 규칙적 및 불규칙적 설정에서 시간에 따른 임상적 라벨과 인지 점수를 예측함으로써 검증하였다. 더 나아가, 제안한 프레임워크를 배제(ablation) 연구를 통해 면밀하게 분석하였다.