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.

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