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.

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