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.

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