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.

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