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