치료하지 않을 경우 알츠하이머병(AD)은 서서히 진행하는 치매의 주요 원인이다. 따라서 AD의 진행을 막기 위해서는 이를 조기에 검출하는 것이 매우 중요하다. 본 연구에서는 환자의 인구통계학적 정보와 자기공명영상(MRI) 바이오마커를 포함한 종단(longitudinal) 데이터를 활용하여 여러 시점에서의 임상 진단과 표현형(phenotypic) 측정치를 예측하는, 양방향 진행형 순환 네트워크 기반의 결측치 보정(BiPro) 방법을 제안한다. 종단 데이터에서 관측치가 누락된 경우를 보완하기 위해, 시계열 데이터에 내재된 평균 및 전방(forward) 관계와 관련된 시간적 관계 및 다변량 관계를 모두 점검하도록 결측치 보정 모듈을 사용한다. 보정된 정보를 인코딩하기 위해, 음의 지수 함수(negative exponential function)를 통해 주어진 시점과 기준선(baseline) 사이에서 각 바이오마커의 진행(progress) 점수를 계산하는 진행형(progressive) 모듈을 사용하여 장단기 메모리(LSTM) 셀을 수정한 형태를 정의한다. 이러한 특징은 예측 과제에 활용된다. 제안된 시스템은 누락 값을 보정하고(1), 표현형 측정치를 예측하며(2), 종단 데이터를 기반으로 환자의 임상 상태를 예측하는(3) 등 여러 작업을 동시에 수행할 수 있는 종단형(end-to-end) 딥 순환 네트워크이다. 우리는 The Alzheimer's Disease Prediction of Longitudinal Evolution(TADPOLE) 챌린지 코호트의 1,335명의 참가자를 대상으로 실험하였다. 제안된 방법은 환자의 임상 상태를 예측하는 데 있어 평균 수신자판별특성 곡선 하 면적(mAUC) 78%, MRI 바이오마커를 예측하는 데 있어 평균 절대오차(MAE) 3.5ml, 결측치 보정에 있어 MAE 6.9ml를 달성하였다. 이러한 결과는 제안된 모델이 기존의 널리 사용되는 접근법을 능가하며, 알츠하이머병의 진행을 최소화하는 데 활용될 수 있음을 확인한다.

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