전 세계적으로 인구가 고령화됨에 따라, 알츠하이머병(Alzheimer's disease, AD)의 초기 단계에서의 정확한 컴퓨터 보조 진단은 최근 신경퇴행성 돌봄을 위한 핵심 단계로 간주되어 왔다. 신경영상 데이터로부터 저수준 특징을 추출하기 때문에, 기존의 방법들은 잠재적인 특징 단위 관계를 무시한 분류 문제로서 이러한 컴퓨터 보조 진단을 바라보았다. 그러나 현재의 신경과학 관점에서 사람의 뇌는 여러 뇌 영역이 해부학적 및 기능적으로 상호 연계되어 있음이 알려져 있다. 따라서 서로 다른 뇌 영역에서 추출된 특징들은 어느 정도 상호 관련되어 있다고 가정하는 것이 타당하다. 또한, 서로 다른 신경영상 양식(modality) 간의 상보적 정보는 다중양식 융합(multimodal fusion)에 이점을 제공할 수 있다. 이를 위해 본 논문에서는 특징 수준과 양식 수준에서의 결합된 상호작용을 활용하여 진단을 수행하는 방안을 고려하였다. 먼저 결합된 특징 표현(coupled feature representation)을 통해 특징 수준에서의 결합 상호작용을 포착하는 방법을 제안한다. 다음으로 양식 수준에서의 결합 상호작용을 모델링하기 위해 두 가지의 새로운 방법을 제시한다: 1) 결합 부스팅(coupled boosting, CB)으로, 서로 다른 양식 간에서 일치하지 않게 그리고 부정확하게 분류된 샘플들에 대한 쌍별 결합-다양성(pairwise coupled-diversity)의 상관관계를 모델링하며, 2) 결합 메트릭 앙상블(coupled metric ensemble, CME)로서, 훈련 샘플의 내관계(intra-relation)와 간관계(inter-relation)를 통합하여 서로 다른 양식으로부터 유익한 특징 투영(feature projection)을 학습한다. 우리는 AD 신경영상 이니셔티브(AD neuroimaging initiative) 데이터 세트로 본 방법들을 체계적으로 평가하였다. AD/경도인지장애(mild cognitive impairment, MCI) 진단을 위해 특별히 개발된 기존의 학습 기반 기준 방법들과 최신 기법들과 비교했을 때, 본 방법들은 AD/NC(정상 대조군)에서 정확도 95.0% 및 80.7%(CB), 94.9% 및 79.9%(CME), 그리고 MCI/NC 식별에서 각각 최상의 성능을 달성하였다.

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