뇌질환 진단을 위한 도메인 일반화·설명가능 추론 연구

Domain Generalization and Explainable Reasoning for Brain Disorder Diagnosis

연구 내용

다기관 분포 차이와 라벨 편향을 고려한 도메인 일반화 네트워크를 설계하고, 반사실 맵과 규범 모델링으로 정상성 편차를 설명 가능하게 제시하며, 강화와 학습을 통합하는 프레임워크를 구축하는 연구

의료영상 모델이 학습·검증 분포 차이와 숨은 인과 단서를 충분히 반영하지 못하는 문제를 다룹니다. 도메인 일반화 관점에서 데이터·특징·모델·분석 단계의 접근을 정리하고, 다기관 rs-fMRI에서는 학습-to-learn 방식으로 사이트별 특징을 사이트-불변 표현으로 보정하여 미세조정 없이도 예측을 수행합니다. 또한 반사실 맵을 생성해 시각 설명을 제공하고, 설명을 근거로 주의 기반 특징 정제를 반복 적용하는 learn-explain-reinforce 구조를 사용합니다. 규범 모델링 기반으로는 정상성 정의와 설명성을 함께 강화하고, 정상성-결정 서브영역과 연결 기반 이상 점수를 통해 비지도 설정의 해석을 제공합니다.

관련 프로젝트

8건

연구 흐름

2022년에는 알츠하이머 진단에서 시각 설명과 진단 학습을 결합하기 위해 반사실 맵을 생성하고 이를 강화 모듈에 가이드로 사용하는 방향으로 연구를 수행했습니다. 2023년에는 다기관 문제를 site-invariant 관점에서 다루기 위해 미세조정 없이도 작동하는 사이트 불변 특징 보정 프레임워크를 제안했습니다. 이후 방법론적 배경을 체계화하기 위해 도메인 일반화의 전체 스펙트럼을 의료영상 워크플로 관점에서 정리했습니다. 2025년에는 비지도 규범 모델링을 rs-fMRI에 적용하면서 정상성 구성의 안정화와 ND 서브영역 기반 설명 생성을 함께 구현하는 BRAINEXA로 확장했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

다기관 의료영상 진단 모델의 일반화 개선
정상성 편차 기반 비지도 진단
반사실 기반 설명 가능한 의료 AI
사이트 불변 rs-fMRI 바이오마커 추출
질환 관련 정상 서브영역 분해
연결성 수준 설명 가능한 이상 탐지
설명-가이드형 학습 파이프라인
임상 데이터 분포 이동 대응 프레임
의사결정 보조용 설명 단서 제공
환자 하위군 일반화 성능 강화