고령층에서 파킨슨병(Parkinson’s disease, PD)의 발생률이 높아, PD 진행 경과를 신뢰성 있게 예측할 필요가 있다. PD는 흔한 비운동성 증상인 우울증과 연관될 수 있다. 우울증은 환자의 삶의 질과 간병인 부담에 유의미한 영향을 미치는데도 파킨슨병(PD)에서 종종 과소진단된다. 조기 발견과 예측 요인의 식별은 적절한 시기 개입에 필수적이다. 본 연구는 인구통계학적, 운동성 및 비운동성 특징을 포함하는 다중모달 시계열 데이터를 활용하는 새로운 멀티태스크 하이브리드 딥러닝 프레임워크를 제안하며, 이를 통해 PD 환자에서 우울 증상의 탐지 및 이해를 향상시키고자 한다. 이 세 가지 양상은 초기 융합되며, 그 결과로 얻어진 특징 집합의 관련 특징은 딥 변분 오토인코더(deep variational autoencoder) 모델을 통해 추출된다. 신경퇴행성 질환의 진단에서 MRI 데이터가 중요하므로, 3D CNN 모듈을 사용하여 MRI 영상으로부터 심층 특징을 학습하고, 이러한 심층 표현을 변분 오토인코더에서 추출된 특징과 후기 융합(late fusion)하였다. 추출된 심층 표현은 새로운 양방향 LSTM(Bidirectional LSTM) 모델을 기반으로 한 멀티태스크 분류기를 구축하는 데 사용되었다. 본 모델은 (1) 파킨슨병의 중증도를 정의하는 4개 등급의 NHY 척도, (2) 환자가 우울한지 여부를 결정하는 이진 분류, (3) 우울의 수준을 나타내는 4개 등급의 우울 척도라는 세 가지 과제를 예측하도록 최적화되었다. 제안된 모델은 다양한 시점(time step)에 대해 단일태스크 및 멀티태스크 문제로 평가되었다. NHY 예측 과제에서 2-시점(time step)을 사용한 경우, 본 모델은 교차검증 및 테스트 정확도에서 각각 최대 96.78%와 94.37%를 달성하였다. 멀티태스크 모델은 2-시점, 4-시점, 6-시점에서 각각 테스트 정확도가 86.29%, 87.12%, 95.81%로 꾸준히 증가하였다. 제안된 모델은 Parkinson’s Progression Markers Initiative(PPMI) 데이터셋의 6-시점에 걸친 1059명의 PD 환자와 단일-시점의 850개 MRI 영상을 조사하였다.

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