신보조 화학방사선치료(nCRT) 후 자기공명영상(MRI)에 대한 평가는 직장암 병기 설정과 치료 계획 수립에 필수적이다. 그러나 직장암 환자에서 nCRT 이후 병리학적 완전 반응(pCR)을 예측할 때, 기존 연구들은 방사믹스 특징에 기반한 단순 정량 평가 또는 다중-매개변수 MRI를 부분적으로 분석하는 방식에 주로 의존해 왔다. 우리는 새로운 다중-매개변수 MRI 임베딩을 기반으로 하는 효과적인 pCR 예측 방법을 제안한다. 먼저, 여러 MRI 시퀀스를 함께 분석할 때에만 확인할 수 있는 종양의 체적 특징을 추출하고자 한다. 구체적으로, 다수의 MRI 시퀀스를 다중-시퀀스 융합 영상(MSFI)으로 캡슐화하고 MSFI 임베딩을 생성한다. 종양의 중요한 특성을 포착하는 방사믹스 특징을 MSFI 임베딩과 결합하여 다중-매개변수 MRI 임베딩을 만들고, 이를 무작위 포레스트 분류기를 사용해 pCR을 예측하는 데 활용한다. 광범위한 실험 결과, 차원 축소 방법과 무관하게 주어진 모든 MRI 시퀀스를 사용하는 것이 가장 효과적임을 확인하였다. 제안된 방법은 서로 다른 특징 벡터 조합과 차원 축소 방법 또는 다른 분류 모델을 사용하는 모든 변형들보다 우수하였다. 비교 실험에서 제안된 방법은 AUC와 F1-score 측면에서 네 가지 경쟁적 기준 모델들보다 우수함을 보였다. 우리는 직장암 환자 912명의 MRI 시퀀스를 사용하였으며, 이는 기존 연구들 가운데 가장 큰 표본 규모이다.

k-최근접 이웃(k-nearest neighbor, k-NN) 검색은 주어진 데이터셋에서 질의 점에 가장 가까운 k개의 점을 찾는 것을 목표로 한다. k-NN 검색은 다양한 응용 분야에서 중요하지만, 고차원 대규모 데이터셋에서는 그 계산 비용이 극도로 커진다. 이러한 성능 문제를 해결하기 위해, 점들 사이의 상대적 거리 관계를 보존하면서 확률적 차원 축소를 수행하는 방법으로 로컬리티 민감 해싱(locality-sensitive hashing, LSH)이 제안되어 왔다. 그러나 기존 LSH 기법들의 성능은 여전히 일관적이지 않아, 일부 데이터셋에서는 탐색 시간이 크게 증가하는 반면 k-NN 근사 정확도는 낮은 경우가 있다. 본 논문에서는 k-NN 검색의 성능을 향상시키고, 다양한 데이터셋에서 잘 동작하는 일관된 k-NN 검색을 달성하는 데 초점을 맞춘다. 이를 위해 Signature Selection LSH(S2LSH)라 불리는 새로운 LSH 기법을 제안한다. 먼저, 서로 다른 크기와 모양의 시그니처 영역(signature regions)들을 포함하는, 높은 다양성을 갖는 시그니처 풀을 생성한다. 다음으로 주어진 질의 점에 대해 해당 질의의 시그니처 영역을 순위화하고, 높은 순위의 시그니처 영역에 포함된 점들을 질의의 k-NN 후보로 선택한다. 광범위한 실험 결과, 본 접근법은 최첨단 LSH 기법들에 비해 일관되게 더 우수한 성능을 보이는 것으로 나타났다.