최근 수년간 딥러닝 방법은 뇌전도(electroencephalography, EEG) 데이터로부터 유용하고 구별력 있는 특징을 추출하는 데 유망한 능력을 보여왔다. 그러나 몇몇 연구에서는 특징 선택(feature selection)과 특징 추출(feature extraction)을 순차적으로 수행하는 과정이 추가적인 성능 향상을 달성하는 데 유익할 수 있다고 보고하였다. 최근의 한 연구에서는 시간적(temporal) 도메인에서 과업 관련 특징을 선택하기 위해 단일 에이전트 강화학습(reinforcement learning, RL) 기반 프레임워크를 사용하여 유망한 결과를 얻었음에도 불구하고, 공간–스펙트럼(spatial–spectral) 도메인의 다른 중요한 특징들은 여전히 고려하지 못하였다. 이러한 한계를 극복하기 위해, 우리는 운동 표상(motor imagery, MI)-EEG 분류 과업을 대상으로 공간–스펙트럼 및 시간 두 도메인에서 동시에 특징 선택을 수행하는 협력적 다중에이전트 강화학습 기반 프레임워크(MARS)를 제안한다. 이 프레임워크에서, 우리는 RL 에이전트들이 팀으로서 서로 협력하여 복잡한 다목적 특징 선택 문제를 해결하도록 한다. 또한, 다중에이전트 경우의 신용 할당(credit assignment) 문제와 연관된 무임승차자(free-rider) 문제를 극복하기 위해 대안적 반사실(반사실적) 이점 함수(counterfactual advantage function)를 채택한다. MARS 프레임워크를 평가하기 위해, 우리는 주체 의존(subject-dependent) 및 주체 비의존(subject-independent) 시나리오에서 두 개의 공개 MI 데이터셋에 대해 광범위한 실험을 수행하고, 서로 다른 백본 네트워크(backbone networks)에 MARS를 적용한다. 실험 결과는 우리의 MARS가 평균 정확도(mean accuracy) 측면에서 다른 경쟁 방법을 능가하며, 통계적으로 유의한 개선을 달성함을 보여준다.

주요우울장애(Major Depressive Disorder, MDD)는 전 세계적으로 수백만 명의 개인에게 영향을 미치며 의료 영역에 상당한 부담을 부과한다. 기능적 자기공명영상(Functional Magnetic Resonance Imaging, fMRI)은 MDD의 객관적 진단을 위한 유망한 도구로 부상하였으며, 이 장애와 연관된 뇌의 기능적 연결성(functional connectivity) 양상을 조사할 수 있게 해준다. 그러나 기존의 대부분의 방법은 단일 뇌 아틀라스에 초점을 두고 있어 기능적 뇌 네트워크의 복잡하고 다중-척도적인 특성을 포착하는 능력이 제한된다. 이러한 한계를 해결하기 위해, 우리는 통합된 프레임워크 내에서 초기 결합(early fusion)과 후기 결합(late fusion)을 모두 포함하는 새로운 다중 아틀라스 융합 방법을 제안한다. 우리의 방법은 개별 아틀라스 내의 아틀라스-내(intra-atlas) 관계와 서로 다른 뇌 분할 스케일을 갖는 아틀라스 간의 아틀라스-간(inter-regional) 관계를 모두 포착하는 전체론적 기능 연결성 네트워크(holistic Functional Connectivity Network, FCN) 개념을 도입한다. 이러한 포괄적 표현은 프레임워크의 초기 단계에서 MDD와 연관될 수 있는 잠재적 질병 관련 양상을 식별할 수 있게 한다. 또한, 여러 스펙트럼(spectral) 그래프 합성곱 신경망(Graph Convolutional Neural Networks)들을 통해 다양한 관점에서 전체론적 FCN을 디코딩하고, 그 결과를 의사결정 수준의 앙상블(decision-level ensembles)과 결합함으로써 MDD 진단 성능을 한층 향상시킨다. 우리의 접근법은 기존 모델 구조에 최소한의 수정만으로 쉽게 구현할 수 있으며, 서로 다른 기준(baseline) 모델 전반에서 견고한 성능을 보인다. 공개 휴지기(resting-state) fMRI 데이터셋에서 평가한 결과, 본 방법은 현재의 다중 아틀라스 융합 방법을 능가하여 MDD 진단의 정확도를 향상시킨다. 제안된 새로운 다중 아틀라스 융합 프레임워크는 보다 신뢰할 수 있는 MDD 진단 기법을 제공한다. 실험 결과, 본 접근법은 단일-아틀라스 및 다중-아틀라스 기반 방법 모두를 능가하며, MDD 진단을 발전시키는 데 있어 그 효과가 입증되었다.

최근 수년간 딥러닝 방법은 뇌전도(electroencephalography, EEG) 데이터로부터 유용하고 구별력 있는 특징을 추출하는 데 유망한 능력을 보여왔다. 그러나 몇몇 연구에서는 특징 선택(feature selection)과 특징 추출(feature extraction)을 순차적으로 수행하는 과정이 추가적인 성능 향상을 달성하는 데 유익할 수 있다고 보고하였다. 최근의 한 연구에서는 시간적(temporal) 도메인에서 과업 관련 특징을 선택하기 위해 단일 에이전트 강화학습(reinforcement learning, RL) 기반 프레임워크를 사용하여 유망한 결과를 얻었음에도 불구하고, 공간–스펙트럼(spatial–spectral) 도메인의 다른 중요한 특징들은 여전히 고려하지 못하였다. 이러한 한계를 극복하기 위해, 우리는 운동 표상(motor imagery, MI)-EEG 분류 과업을 대상으로 공간–스펙트럼 및 시간 두 도메인에서 동시에 특징 선택을 수행하는 협력적 다중에이전트 강화학습 기반 프레임워크(MARS)를 제안한다. 이 프레임워크에서, 우리는 RL 에이전트들이 팀으로서 서로 협력하여 복잡한 다목적 특징 선택 문제를 해결하도록 한다. 또한, 다중에이전트 경우의 신용 할당(credit assignment) 문제와 연관된 무임승차자(free-rider) 문제를 극복하기 위해 대안적 반사실(반사실적) 이점 함수(counterfactual advantage function)를 채택한다. MARS 프레임워크를 평가하기 위해, 우리는 주체 의존(subject-dependent) 및 주체 비의존(subject-independent) 시나리오에서 두 개의 공개 MI 데이터셋에 대해 광범위한 실험을 수행하고, 서로 다른 백본 네트워크(backbone networks)에 MARS를 적용한다. 실험 결과는 우리의 MARS가 평균 정확도(mean accuracy) 측면에서 다른 경쟁 방법을 능가하며, 통계적으로 유의한 개선을 달성함을 보여준다.

주요우울장애(Major Depressive Disorder, MDD)는 전 세계적으로 수백만 명의 개인에게 영향을 미치며 의료 영역에 상당한 부담을 부과한다. 기능적 자기공명영상(Functional Magnetic Resonance Imaging, fMRI)은 MDD의 객관적 진단을 위한 유망한 도구로 부상하였으며, 이 장애와 연관된 뇌의 기능적 연결성(functional connectivity) 양상을 조사할 수 있게 해준다. 그러나 기존의 대부분의 방법은 단일 뇌 아틀라스에 초점을 두고 있어 기능적 뇌 네트워크의 복잡하고 다중-척도적인 특성을 포착하는 능력이 제한된다. 이러한 한계를 해결하기 위해, 우리는 통합된 프레임워크 내에서 초기 결합(early fusion)과 후기 결합(late fusion)을 모두 포함하는 새로운 다중 아틀라스 융합 방법을 제안한다. 우리의 방법은 개별 아틀라스 내의 아틀라스-내(intra-atlas) 관계와 서로 다른 뇌 분할 스케일을 갖는 아틀라스 간의 아틀라스-간(inter-regional) 관계를 모두 포착하는 전체론적 기능 연결성 네트워크(holistic Functional Connectivity Network, FCN) 개념을 도입한다. 이러한 포괄적 표현은 프레임워크의 초기 단계에서 MDD와 연관될 수 있는 잠재적 질병 관련 양상을 식별할 수 있게 한다. 또한, 여러 스펙트럼(spectral) 그래프 합성곱 신경망(Graph Convolutional Neural Networks)들을 통해 다양한 관점에서 전체론적 FCN을 디코딩하고, 그 결과를 의사결정 수준의 앙상블(decision-level ensembles)과 결합함으로써 MDD 진단 성능을 한층 향상시킨다. 우리의 접근법은 기존 모델 구조에 최소한의 수정만으로 쉽게 구현할 수 있으며, 서로 다른 기준(baseline) 모델 전반에서 견고한 성능을 보인다. 공개 휴지기(resting-state) fMRI 데이터셋에서 평가한 결과, 본 방법은 현재의 다중 아틀라스 융합 방법을 능가하여 MDD 진단의 정확도를 향상시킨다. 제안된 새로운 다중 아틀라스 융합 프레임워크는 보다 신뢰할 수 있는 MDD 진단 기법을 제공한다. 실험 결과, 본 접근법은 단일-아틀라스 및 다중-아틀라스 기반 방법 모두를 능가하며, MDD 진단을 발전시키는 데 있어 그 효과가 입증되었다.

간질 발작은 심각한 건강 위험을 초래하며 간질 환자의 삶의 질에 유의미하게 영향을 미치므로, 정확하고 적시에 발작을 탐지하는 것이 중요함을 강조한다. 전기뇌검사(electroencephalography, EEG)에 기반한 발작 탐지의 발전에도 불구하고, 발작 클래스와 비발작 클래스 간의 클래스 불균형은 여전히 주요 과제로 남아 있으며, 이는 흔히 편향된 기계학습 모델을 초래하고 일반화 성능을 저하시킨다. 이를 해결하기 위해 본 연구에서는 동적 커리큘럼 학습(dynamic curriculum learning)을 바탕으로 한 샘플링 스케줄러(sampling scheduler) 접근법을 제안한다. 기존의 재표집(resampling) 기법과 달리, 우리의 방법은 학습 과정 중 발작 및 비발작 샘플 간 샘플링 비율을 점진적으로 조정함으로써, 불균형한 데이터로부터 모델이 효과적으로 학습할 수 있도록 한다. 어린이병원 보스턴(Children's Hospital Boston) 및 매사추세츠 공과대학교( Massachusetts Institute of Technology) 두피 EEG(스캘프 EEG, scalp EEG) 데이터셋(CHB-MIT)에 대한 실험 결과, 본 접근법은 균형 정확도(balanced accuracy), 특이도(specificity), ROC 곡선 하 면적(area under the curve, AUC), 그리고 기하평균(geometric mean)에서 기존 방법들보다 우수한 성능을 달성함을 보여준다. 이러한 결과는 샘플링 스케줄러가 클래스 불균형 문제를 해결하고 EEG 기반 발작 탐지의 성능을 향상시킬 잠재력이 있음을 시사한다.

단백질-단백질 결합 인터페이스를 예측하는 것은 생물학적 기전을 이해하고 새로운 치료 중재를 개발하는 데 필수적이지만, 계산적 복잡성과 라벨 불균형 문제로 인해 여전히 어려운 과제로 남아 있다. 이러한 한계를 해결하기 위해, 우리는 단백질 결합 인터페이스를 예측하기 위한 하이브리드 로컬-글로벌 그래프 신경망(Hybrid Local-Global Graph Neural Network, HLG-GNN) 프레임워크를 제안한다. 이 프레임워크는 메시지 패싱 신경망(message passing neural network, MPNN)과 상태 공간 모델(state space models, SSMs)을 통합하여 예측을 수행한다. 장거리 의존성을 효율적으로 처리하는 SSM을 포함함으로써, 단백질 구조 내에서의 전역 의존성과 국소 상호작용 패턴을 모두 포착한다. 또한 단백질 결합 인터페이스 예측에서 흔히 나타나는 라벨 불균형 문제를 해결하기 위해 앙상블 학습 기법을 활용한다. 우리의 모델은 기존의 MPNN을 능가하며, DIPS 도킹 벤치마크 데이터셋에서 AUC 0.967을 달성한다. 이러한 결과는 HLG-GNN 프레임워크를 통해 국소 및 전역 특징을 통합하는 것이 보다 정확한 단백질 결합 인터페이스 예측을 가능하게 함을 보여준다.

적응적 치료 전략(ATS)은 환자의 증상이 변화함에 따라 치료 결정을 동적으로 조정함으로써 개인화된 치료를 가능하게 하는 순차적 의사결정 과정이다. 강화학습(RL)은 ATS를 최적화하는 유망한 접근으로 여겨지지만, 전통적인 온라인의 시행착오 기반 학습 메커니즘은 환자에게 위해를 가할 위험 때문에 임상 환경에서는 허용되지 않는다. 오프라인 RL은 과거의 치료 데이터로부터만 정책을 학습함으로써 이러한 한계를 해결하지만, 임상 분야에 만연한 도전인 데이터 부족으로 인해 성능이 종종 제약된다. 이를 극복하기 위해 우리는 기존 치료 데이터로부터 임상적으로 타당한 치료 궤적을 생성하는 새로운 데이터 증강 프레임워크인 Treatment Stitching(TreatStitch)을 제안한다. 구체적으로, TreatStitch는 서로 다른 궤적들 사이에서 유사한 중간 환자 상태를 식별하고, 해당 상태들의 각 구간을 이어 붙인다. 중간 상태들이 직접적으로 이어 붙이기에는 너무 상이하더라도, TreatStitch는 Schrödinger bridge 방법을 활용하여 상이한 상태들을 연결하는 매끄럽고 에너지 효율적인 브리징 궤적을 생성한다. 이러한 합성 궤적을 원래 데이터셋에 증강함으로써, 오프라인 RL은 더 다양한 데이터셋으로부터 학습할 수 있어 ATS를 최적화하는 능력이 향상된다. 다수의 치료 데이터셋에 걸친 광범위한 실험은 TreatStitch가 오프라인 RL 성능을 향상시키는 효과를 입증한다. 또한, TreatStitch가 분포 외(out-of-distribution) 전이를 회피함으로써 임상적 타당성을 유지한다는 이론적 정당화도 함께 제공한다.