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.

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