본 논문에서는 신경계 질환을 선별하기 위한 딥러닝 기반 알고리즘을 제안한다. 우리는 신경계 질환 선별을 위한 다양한 검사 프로토콜을 제안하고, 해당 프로토콜을 수행하는 사람들의 영상을 비디오 촬영으로 수집하였다. 또한 영상 데이터를 행동 정보를 포착하는 인간 랜드마크로 변환하여 훨씬 더 작은 데이터 차원으로 표현하였다. 아울러 신경계 장애의 효과적인 지표가 될 수 있는 음성 데이터도 사용하였다. 각 프로토콜에 대해 랜드마크 또는 음성으로부터 특징을 추출하는 서브네트워크를 설계하고, 프로토콜들로부터 추출된 모든 정보를 결합하여 최종 결정을 내리는 특징 통합기를 구성하였다. 다중과제 학습을 적용하여 두 가지 신경계 질환을 선별하였다. 이러한 인간 랜드마크 및 음성에 대한 의미 있는 정보를 포착하기 위해 다양한 사전학습 모델을 적용하여 예비 특징을 추출하였다. 랜드마크의 시공간적 특성은 사전학습된 그래프 신경망을 통해 추출하고, 음성 특징은 사전학습된 시공간 지연(time-delay) 신경망을 통해 추출하였다. 추출된 고수준 특징은 이후 서브네트워크와 추가적인 특징 통합기에 전달되며, 이들 모듈은 동시에 학습된다. 또한 데이터 부족을 극복하기 위해 다양한 데이터 증강 기법을 사용하였다. 데이터의 특성을 고려하는 프레임 길이 고정화(frame-length staticizer)를 사용함으로써 정보의 낭비 없이 순간적인 떨림을 포착할 수 있다. 마지막으로, 광범위한 실험을 통해 서로 다른 프로토콜과 서로 다른 양식(신체 부위 및 음성의 차이)의 효과를 평가한다. 제안된 방법은 뇌졸중에서 AUC 0.802, 파킨슨병에서 AUC 0.780을 달성하여 선별 시스템에 효과적임을 보인다.

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