다중 모드 기반의 국소/전역 도메인 일반화 프레임워크 (M2LG-DG)
M2LG-DG: A Multi-modal Local-Global Domain Generalization Framework for Cross-site Major Depressive Disorder Classification
arXiv뇌 영상 기반 정신 질환 분류 모델은 촬영 장소(사이트)가 다를 경우 성능이 급격히 떨어지는 도메인 일반화 문제가 있어 임상 적용에 한계가 있었습니다.
- 연구진은 전역적/국소적 연결성 분석과 멀티모달 통합을 결합한 M2LG-DG 프레임워크를 제안하여 이 문제를 해결하고자 했습니다.
- 이 모델은 여러 출처 사이트의 데이터를 활용해 일반화 성능을 높였으며, 외부 테스트에서 기존 최고 성능 대비 우수한 AUC(69.48%)를 달성했습니다.
- 데이터 수집 환경 차이로 인한 오류 문제를 줄여주어, 실제 임상 현장에서 신뢰도 높은 정신 질환 진단 보조 도구 개발에 기여할 잠재력이 큽니다.
휴식 상태 기능적 자기공명영상(rs-fMRI)을 기반으로 한 분류 모델은 개발에 사용되지 않은 다른 촬영 장소(사이트)에서 성능이 저하되는 도메인 일반화 문제가 있어 임상 환경에서의 활용에 제한점이 있었습니다. 기존의 도메인 일반화 접근법들은 단일 영상 양식에 의존하는 경우가 많았으며, 피험자가 같은 사이트에서 스캔될 때 발생하는 스캐너 하드웨어 및 획득 조건과 관련된 영향을 충분히 고려하지 못했습니다.
본 연구에서는 이러한 문제를 해결하기 위해 M2LG-DG라는 소스 전용 다중 모드 국소-전역 프레임워크를 제안했습니다. 이 프레임워크는 이중 스트림 rs-fMRI 인코더를 사용하는데, 글로벌 경로는 자체 어텐션을 통해 영역 간 의존성을 모델링하고, 로컬 경로는 기능적 연결성 기반 그래프 위에서 집계를 수행합니다. 또한 영상 및 비영상 표현을 공유 및 사설 구성 요소로 분해한 후, 학습된 모달리티 게이트를 통해 양방향 교차 어텐션으로 통합했습니다.
모델은 같은 클래스에 속하지만 서로 다른 소스 사이트에서 획득된 피험자들을 활용하여 교차 사이트 지도 대비(supervised contrastive) 목적 함수를 형성합니다. 이는 융합된 표현이 다양한 획득 도메인 전반에 걸쳐 진단 정보를 유지하도록 장려합니다. 그 결과, 네 개의 보류 REST-meta-MDD 사이트에서 M2LG-DG는 AUC 69.48%를 달성했으며, 가장 근접한 비교 방법보다 2.18 퍼센트 포인트 높은 성능을 기록했습니다.