알츠하이머 진단을 위한 다중 모드 설명 가능한 딥러닝 프레임워크
A Multimodal Explainable Deep Learning Framework for Alzheimer's Disease Diagnosis using 3D Magnetic Resonance Imaging and Clinical Data
arXiv본 연구는 알츠하이머병 진단을 위해 3D MRI 영상과 임상 데이터를 결합하는 설명 가능한 다중 모드 딥러닝 프레임워크를 개발하고 성능을 분석했습니다.
- 진단 성능은 데이터셋이나 과제에 따라 달라졌으며, 여러 모달리티 중 일부만으로도 높은 진단력을 보였고 MMSE 점수가 공통적으로 중요한 특징임을 확인했습니다.
- AI 의료 모델 개발 시 단순히 정확도뿐 아니라, 데이터 환경 변화(코호트 시프트)에서도 설명 가능성이 유지되는지 검증하는 것이 중요함을 강조합니다.
- 다중 모드 학습의 성능과 근거가 되는 특징 기여도는 과제나 코호트에 따라 크게 달라지므로, 안정적이고 보편적인 단일 특징으로 간주하기는 어렵습니다.
본 연구는 알츠하이머병(AD) 진단에 활용하기 위해 3D 자기공명영상(MRI)과 임상 데이터를 결합하는 설명 가능한 다중 모드 딥러닝 프레임워크를 개발했습니다. 이 프레임워크는 T1- MRI를 위한 3D CNN 인코더와 정규화된 임상 및 인구통계학적 데이터를 위한 피드포워드 네트워크를 결합합니다. 연구진은 ADNI의 내부 기록 6,479건과 OASIS-3의 독립적인 기록 1,703건을 사용하여 세 가지 방식 및 쌍별 진단 과제에 걸쳐 다양한 모델 구성을 비교했습니다.
성능 분석 결과, 데이터셋이나 과제에 따라 최적의 모달리티가 달랐습니다. ADNI 코호트에서는 표(tabular) 데이터만 사용한 모델이 가장 높은 3개 클래스 AUC-ROC 값 0.879를 기록했으며, MCI 대 AD 진단 시에는 교차 어텐션 방식이 0.861로 가장 우수했습니다. 반면 OASIS-3 코호트에서는 비전 전용 모델이 세 가지 클래스 AUC-ROC 0.910으로 가장 좋은 성능을 보였습니다.
설명 가능성 분석 결과, SHAP와 Integrated Gradients는 두 코호트 모두에서 MMSE 점수를 지배적인 표 특징으로 식별했습니다 (ADNI $\rho=0.94$, OASIS-3 $\rho=0.96$). 그러나 CAM 기반 설명은 모델 구성 및 코호트에 따라 변화하는 것으로 나타났습니다. 연구진은 이러한 결과를 통해 다중 모드 성능과 설명 가능성이 과제, 모달리티, 융합 방식, 그리고 코호트에 의존적임을 강조하며, 안정적인 단일 특징으로 간주하기 어렵다고 결론지었습니다.
용어 풀이
- 가중치
- 학습으로 정해진 모델 내부의 숫자 값. 내려받는 모델 파일의 본체예요.