검색 상세

알츠하이머병 스펙트럼 분류를 위한 그래프 어텐션 네트워크 기반 다층 구조 유사성 네트워크 접근법

A Multi-level Structural Similarity Network Approach using Graph Attention Network for Classifying Alzheimer’s Disease Spectrum

  • 김윤호 (Yunho Kim, 아주대학교 일반대학원)

초록/요약

알츠하이머병(AD)과 경도인지장애(MCI)는 알츠하이머병 스펙트럼 상의 연속적인 단계에 해당하며, 특히 질병 초기 단계에서 정확한 감별은 치료 시점 결정과 임상적 예후 평가에 중요하다. 그러나 기존의 뇌 구조 분석 방법은 네트워크 수준의 미세한 구조적 변화를 충분히 포착하지 못하거나 개인 간 이질성을 반영하는 데 한계가 있다. 본 연구에서는 이러한 제약을 해결하고자 T1 가중 영상으로부터 진단군(AD 및 MCI) 수준의 구조적 패턴과 개인 특유의 구조적 특징을 동시에 반영할 수 있는 다층 구조 네트워크 분석 프레임워크를 제안한다. 본 프레임워크는 임상에서 일상적으로 획득되는 T1 가중 영상만을 기반으로 두 가지 상호보완적 네트워크를 구축하였다. (1) 구조적 공분산 네트워크(Structural covariance network, SCN)는 뇌 영역 간 회색질 부피 상관관계를 이용하여 집단 수준의 공통적인 구조적 패턴을 모델링하였다. (2) 형태학적 연결 네트워크(Morphological Connectivity Network, MCN)는 뇌 영역 간 복셀 강도 분포의 차이를 젠슨-섀넌 발산(Jensen–Shannon divergence)기반의 거리로 계산하여, 개인 고유의 구조 유사성을 네트워크 형태로 표현하였다. 이 두 수준의 네트워크는 그래프 어텐션 네트워크(GAT)에 통합되어 AD 스펙트럼 단계 분류를 위한 구조적 유사성 네트워크 특징을 학습하였다. 모델은 독립된 여러 코호트에서 수집된 데이터 평가되어 일반화 성능을 검증하였으며, 학습된 어텐션 스코어를 기반으로 질병 진행과 연관된 핵심 뇌 영역 및 네트워크 수준 변화를 시각화하였다. 제안된 다층 구조 네트워크 기반 접근법은 두 데이터셋에서 일관되고 우수한 분류 성능을 보였으며, 단일 수준 정보만을 사용하는 기존 모델보다 뛰어난 결과를 나타냈다. 어텐션 기반 해석 결과, 기본 모드 네트워크(Default mode network, DMN), 현저성/복측 주의 네트워크(Salience/Ventral attention network, SAN)와 같은 AD 관련 주요 기능 네트워크에서 구조적 변화가 두드러지게 나타났으며, 이는 집단 수준의 광범위한 퇴행 패턴뿐 아니라 개인별 구조적 이질성을 동시에 포착할 수 있음을 보여준다. 본 연구는 표준 임상 촬영으로 얻는 T1 가중 영상만으로도 다층 구조 네트워크 접근법을 통해 네트워크 기반으로 MCI와 AD 를 민감하고 해석 가능하게 구분할 수 있음을 입증한다. 뿐만 아니라, 구조적 네트워크 기반 분석이 AD 연구 및 임상적 적용에서 유의미한 도구가 될 수 있음을 강조한다.

more

목차

I. 서론 1
A. 알츠하이머병의 특성과 바이오마커 1
B. 알츠하이머 병의 네트워크 특성 및 분석 2
C. 구조 유사성 네트워크 4
D. 연구목적 6
II. 연구 대상 및 방법 10
A. 연구 참여자 및 데이터 획득 10
B. 전처리 과정 14
C. 다층 구조 유사성 네트워크 프레임워크 15
1. 다층 구조 유사성 네트워크 구성 16
2. 그래프 어텐션 네트워크 19
3. 2 단계 학습 전략 21
D. 모델 간 성능 차이 확인 22
III. 결과 (Result) 24
A. 학습 단계 24
B. 테스트 단계 24
C. 모델 간 성능 비교 27
D. 알츠하이머병 스펙트럼 간 성능 비교 28
E. 집단 간 상위 어텐션 영역 29
Ⅳ. 고찰 31
A. 결과의 해석 31
B. 연구의 제한점 36
Ⅴ. 결론 40
Abstract 54

more
반출 Meta View 목록