MRI 기반 알츠하이머 조기 예측 머신러닝 모델 개발

주장알츠하이머병은 전 세계 치매 발병의 주요 원인입니다. 증상이 발현하기 전 질환을 조기 예측하는 과정은 환자에게 적절한 치료를 제공하는 데 핵심적인 역할을 합니다.

팩트연구진은 구조적 자기공명영상(MRI) 데이터만으로 인지 기능이 정상인 사람의 미래 알츠하이머병 전환 가능성을 예측하는 프레임워크를 제시했습니다. 이 모델은 사전 학습된 VGG16 모델을 활용한 전이 학습으로 뇌 MRI 스캔에서 특징을 추출합니다.

팩트특징 추출 과정에서 연구진은 각 뇌 스캔당 5개의 대표적인 2차원 단면을 처리합니다. 이를 통해 압축된 영상 기술자를 생성하여 분석의 효율성을 높였습니다.

팩트분류 단계에서는 서포트 벡터 머신(SVM), 랜덤 포레스트, 인공 신경망을 결합한 앙상블 모델을 사용했습니다. 최종 출력값은 소프트 보팅(Soft Voting) 방식을 통해 결합하여 예측 정확도를 향상했습니다.

팩트모델 성능은 오아시스-3(OASIS-3) 데이터셋에 포함된 1,093명의 피험자를 대상으로 평가했습니다. 데이터 누출을 방지하기 위해 피험자별 층화 교차 검증 방식을 적용했습니다.

팩트200회의 무작위 실행 결과, 앙상블 모델은 중앙값 기준 AUC-ROC 0.951, 정확도 0.872를 기록했습니다. 재현율은 0.923, F1 점수는 0.811로 나타나 임상적 활용 가능성을 확인했습니다.

교차검증연구에 사용된 데이터는 익명화된 오아시스-3 데이터를 활용한 2차 분석입니다. 해당 연구는 뉴욕 대학교 기관생명윤리위원회의 검토 면제 승인을 받았습니다.

교차검증본 연구는 외부 자금 지원 없이 독립적으로 수행되었습니다. 저자들은 연구 과정에서 이해 상충이 없음을 명시했습니다.

주장이번 연구는 앙상블 머신러닝이 구조적 MRI를 통해 전임상 단계의 알츠하이머 징후를 감지할 수 있음을 입증했습니다. 이는 조기 위험 식별과 개입을 위한 비용 효율적인 도구로 활용될 전망입니다.

교차검증해당 기술은 현재 연구 단계에 머물러 있습니다. 실제 의료 현장에 도입하려면 대규모 임상 시험과 다양한 인종 및 환경을 포함한 추가 검증이 필요하며, 영상 데이터 품질에 따른 성능 변화 가능성도 고려해야 합니다.

주장알츠하이머병의 조기 진단은 환자의 삶의 질을 개선하고 사회적 비용을 절감합니다. 인공지능 기반 영상 분석 기술은 앞으로 전문의의 진단을 보조하는 강력한 수단이 될 것입니다.

출처Theocharidis, G., Bisdas, S., Pazarzis, J. et al.의 연구 논문 'Applying ensemble machine learning techniques to MRI scans to predict Alzheimer’s disease'를 교차 검증했습니다.