Brain-Atlas-Guided Generative Counterfactual Attention for Explainable Cognitive Decline Diagnosis Using Multimodal Connectomes

기술 요약: 설명 가능한 인지 저하 진단을 위한 뇌 지도 가이드 생성적 반사실적 어텐션 (Brain-Atlas-Guided Generative Counterfactual Attention)

문제 정의
경도 인지 장애(MCI)와 주관적 인지 저하(SCD)는 알츠하이머병 연속체의 중요한 초기 단계입니다. 조기 개입을 위해서는 정확하고 설명 가능한 진단이 필수적입니다. 뇌 커넥톰(기능적 연결성[FC] 및 구조적 연결성[SC])을 활용하는 기존 딥러닝 모델들은 분류 성능을 향상시켰으나, 대부분 "블랙박스" 형태로 작동합니다. 기존의 설명 방법들(예: Grad-CAM, SHAP)은 사후적(post-hoc)이고 레이블에 조건화된 통찰만을 제공하며, 인지 상태 간의 전이를 명시적으로 모델링하지 못한다는 한계가 있습니다. 또한, 소스 커넥톰(예: 건강한 대조군)을 타겟 커넥톰(예: MCI)으로 변환하는 데 필요한 최소한의, 질병 관련 변화를 포착하는 데 어려움을 겪으며, 뇌 네트워크의 구조화된 뇌 지도(atlas) 기반 토폴로지를 간과하는 경향이 있습니다.

방법론
본 논문은 진단을 소스-투-타겟(source-to-target) 반사실적 생성 문제로 정식화하는 생성적 반사실적 어텐션 가이드 네트워크(Generative Counterfactual Attention-guided Network, GCAN) 프레임워크를 제안합니다. 핵심 목표는 소스 레이블의 커넥톰으로부터 타겟 레이블에 해당하는 타겟 커넥톰을 생성하고, 그 차이로부터 어텐션 맵을 도출하는 것입니다.

1. 생성적 반사실적 프레임워크:

   • 소스-투-타겟 생성: 소스 커넥톰 $C_s$와 레이블 $y_s$가 주어지면, 생성기 $G$는 레이블 $y_t$에 대응하는 타겟 커넥톰 $C_g^t$를 생성합니다.
   • 반사실적 어텐션: 어텐션 맵 $A$는 차이인 $C_g^t - C_s$로 정의됩니다. 양수 값은 강화되어야 할 연결을, 음수 값은 타겟 상태를 달성하기 위해 억제되어야 할 연결을 나타냅니다.
   • 진단: 입력 커넥톰은 이 어텐션 맵에 의해 재가중치(reweighted) 처리($\tilde{C} = C \odot A$)된 후 다운스트림 진단 분류기에 입력되며, 이를 통해 모델이 질병 전이 관련 연결에 집중하도록 강제합니다.

2. 아틀라스 인식 양방향 트랜스포머 (Atlas-aware Bidirectional Transformer, AABT):

   • 커넥톰의 구조화된 토폴로지를 보존하기 위해, 저자들은 AABT를 도입했습니다. 커넥톰을 평면적인 이미지로 취급하는 대신, AABT는 뇌 아틀라스(예: DMN, FPN, CON)를 기반으로 커넥톰을 서브 네트워크로 분해합니다.
   • 이는 네트워크 단위의 토큰 인코딩과 역 토큰 디코딩을 수행하여, 생성 과정이 국소적 네트워크 구조를 존중하면서도 장거리 의존성을 모델링할 수 있도록 보장합니다.

3. 멀티모달 확장 (FC–SC 결합 모델링):

   • 본 프레임워크는 기능적(FC) 및 구조적(SC) 연결성을 공동으로 모델링하도록 확장되었습니다.
   • 크로스 모달 AABT는 FC, SC 및 이들의 특징 맵을 동시에 처리합니다.
   • 손실 함수: 멀티모달 생성기는 재구성, 분류, 지각 손실(perceptual loss)을 사용하여 최적화됩니다. 결정적으로, 구조와 기능의 협응된 변화를 유도하는 **크로스 모달 일관성 손실(cross-modal consistency loss)**과 양의 반응(강화)과 음의 반응(억제) 사이의 공간적 중첩을 처벌하는 **어텐션 중첩 손실(attention overlap loss)**이 포함됩니다.
   • 사전 학습 전략: 데이터 누수를 방지하면서 타겟 상태의 사전 정보(prior)를 제공하기 위해, 보조 데이터셋(FC는 SLIM, SC는 BJE)에서 모달리티별 FC 및 SC 분류기를 사전 학습하고, 이를 타겟 레이블 커넥톰 생성 가이드로 사용합니다. 이 사전 학습된 모델들은 최종 다운스트림 진단 분류기와 분리되어 있습니다.

주요 기여

• 생성적 반사실적 어텐션: 본 논문은 정적인 특징 속성(feature attribution)이 아닌 전이 중심의 해석을 제공함으로써, 타겟 상태 커넥톰을 생성하고 그 차이를 분석하여 질병 관련 연결을 명시적으로 식별하는 프레임워크를 도입했습니다.
• 아틀라스 인식 아키텍처: AABT 설계는 알려진 뇌 네트워크 분할을 준수하며 글로벌 토폴로지와 국소적 서브 네트워크 조직을 보존하는 구조화된 커넥톰 생성을 가능하게 합니다.
• 멀티모달 구조-기능 추론: FC-SC 공동 모델링으로의 확장은 상호 보완적인 기능적 재구성 및 구조적 토폴로지 변화를 포착하여 더욱 포괄적인 인지 저하 뷰를 제공합니다.
• 엄격한 평가: 병원 수집 데이터 및 ADNI 데이터셋을 모두 포함하는 광범로한 실험을 수행하였으며, 단일 모달(FC) 및 멀티모달(FC-SC) 설정을 모두 다룹니다. 순환 커넥톰 시각화, 매트릭스 수준의 합성 품질 평가(PSNR, SSIM, 상관관계), 폴드 수준 신뢰 구간 및 절제 연구(ablation studies)를 포함한 종합적인 분석을 특징으로 합니다.

결과

• 진단 성능: 단일 모달 FC 실험에서 GCAN은 HC vs. SCD, HC vs. MCI, SCD vs. MCI 과업 전반에서 경쟁력 있는 성능을 보였으며, 종종 베이스라인인 CNN, ResNet, Transformer 모델을 능가했습니다. 예를 들어, 병원 데이터셋의 HC vs. SCD 작업에서 GCAN은 0.933의 정확도와 0.929의 F1-score를 달이트했습니다.
• 멀티모달 성능: 멀티모달 설정에서 반사실적 어텐션 기반 모델들은 일반적으로 우호적인 경향을 보였으며, 특히 HC vs. SCD 작업에서 두드랐습니다. 그러나 저자들은 일부 과업(예: HC vs. MCI)에서 표준 편차가 상대적으로 컸으며, 폴드별 쌍체 비교가 항상 통계적 유의성에 도달하지는 못했다는 점을 언급하며, 이는 더 큰 쌍을 이룬 코호트가 필요함을 시사한다고 밝혔습니다.
• 설명 가능성: 반사실적 어텐션 맵의 시각화 결과, 고차 인지 네트워크(DMN, FPN, CON, SEN)에 집중된 희소하고 생물학적으로 타당한 패턴이 드러났습니다. 양의 맵과 음의 맵은 강화된 연결과 억제된 연결을 구분하여 보여주었습니다.
• CAM과의 비교: Grad-CAM 및 Score-CAM과 비교했을 때, 제안된 반사실적 어텐션은 더 구조적이고 전이 특화적이며 부호가 있는(signed) 연결 패턴을 생성한 반면, CAM 기반 방법들은 더 확산된 활성화 패턴을 보였습니다.
• 합성 품질: 정량적 지표(PSRE, SSIM, 상관관계)는 생성된 FC 및 SC 매트릭스가 합리적인 글로벌 구조와 엣지별 충실도를 유지하고 있음을 나타냈으나, SC 합성은 희소한 토폴로지 특성으로 인해 더 까다로운 것으로 관찰되었습니다.

의의 및 주장
본 논문은 정적인 특징 귀속에서 동적인 전이 중심 추론으로 전환함으로써 신경 영상 분야의 설명 가능한 AI를 향한 중요한 진전을 이루었다고 주장합니다. 건강한 뇌를 질병 상태로 변환하는 "만약 ~한다면(what-if)" 시나리오를 명시적으로 모델링함으로써, 이 프레임워크는 인지 저하를 주도하는 구체적인 연결성 변화에 대한 통찰을 제공합니다.

저자들은 다음과 같이 신중한 입장을 유지합니다:

• 강조된 네트워크들이 알려진 신경 퇴행 메커니즘과 일치하지만, 이 방법은 직접적인 임상적 질병 인과관계의 증거가 아닌 모델 기반 설명을 제공하는 것임을 명시합니다.
• 상대적으로 작은 규모의 쌍을 이룬 FC-SC 데이터셋, 피험자별 궤적을 놓칠 수 있는 그룹 수준의 타겟 사전 정보 사용, 그리고 종단적 검증의 부재를 포함한 한계를 인정합니다.
• 결론적으로, 결과는 유망하며 설명 가능한 진단을 위한 반사실적 추론의 유용성을 뒷받침하지만, 통계적 견고함과 생물학적 타당성을 확인하기 위해서는 더 큰 규모의 다기관 및 종단적 코호트를 통한 추가 검증이 필요하다고 밝힙니다.