Multimodal Ordinal Modeling of Alzheimer's Disease Severity Using Structural MRI and Clinical Data

기술 요약: 알츠하이머병 중증도에 대한 다중 모달 순서형 모델링

문제 정의

알츠하이머병(AD)의 정확하고 확장 가능한 평가는 특히 질병 수정 치료제가 가장 효과적인 초기 단계에서 매우 중요합니다. 그러나 현재 임상적 표준인 임상 치매 척도(CDR)는 시간이 많이 소요되고, 숙련된 평가자가 필요하며, 평가자 간 변동성이 발생한다는 단점이 있습니다. 또한, AD 병기(staging)를 위한 기존의 딥러닝 접근 방식은 질병 중증도를 명목형 다중 클래스 분류 문제로 취급하는 경우가 많습니다. 이러한 공식화는 CDR 척도(정상에서 중증 치매까지의 범위)가 가진 본질적인 순서적 특성을 무시하며, 이로 인해 인접한 단계보다 멀리 떨어진 질병 단계가 더 높은 확률을 할당받는 등 비현실적인 예측을 초래할 수 있습니다. 또한, 이질적인 데이터 모달리티(구조적 MRI 및 탭-데이터 형태의 임상 데이터)를 효과적으로 통합하면서 해석 가능성을 유지하는 것은 여전히 중요한 방법론적 과제로 남아 있습니다.

방법론

저자들은 자동화된 순서형 알츠하이머병 중증도 판정을 위해 설계된 어텐션 강화 다중 모달 딥러닝 프레임워크를 제안합니다.

데이터 소스 및 전처리:

• 코호트: 데이터는 ADNI, AIBL, NIFD의 세 가지 대규모 공개 데이터셋에서 추출되었습니다.
• 레이블: 질병 중증도는 전역 CDR 점수에 기반하여 순서형 레이블로 인코딩되었습니다. 심각한 단계의 샘样本 수가 제한적이었기 때문에, 본 연구는 CDR 0(정상), 0.5(매우 경미), 1(경미)에 집중하였습니다.
• 모달리티:
  • 영상(Imaging): T1 가중치 MRI 스캔은 뇌 국소화, 140×160×160 복셀 크기의 중심 크롭/패딩, 강도 정규화를 거쳐 전처리되었습니다. 실제 환경의 스캐너 가변성을 반영하기 위해 명시적인 조화(harmonization) 작업은 수행하지 않았습니다.
  • 탭-데이터(Tabular): 인구통계학적 및 유전적 변수(연령, 성별, 교육 수준, APOE 유전자형)는 MICE를 사용하여 결측치를 보완(훈련 세트에 한함)하고 표준화하였습니다.
• 분할: 훈련 및 검증을 위해 코호트 층화 분할을 사용했습니다. 데이터 누수를 방방지하기 위해 훈련, 검증, 전처리 및 하이퍼파라미터 튜닝에서 완전히 제외된 피험자들로 구성된 엄격한 홀드아웃(held-out) 테스트 세트를 구축했습니다.

모델 아키텍처:
프레임워크는 모달리티별 인코더와 그 뒤를 잇는 퓨전 모듈을 채택합니다:

1. MRI 인코더: 의료 영상으로 사전 학습된 3D ResNet-18 백본을 사용하여 T1 가중치 볼륨으로부터 계층적 공간 표현을 추출합니다.
2. 탭-데이터 인코더: TABPFN(Tabular Prior-Data Fitted Network)이라는 트랜스포머 기반 아키텍처를 사용하여 인구통계학적 및 유전적 데이터의 복잡한 비선형 상호작작용을 포착합니다.
3. 퓨전 메커니즘: 두 가지 전략을 비교했습니다:
   • 선형 결합(Linear Concatenation): 임베딩을 직접 연결합니다.
   • 어텐션 기반 퓨전(Attention-Based Fusion): 셀프 어텐션 및 크로스 어텐션 모듈을 활용하여 모달리티별 특징에 동적인 가중치를 부여하고 교차 모달 의존성을 포착합니다.
4. 예측 헤드: 본 연구는 과업을 명목형 분류가 아닌 **순서형 회귀(ordinal regression)**로 명시적으로 공식화했습니다. 두 가지 최첨단 순서형 프레임워크가 구현되었습니다:
   • CORAL (COnsistent RAnk Logits): 공통 가중치 벡터를 공유하는 $k-1$개의 이진 분류기로 과업을 재구성합니다.
   • CORN (Conditional Ordinal Regression for Neural networks): 일련의 조건부 이진 분류기를 통해 순서 구조를 모델링합니다.

훈련 및 평가:
모델은 데이터 증강(아핀 변환, 노이즈, 블러링)과 함께 Adam 옵티마이저를 사용하여 훈련되었습니다. 성능은 평균 절대 오차(MAE), 인접 단계 정확도(Adjacent-Stage Accuracy), 그리고 이차 가중 카파(Quadratic Weighted Kappa, QWK)를 통해 평가되었습니다. 영상 데이터에는 Grad-CAM++를, 탭-데이터에는 SHAP를 사용하여 설명 가능성을 평가했습니다.

주요 기여

1. 다중 모달 퓨전 아키텍처: 구조적 MRI와 인구통계학적 및 유전적 위험 요인을 통합하는 어텐션 기반 아키텍처를 개발하였으며, 이러한 모달리티들이 병기 판정을 위한 상호 보완적인 신호를 제공함을 입증했습니다.
2. 순서형 회귀 적용: 현대적인 순서형 회귀 프레임워크(CORAL 및 CORN)를 자동화된 CDR 판정에 적용하여, 인지 저하의 진행적 특성을 독립적인 범주로 취급하는 대신 명시적으로 모델링했습니다.
3. 포괄적 해석 가능성: Grad-CAM++와 SHAP를 통합하여 모델의 예측이 해부학적으로 타당한 뇌 영역(예: 해마) 및 임상적으로 유의미한 변수(예: APOE, 연령)에 기반하고 있음을 검증했습니다.

결과

• 단일 모달 성능: T1 가중치 MRI 모델은 탭-데이터 전용 모델(QWK 0.433)보다 약간 더 높은 인접 단계 정확도(0.963)와 QWK(0.444)를 달성했으나, 두 모델 모두 질병의 전체 스펙트럼을 포착하는 데는 한계를 보였습니다.
• 다중 모달 개선: 영상과 탭-데이터를 통합함으로써 전반적인 성능이 향상되었습니다. 다중 모달 비순서형 베이스라인은 가장 낮은 평균 절대 오차(MAE 0.340)를 기록했습니다.
• 순서형 vs 비순서형: 다중 모달 순서형 모델은 가장 높은 인접 단계 정확도(0.970)와 임상적 병기와의 가장 강력한 일치도(QWK 0.549)를 달려, 비순서형 베이스라인(QWK 0.477)보다 우수한 성능을 보였습니다.
• 오류 분석: 오분류는 주로 인접한 단계 사이(예: CDR 0.5 vs 1)에서 발생했으며, 이는 경계선상의 임상 상태를 구분하는 어려움을 반영합니다. 순서형 공식화는 큰 폭의 중증도 오류를 성공적으로 줄였습니다.
• 강건성: 부트스트랩 리샘플링(1,000회 반복)을 통해 안정적인 성능을 확인하였으며, 인접 정확도의 95% 신뢰 구간은 0.959–0.982였습니다.
• 해석 가능성: Grad-CAM++는 해마와 내측 측두엽을 강조하였고, SHAP는 연령과 APOE 유전자형을 가장 영향력 있는 탭-데이터 예측 변수로 식별했습니다.

의의 및 주장

본 논문은 순서형 공식화가 CDR 척도의 순서 구조를 더 잘 포착하여, 표준 분류 방식보다 임상적 병기와 더 일치하는 예측을 생성한다고 주장합니다. 저자들은 비순서형 모델이 일부 지표에서 절대 오차가 약간 더 낮을 수는 있지만, 순서형 모델은 본질적으로 순위 일관성을 갖추며 임상적으로 불가능한 병기 오류를 줄인다고 논합니다.

본 연구는 어텐션 기반 다중 모달 학습과 순서형 회귀의 결 조합이 자동화된 알츠하이머병 중증도 판정을 위한 견고하고 해석 가능하며 확장 가능한 접근 방식임을 시사합니다. 일상적으로 사용 가능한 T1 가중치 MRI와 기본적인 임상 변수를 활용함으로써, 이 프레임워크는 신경 퇴행성 질환의 점진적인 진행 과정과 일치하는 AI 보조 임상 의사 결정 지원 도구를 제공합니다. 저자들은 본 연구가 딥러닝을 이용한 치매 연구에서 순서성을 간과하던 방법론적 공백을 해결하고, 현재의 병기 판정 방식에 대한 투명하고 임상적으로 일관된 대안을 제공한다고 강조합니다.

저자가 언급한 한계점:

• 샘플 크기 제약으로 인한 중증 치매 단계(CDR 2 및 3) 제외.
• PET 또는 기타 고급 MRI 모달리티 없이 T1 가중치 MRI만 사용.
• 명시적인 스캐너 조화(harmonization) 작업의 부재 (단, 모델은 코호트 간 가변성에 대한 회복력을 보임).
• TABPFN은 순서형 회귀를 네이티브하게 지원하지 않으므로, 탭-데이터 인코더 자체가 아닌 퓨전 단계에서 순서형 제약을 적용해야 했음.