GMN4AD: Graph Matching Network for Alzheimer's Disease Diagnosis with Test-Time Domain Adaptation using Multi-centered Structure Magnetic Resonance Imaging

기술 요약: 알츠하이머병 진단을 위한 GMN4AD

문제 정의
알츠하이머병(AD)은 경도인지장애(MCI) 단계에서의 조기 진단이 개입을 위해 매우 중요한 진행성 신경퇴행성 질환이다. 구조적 자기공명영상(sMRI)은 AD 관련 뇌 위축을 탐지하는 주요 양상(modality)이지만, 기존의 그래프 기반 진단 접근 방식은 상당한 과제에 직면해 있다. 구체적으로, 기존 방법들은 개별 뇌 그래프를 독립적인 개체로 취급하여 복잡한 교차 그래프 관계를 포착하지 못하는 경우가 많다. 또한, 이러한 방법들은 양상 및 사이트 간 이질성(modality and inter-site heterogeneity) 문제를 해결하는 데 어려움을 겪는다. 다양한 다기관 데이터셋(예: ADNI, AIBL, OASIS) 전반에 걸친 스캐너 설정, 획득 프로토콜, 인구 통계적 특성의 차이는 도메인 시프트(domain shift)를 유발하며, 이는 소스 데이터로 학습된 모델을 타겟 도메인에 적용할 때 성능 저하를 초래한다.

방법론: GMN4AD
저자들은 서로 다른 뇌 그래프를 독립된 개체가 아닌 상호작용하는 대상으로 모델링하도록 설계된 프레임워크인 GMN4AD(Graph Matching Network for Alzheimer's Disease Diagnosis)를 제안한다. 이 방법론은 세 가지 핵심 구성 요소로 이루어져 있다:

1. sMRI로부터의 그래프 구축:

   • FreeSurfer로 분할된 관심 영역(ROI)을 노드로 하고, ROI 중심점 간의 공간적 관계를 엣지로 하는 뇌 그래프를 구축한다.
   • 노드 특징은 좌표 데이터와 함께, 강도 통계, 기하학적 특성, 텍스처 특징(GLCM, GLDM, GLRLM, GLSZM, NGTDM)을 포함하여 ROI 볼륨에서 추출된 113개의 라디오믹(radiomic) 기술자로 구성된다.

2. 반복적 교차 그래프 매칭 (Iterative Cross-Graph Matching):
   단일 그래프를 처리하는 표준 그래프 신경망(GNN)과 달리, GMN4AD는 테스트 대상의 그래프를 참조 그래프(예: 확진된 AD 환자)와 비교한다. 네트워크는 다섯 가지 모듈로 구성된다:

   • 그래프 내 특징 임베딩 (Intra-graph Feature Embedding): 그래프 합성곱 신경망(GCN)과 다층 퍼셉트론(MLP)을 사용하여 단일 뇌 그래프 내의 국소적 토폴로지와 특징 정보를 집계한다.
   • 교차 그래프 특징 임베딩 (Cross-graph Feature Embedding): 두 개의 서로 다른 그래프($G_1$ 및 $G_2$) 사이에서 정보를 전파하는 반복 모듈이다. 가중치 점곱(weighted dot product)과 Sinkhorn 정규화를 사용하여 노드 간 친화도를 계산하고 노드를 정렬함으로써, 피험자 간의 구조적 대응 관계를 포착하기 위해 표현형을 정교화한다.
   • 전역 특징 추출 (Global Feature Extraction): 풀링 연산(노드 임베딩 평균화)을 통해 각 뇌 그래프를 압축된 고정 차원 벡터로 요약한다.
   • 그래프 유사도 측정 (Graph Similarity Measurement): 테스트 그래프와 참조 그래프의 풀링된 벡터 간 코사인 유사도를 통해 구조적 정렬을 정량화한다. 유사도 점수가 1에 가까우면 테스트 대상이 참조 대상과 동일한 AD 상태를 공유함을 나타내고, 0에 가까우면 불일치를 나타낸다.
   • 학습 목적 함수 (Training Objective): 두 그래프가 동일한 진단 레이블(예: 둘 다 AD)을 공유하면 1, 그렇지 않으면 0인 이진 교차 엔트로피(BCE) 손실을 사용하여 그래프 쌍에 대해 모델을 학습시킨다.

3. 테스트 시점 도메인 적응 (Test-Time Domain Adaptation, TTA):
   레이블이 지정된 타겟 데이터 없이 추론 과정에서 도메인 시프트를 해결하기 위해, 저자들은 비지도 TTA 전략을 도입한다:

   • 대조 학습 (Contrastive Learning): 사전 학습된 모델을 대조 일관성 손실(contrastive consistency loss)을 사용하여 레이블이 없는 타겟 데이터에 미세 조정한다. 증강된 임베딩을 생성하기 위해 무작위 특징 섭동(가우시안 노이즈 및 엣지 드롭아웃)이 적용된다.
   • 최적화: 모델은 소스 도메인과 타겟 도메인 모두의 대조 손실을 포함하는 결합 손실($\mathcal{L}_{TTA}$)을 최소화한다. 이때 다른 파라미터는 동결된 상태로 유지하며, 오직 그래프 합성곱 및 교차 그래프 어텐션 레이어만 업데이트된다. 이는 타겟 도메인의 표현형을 소스 도인과 정렬하여 견고성을 향상시킨다.

주요 기여

1. 그래프 매칭 기반 진단: 본 논문은 개별 뇌를 독립적인 그래프로 모델링하는 것에서 벗어나, AD 상태를 추론하기 위해 서로 다른 뇌 그래프 간의 특징을 명시적으로 비교하는 그래프 매칭 접근 방식으로의 패러다임 전환을 제시한다.
2. 테스트 시점 도메인 적응: 대조 학습과 그래프 재구성 손실의 통합을 통해, 모델이 추론 중에 레이블이 없는 새로운 타겟 도메인에 적응할 수 있게 하여 사이트 간 이질성으로 인한 성능 저하를 완화한다.
3. 포괄적 평가: 본 프레임워크는 세 가지 공공 데이터셋(ADNI, AIBL, OASIS3)과 세 가지 진단 작업(AD vs. CN, AD vs. MCI, MCI vs. CN)을 통해 검증되었으며, 견고성과 일반화 성능을 입증하였다.

실험 결과

• 소스 도메인 성능: ADNI 데이터셋에서 GMN4AD는 AD vs. CN 분류에서 **92.37%**의 정확도를 달축하였으며, 이는 GCN, GAT, GIN 및 특징 유도 학습(FIL)을 포함한 최신 베이스라인 모델들을 능가하는 성과이다. 또한 AD vs. MCI 및 CN vs. MCI 작업에서도 우수하거나 대등한 성능을 보였다.
• 교차 도메인 일반화: 교차 데이터셋 실험(예: ADNI에서 학습하고 AIBL 또는 OASIS3에서 테스트)에서, TTA가 강화된 GMN4AD는 소스 전용 추론(SOI) 베이스라인 및 DAGE, MEMO와 같은 다른 도메인 적응 방법보다 일관되게 우수한 성능을 보였다. 예를 들어, AIBL의 AD vs. CN 작업에서 TTA는 정확도를 82.61%(SOI)에서 **85.86%**로 향상시켰다.
• 해석 가능성: ZORRO-Paired 설명자를 사용한 연구 결과, 텍스처 및 1차 강도 특징(예: GLSZM 분산, 왜도)과 좌표 특징(구조적 변화를 나타냄)이 가장 결정적인 것으로 식별되었다. 노드 수준에서는 우측/좌측 뇌혈관(Right/Left Cerebral Vessels) 및 백질 저신호 강도(White Matter Hypointensities) 영역이 일관되게 매우 중요한 영역으로 식별되었으며, 이는 AD의 알려진 혈관 및 백질 병리와 일치한다.

의의 및 주장
본 논문은 GMN4AD가 전통적인 그래프 기반 방법의 한계를 효과적으로 해결함으로써 AD 진단을 위한 견고하고 일반화 가능한 솔루션을 제공한다고 주장한다. 그래프 매칭을 활용함으로써, 모델은 독립적인 그래프 모델이 놓칠 수 있는 복잡한 피험자 간 구조적 관계를 포착한다. 또한, 제안된 테스트 시점 도메인 적응 전략을 통해 모델은 레이블이 없는 타겟 데이터를 사용하지 않고도 서로 다른 의료 센터와 스캐너 프로토콜 전반에서 높은 진단 정밀도를 유지할 수 있다. 저자들은 이 접근 방식이 진단 정확도를 높일 뿐만 아니라, 진단을 주도하는 특정 라디오믹 특징과 뇌 영역(특히 혈관 및 백질 구조)을 강조함으로써 해석 가능성을 제공하고, 이를 통해 AD 진행의 근본적인 생물학적 메커니즘에 대한 통찰을 제공한다고 강조한다.