기술 요약: ProMUSE

문제 정의

알츠하이머병(AD) 진단은 임상 평가, 구조적 자기공명영상(MRI), 양전자 방출 단층촬영(PET)을 포함한 다중 모달 데이터에 점점 더 의존하고 있습니다. 이러한 양상(modality)을 결합하면 진단 정확도가 향려되지만, MRI와 PET 스캔의 획득 비용은 매우 높으며(MRI 약 $558~$910, PET 약 $3,000) 보편적으로 접근 가능하지도 않습니다. 기존의 예측 모델들은 일반적으로 추론 시점에 모든 양상이 가용하다고 가정하며, 이는 암묵적으로 모든 환자에게 값비싼 영상 촬영이 필요함을 요구합니다. 이러한 접근 방식은 비용과 접근성이 중요한 실제 의료 환경의 실질적인 제약을 간과함으로써 상당한 재정적 및 임상적 부담을 지웁니다. 또한, 경도 인지 장애(MCI)를 정상 인지(CN) 개인 및 본격적인 알츠하이머병(AD)으로부터 구별하는 것은 MCI의 미묘하고 이질적인 특성 때문에 특히 까다로운 문제입니다.

방법론

저자들은 추가적인 양상이 언제 필요한지를 적응적으로 결정하여, 진단 정확도를 유지하면서 데이터 획득 비용을 줄이도록 설계된 프레임워크인 ProMUSE(Progressive Multi-modal Uncertainty-guided Staged Evidential network)를 제안합니다.

1. 데이터 표현 및 전처리

• 임상 데이터: 4개의 선형 층을 가진 다층 퍼셉트론(MLP)을 사용하여 처리됩니다.
• MRI 및 PET 데이터: 그래프 구조 데이터($G = [E, X]$)로 표현됩니다.
  • MRI: FreeSurfer를 사용하여 뇌 영역을 분할하고 라디오믹스 특징($X_{MRI}$)을 추출하며, 에지($E$)는 공간적 근접성에 의해 정의됩니다.
  • PET: 해부학적 일관성을 위해 MRI와 동일한 노드 좌표를 사용하지만, 복셀 수 및 표준화 섭취 비율(SUVR)을 포함하는 PET 통합 파이프라인(PUP)으로부터 노드 특징($X_{PET}$)을 도출합니다.
  • 처리: 두 MRI 및 PET 그래프는 두 개의 GraphSAGE 층과 그 뒤를 잇는 완전 연결 선형 층으로 구성된 그래프 신경망(GNN) 아키텍처를 통해 처리됩니다.

2. 주관적 논리에 의한 불확실성 정량화

ProMUSE는 각 양상을 독립적으로 정량화하기 위해 디리클레(Dirichlet) 기반의 주관적 논리 모델을 채택합니다.

• 증거 모델링: 각 양상의 출력 로짓(logits)은 Softplus 활성화 함수를 사용하여 비음수 증거 벡터로 변 변환됩니다.
• 디리클레 매개변수화: 증거는 디리클레 매개변수($d = e + 1$)로 매핑됩니다.
• 신념 및 불확실성: 모델은 각 클래스에 대한 신념 질량(belief mass, $B$)과 불확실성 정도(uncertainty degree, $U$)를 계산합니다. 불확실성은 할당되지 않은 확률 질량으로 정의되며, 이는 누락된 증거를 반영합니다. 고품질 데이터는 높은 증거와 낮은 불확실성을 생성합니다.

3. 뎀프스터-셰이퍼 이론(DST)을 통한 다중 모달 융합

단일 양상 입력의 한계를 극복하기 위해, ProMUSE는 DST를 사용하여 여러 양상의 증거를 융합합니다.

• 융합 규칙: 서로 다른 양상(예: 임상 + MRI)의 신념 질량과 불확실성 정도는 DST 결합 규칙을 사용하여 결합됩니다.
• 충돌 처리: 융합 과정은 양상 간의 충돌 계수($C$)를 고려합니다. 높은 충돌은 불확실성을 증가시키는 반면, 일치하는 증거는 이를 감소시킵니다.
• 정규화: 확률적 일관성을 보장하기 위해 융합된 신념 질량과 불확실성을 정규화합니다.

4. 단계적 획득 전략

프레임워크는 점진적이고 단계적인 방식으로 작동합니다.

1. 1단계 (임상): 모델은 먼저 저비용 임상 데이터를 분석합니다. 계산된 불확실성이 학습된 임계값($\tau_1$) 미만이면 최종 예측을 수행합니다.
2. 2단계 (임상 + MRI): 불확씨성이 $\tau_1$을 초과하면 MRI 데이터를 획득하여 임상 데이터와 융합합니다. 새로운 불확실성이 두 번째 임계값($\tau_2$) 미만이면 예측을 수행합니다.
3. 3단계 (임상 + MRI + PET): 불확실성이 여전히 $\tau_2$를 초과하면, 예측을 생성하기 위해 마지막 양상으로서 PET 데이터를 추가합니다.

• 임계값 선택: 최적의 임계값($\tau_1, \tau_2$)은 검증 세트에서의 정확도를 극대화하기 위해 데이터 기반 그리드 탐색 절차를 통해 결정됩니다.

5. 손실 함수

모델은 하이브리드 손실 함수를 사용하여 학습됩니다.

• 교차 엔트로피(Cross-Entropy): 표준 분류 감독을 위해 사용됩니다.
• 증거 기반 손실(Evidential Loss): 올바른 클래스에 대해 강력한 증거를 장려하기 위해 디리클레 분포를 기반으로 합니다.
• KL 발산 정규화: 모델이 모든 클래스에 대해 임의로 증거를 높이는 것을 방지하며, 학습 중 정규화 강도를 제어하기 위한 어닐링 계수($I_r$)를 포함합니다.

주요 기여

1. 비용 효율적 프레임워크: ProMUSE는 저렴한 임상 데이터를 우선시하고, 불확실성이 높을 때만 값비싼 영상(MRI/PET)을 선택적으로 포함하는 단계적 획득 전략을 도입합니다.
2. 불확실성 유도 의사결정: 디리클레 기반 주관적 논리와 뎀프스터-셰이퍼 이론을 활용함으로써, 프레임워크는 양상 선택을 주도하기 위해 불확실성을 명시적으로 모델링하고 관리합니다.
3. 자원 절감: 이 접근 방식은 진단 성능을 저해하지 않으면서 고비용 자원에 대한 의존도를 크게 줄입니다.
4. 포괄적 평가: 프레임워크는 세 개의 독립적인 데이터셋(ADNI, AIBL, OASIS)과 세 가지 이진 분류 작업(CN vs. AD, CN vs. MCI, MCI vs. AD)에 대해 검증되었습니다.

실험 결과

실험은 ADNI, AIBL, OASIS 데이터셋에서 수행되었습니다. ProMUSE는 16개의 베이스라인 모델(KNN, SVM, RF 및 다양한 딥러닝 아키텍처 포함)과 비교되었습니다.

• 정확도: ProMUSE는 전체 양상 베이스라인과 대등하거나 우수한 정확도를 달립했습니다.
  • ADNI: CN vs. AD에서 0.907, CN vs. MCI에서 0.810의 정확도.
  • AIBL: CN vs. AD에서 0.945, CN vs. MCI에서 0.889의 정확도.
  • OASIS: CN vs. AD에서 0.934, CN vs. MCI에서 0.990의 정확도.
  • 참고: MCI vs. AD 작업에 대한 성능은 ProMUSE를 포함한 모든 모델에서 일반적으로 낮았으며, 이는 해당 분류의 내재적인 어려움을 반영합니다.
• 비용 절감: 단계적 전략은 MRI/PET 사용량을 50%에서 90%까지 줄였습니다.
  • 비용 분석 결과, 데이터셋과 작업에 따라 환자당 평균 $2,325에서$3,558의 절감 효과가 있는 것으로 추정되었습니다.
  • 예를 들어, ADNI CN vs. AD 작업의 경우, 50%의 환자가 임상 데이터만으로 진단되었고, 26.27%는 임상 + MRI만 필요하여 상당한 영상 비용을 절감했습니다.
• 임계값 민감도: 분석 결과, 낮은 불확실성 임계값은 더 높은 양상 사용으로 이어짐을 보여주었습니다. 그러나 저자들은 낮은 불확실성이 항상 더 높은 정확도를 보장하는 것은 아니라고 언급하며, 최적의 균형이 필요함을 시사했습니다.

의의 및 주장

본 논문은 ProMUSE가 실제 환경의 알츠하이머병 스크리닝을 위한 실용적이고, 불확실성을 인지하며, 자원 효율적인 솔루션을 제공한다고 주장합니다. 추가적인 양상이 필요한 시점을 적응적으로 결정함으로써, 이 프레임워크는 모든 양상의 가용성을 가정하는 기존 방법들의 결정적인 한계를 해결합니다. 결과는 진단 정확도를 유지하면서도 데이터 획득의 재정적 부담을 획기적으로 줄일 수 있음을 입증합니다.

저자들은 결과가 유망하지만, 본 프레임워크가 실제 임상 워크플로우에서 실제 인간 환자를 대상으로 아직 검증되지 않았음을 명시적으로 밝히고 있습니다. 그들은 프레임워크를 일상생활에 적용하기 위해 추가적인 테스트가 필요함을 인정하며, 향후 연구가 추가적인 알고리즘을 통해 불확실성 정도를 더욱 견고하게 만드는 데 집중할 수 있음을 제안합니다.