기술 요약: 딥러닝을 이용한 알츠하이머병 진행의 불확실성 인지형 종단적 예측

1. 문제 정의

알츠하이머병(AD) 진행 모델링을 위한 기존의 딥러닝 접근 방식은 종종 문제를 단일 단계 분류 문제로 환원하여, 인지 정상(CN), 경도 인지 장애(MCI), 치매를 순서가 없는 평면적인 범주로 취급합니다. 이러한 정식화는 질병 진행의 임상적으로 유의미한 서열 구조를 포착하지 못하며, 미래 방문 시점에서 불확실성이 어떻게 누적되는지에 대한 통찰을 제한적으로 제공합니다. 또한, 표준적인 점 추정(point prediction)은 알레아토리 불확실성(데이터 자체의 노이즈 및 질병의 가변성)과 에피스테믹 불확실성(제한적이거나 비대표적인 훈련 데이터로 인한 모델의 무지)을 구분하지 못합니다.

저자들은 임상적으로 유용한 모델이 더 풍부한 질문에 답할 수 있어야 한다고 주장합니다: 환자는 몇 년 동안 어떻게 진화할 가능성이 높은가? 가능한 미래의 범위는 어디까지인가? 모델이 불확실한 이유는 질병의 경로가 가변적이기 때문인가, 아니면 환자의 표현형이 훈련 데이터에서 충분히 나타나지 않았기 때문인가? 이러한 구분은 특히 모델이 분포 외(OOD) 코호트를 마주했을 때 배포 측면에서 매우 중요합니다.

2. 방법론

본 논문은 서열 기반 진단 예측, 자기회귀적 궤적 생성, 그리고 분해된 불확실성 추정을 통합하는 통일된 확률적 프레임워크를 제안합니다. 아키텍처는 세 가지 주요 구성 요소로 이루어져 있습니다.

2.1. 서열 시간 융합 트랜스포머(TFT) 인코더

저자들은 종단적 환자 이력을 인코딩하기 위해 템포럴 퓨전 트랜스포머(TFT)를 변형하였습니다.

• 입력 처리: 모델은 변수 선택 네트워크(VSN)와 게이트 잔차 네트워크(GRN)를 사용하여 정적 공변량(성별, 교육 수준, APOE 상태)과 시계열적 특징(MRI 바이오마커, 인지 점수, CDR 하위 점수)을 처리합니다.
• 서열 출력: 인코더는 표준 교차 엔트로피 대신 CORAL (Correlation-based Ordinal Regression) 출력층을 사용합니다. 이는 이진 임계값 분류기를 공유함으로써 랭크 일관성을 강제하며, CN을 치매로 오분류하는 것을 MCI로 오분류하는 것보다 더 엄격하게 처벌하도록 보장합니다.
• 훈련 전략: 모델은 MCI에서 치매로의 전환 이벤트를 우선시하기 위해 비대칭 손실 가중치와 컨버터 오버샘플링을 채택합니다.
• 연속 시간 인코딩: TFT는 연속 시간 위치 인코딩을 사용하여 불규칙한 방문 간격(6~12개월)을 처리할 수 있도록 수정되었습니다.

2.2. 자기회귀 확률적 궤적 생성기

고정된 TFT 인코더의 컨텍스트 벡터에 조건화된 자기회귀 **혼합 밀도 네트워크(MDN)**가 5년 단위의 확률적 궤적을 생성합니다.

• 메커니즘: GRU는 미래 타임스텝($H=10$, 6개월 간격) 동안 진화하는 은닉 상태를 유지합니다. 각 단계에서 MDN 헤드는 바이오마커 타겟(CDR-SB, MMSE 지향성, 해마 부피)을 위한 3성분 가우시안 혼합(Gaussian mixture)을 매개변수화합니다.
• 진단 전이: 진단 상태는 학습된 서열 전이 분포로부터 샘플링됩니다. 하드 임포시빌리티 마스크($\mathcal{M}$)는 임상적 제약 조건을 강제하여, 역방향 전이(예: 치매에서 MCI로)나 단일 단계 도약(예: CN에서 치매로)을 금지합니다.
• 샘플링: 추론 과정에서 환자당 200개의 궤적을 샘플링합니다. 변이형 오토인코더(VAE)를 이 샘플들에 대해 학습시켜 네 가지 진행 유형(Stable, Slow Decline, Moderate Decline, Rapid Progression)을 식별합니다.

2.3. 분해된 불확실성 추정

전체 예측 불확실성은 전체 분산의 법칙을 사용하여 분해됩니다:
$$\text{Var}[\hat{b}] = \underbrace{\mathbb{E}_\theta[\text{Var}[\hat{b}|\theta]]}_{\text{Aleatoric}} + \underbrace{\text{Var}_\theta[\mathbb{E}[\hat{b}|\theta]]}_{\text{Epistemic}}$$

• 알레아토리 불확실성(Aleatoric Uncertainty): 단일 순방향 패스(forward pass)에서 MDN 혼합 분산을 통해 분석적으로 추정되며, 줄일 수 없는 데이터 노이즈를 포착합니다.
• 에피스테믹 불확실성(Epistemic Uncertainty): 서로 다른 랜덤 시드로 훈련된 5개의 멤버로 구성된 딥 앙상블을 사용하여 추정됩니다. 저자들은 단순히 가중치 초기화뿐만 아니라 훈련 데이터의 부트스트랩 리샘플링을 사용하는 것이 가장 높은 인코더 다양성과 가장 뚜렷한 에피스테믹 신호를 생성한다는 것을 발견했습니다.

3. 주요 기여

1. 서열적 시간 융합: AD 단계의 순차적 특성을 존중하고 전환 이벤트를 우선시하기 위해 CORAL 및 비대칭 손실을 적용하여 TFT를 적응시켰습니다.
2. 확률적 궤적 생성: 결정론적인 단일 경로가 아닌, 여러 가지 가능한 미래를 나타내는 다년, 다중 모드 궤적을 생성함으로써 점 추정을 넘어섰습니다.
3. 불확실성 분해: 질병의 가변성(알레아토리)과 모델의 무지(에피스테믹)를 구분하여 불확실성을 분해했습니다.
4. 외부 OOD 검증: OASIS-3 코호트(훈련 시 보지 못한 데이터)를 통해 공변량 변화를 특징짓고, 에피스테믹 불확실성이 증가할 때 예측 신뢰도가 감소하는지 검증했습니다.

4. 실험 결과

4.1. 다음 방문 분류 (ADNI)

ADNI 테스트 세트에서 제안된 TFT는 모든 지표에서 선형, 순환(LSTM), 표준 트랜스포머 베이스라인을 능가했습니다.

• 성능: 이차 가중 카파(Quadratic Weighted Kappa, QWK) 0.897 및 균형 정확도(Balanced Accuracy) 0.883을 달성했습니다.
• 서열 일관성: CORAL 정식화는 서열 위반율을 거의 제로(0.000–0.001)로 낮춘 반면, 제약이 없는 베이스라인은 더 높은 위반을 보였습니다.
• 전환 탐지: 모델은 MCI 대 치매 판별 지표(AUCMD: 0.961)에서 가장 강력한 개선을 보여, 전환 이벤트에 대한 민감도가 향상되었음을 입증했습니다.

4.2. 궤적 생성

• 보정(Calibration): 모델은 명목상의 90% 신뢰 구간(CI) 커버리지에 근접한 성능을 보였습니다 (CDR-SB 94.1%, MMSE 96.5%, 해마 89.4%).
• 선명도(Sharpness): CI 폭은 60개월의 기간 동안 단조 증가하며, 누적되는 불확실성을 정확하게 반영했습니다.
• 타당성: 생성된 궤적은 생물학적 추세(CDR-SB 증가, MMSE 및 해마 부피 감소)를 준수했습니다. MCI 환자의 중앙값 전환 시간은 2.0년으로, 역학적 추정치(3~5년)보다 약간 짧았으며, 이는 임박한 전환에 대한 편향 가능성을 시사합니다.

4.3. 불확실성 분석

• 분해: 모든 바이오마커에서 알레아토리 불확실성이 지배적이었으나, 에피스테믹 불확실성 또한 무시할 수 없는 수준(7.9%–10.3%의 전체 분산)이었습니다.
• 유형별 민감도: 에피스테믹 불확실성은 Stable(5.5%) 및 Slow Decline(3.3%) 그룹에 비해 Rapid Progression(10.7%) 및 Moderate Decline(10.3%) 유형에서 유의미하게 높았습니다.
• 진단 민감도: 에피스테믹 불확실성은 질병의 심각도에 따라 증가했습니다: CN (7.1%), MCI (26.7%), 치매 (35.5%).

4.4. 분포 외(OOD) 평가 (OASIS-3)

미세 조정 없이 OASIS-3에 적용했을 때:

• 성능 격차: QWK가 0.166, AUCMD가 0.158 감소하였으며, 이는 확인된 공변량 변화(예: 더 고령인 인구, 더 높은 치매 유병률)와 일치합니다.
• 불확실성 정렬: 에피스테믹 불확실성은 OASIS-3에서 유의미하게 증가(1.21배~1.47배)한 반면, 알레아토리 불확실성은 안정적이었습니다.
• 오차 상관관계: 에피스테믹 불확실성과 예측 오차 사이에 양의 상관관계($r=0.341$)가 발견되었습니다. 에피스테믹 불확실성이 높은 기록일수록 오분류될 가능성이 높았으며, 이는 에피스테믹 불확실성 신호가 새로운 코호트에서의 모델 신뢰도를 나타내는 대리 지표임을 검증합니다.

5. 의의 및 주장

저자들은 본 프레임워크가 알츠하이머병 진행을 고립된 분류 결정의 시퀀스가 아닌 확률적 종단적 과정으로 모델링하는 것의 가치를 입증한다고 주장합니다.

• 임상적 유용성: 환자 수준의 이질성(알레아토리)과 제한된 훈련 증거(에피스테믹)로 인한 불확실성을 구분함으로써, 모델은 임상적으로 의미 있는 신호를 제공합니다. 높은 에피스테믹 불확실성은 희귀한 진행 유형이나 외부 코호트의 환자와 같이 예측을 주의 깊게 다뤄야 하는 사례를 식별할 수 있게 합니다.
• 배포 안전성: 결과는 모델이 자신의 한계를 인지하고 있음을 보여줍니다. 분포 변화(OASIS-3)에 직면했을 때, 모델은 과잉 확신하기보다 신뢰도가 낮아지며, 이는 안전한 임상 AI 배포를 위한 중요한 속성입니다.
• 서열 학습: 질병 단계를 순서가 있는 클래스로 취급하는 것이 평면적 분류 방식에 비해 임상적으로 중요한 전환(MCI에서 치매)을 탐지하는 데 유의미하게 개선된다는 것을 확인했습니다.

본 논문은 모델이 유망하지만, 전환 속도를 과대평가하는 경향과 더 다양한 비서구권 인구에 대한 추가 검증 필요성 등의 한계가 있다고 결론짓습니다. 이 프레임워크는 더 신중하고 정보가 풍부한 예후 및 추적 관찰 계획을 위한 임상 의사결정 지원의 토대로 기능합니다.