An Attention-Based Framework for Alzheimers Disease Classification Using Resting-State fMRI

당신의 뇌를 수십억 개의 뉴런이 시민으로서 끊임없이 서로 대화를 나누며 당신의 사고, 기억, 움직임을 유지하는 활기차고 첨단 기술이 집약된 도시라고 상상해 보세요. 때때로 과학자들은 이 도시가 어떻게 작동하는지 이해하기 위해 단순히 건물(뇌의 구조)을 보는 것에 그치지 않고, 그 대화에 귀를 기울입니다. 그들은 MRI라는 특별한 카메라를 사용하여 '휴지기 상태(resting-state)'의 수다, 즉 당신이 눈을 뜨고 가만히 앉아 있을 때 발생하는 자발적이고 저주파적인 활동의 웅성거림을 기록합니다. 이 수다는 '기능적 연결성(functional connectivity)'을 드러내는데, 이는 기본적으로 뇌의 어떤 구역들이 서로 대화를 나누고 있는지에 대한 지도와 같습니다.

수년 동안 의사들과 과학자들은 이 지도를 사용하여 알츠하이머병을 찾아내려 노력해 왔습니다. 알츠하이머병은 뇌의 기능 수행 능력을 서서히 무너뜨리는 질환입니다. 문제는 이 지도들이 믿기 힘들 정도로 무질서하고 복잡하다는 점입니다. 그것들은 마치 수천 개의 숫자가 담긴 거대한 스프레드시트처럼 노이즈와 혼란스러운 패턴으로 가득 차 있습니다. 전통적인 방식은 특정 '중요한' 대화를 수동으로 골라내는 방식으로 이를 해결하려 했지만, 이는 도서관의 모든 책을 한 권씩 다 읽어서 단 하나의 틀린 단어를 찾아내려는 것과 같습니다. 이는 느리고, 인간의 실수에 취약하며, 종종 전체적인 그림을 놓치게 됩니다. 바로 여기서, 단순히 지도를 읽는 것이 아니라 도시의 대화라는 전체 이야기를 한꺼번에 이해하는 법을 배우는 새로운 종류의 인공지능이 등장합니다.

논문의 핵심 아이디어: AI에게 뇌의 수다를 듣는 법 가르치기

이 연구에서 연구진은 휴지기 상태의 뇌 대화를 통해 알츠하이머병을 포착하도록 설계된 영리하고 새로운 AI 프레임워크를 구축했습니다. 뇌의 특정 부위가 어떻게 대화하는지 수동으로 선택하는 대신, 그들은 뇌를 파티에 모인 친구들의 집단처럼 다루었습니다. 그들은 '기능적 연결성 행렬(functional connectivity matrix)'—누가 누구와 대화하는지를 나타내는 지도—을 가져와 각 뇌 영역을 하나의 '토큰', 즉 이야기 속의 디지털 캐릭터로 변환했습니다.

연구진은 언어의 장거리 관계를 이해하는 능력으로 유명한 '트랜스포머(Transformer)'라는 특별한 유형의 AI를 사용했습니다. 이것은 뇌 도시를 돌아다니며 "어라, 도서관이 더 이상 공원과 대화하지 않고 있고, 빵집이 학교에 소리를 지르고 있네!"라고 즉각적으로 알아차릴 수 있는 초스마트 탐정과 같습니다. '자기 주의(self-attention)'라고 불리는 메커니즘을 사용하여, AI는 가장 중요한 대화에 집중하고 배경 소음은 무시하는 법을 배웁니다. AI는 인간이 무엇을 찾으라고 알려줄 필요 없이, 알츠하이머가 존재할 때 뇌 영역 간의 연결이 어떻게 변하는지를 관찰함으로써 질병의 패턴을 스스로 찾아냅니다.

그들은 어떻게 테스트했는가

이 탐정 AI가 얼마나 유능한지 확인하기 위해, 팀은 방대한 공개 데이터베이스인 알츠하이머병 신경영상 이니셔티브(ADNI)의 데이터를 사용했습니다. 그들은 60명(알츠하이머 환자 30명, 인지 기능이 정상인 사람 30명)의 데이터를 살펴보았습니다. 테스트가 공정하고 현실적이 되도록 하기 위해, 그들은 각 개인의 단일 스냅샷만을 보지 않았습니다. 그들은 각 개인의 약 1년 간격의 두 차례 방문 데이터를 살펴보았으며, 총 120회의 '방문' 데이터를 활용했습니다.

결정적으로, 그들은 AI가 부정행위를 하지 않도록 조치했습니다. 그들은 데이터를 분할하여, 만약 AI가 훈련 단계에서 특정 인물의 한 번의 방문 데이터를 보았다면, 테스트 단계에서는 그 사람의 다른 어떤 방문 데이터도 볼 수 없도록 했습니다. 이는 AI가 실제 질병 패턴을 학습하는 대신 단순히 특정 인물의 얼굴을 암기하는 것을 방지하기 위함입니다. 또한, 그룹 간의 불균형을 처리하기 위해 '클래스 가중치 최적화(class-weighted optimization)'라는 특별한 기법을 사용하여, AI가 높은 점수를 얻기 위해 단순히 다수파의 답을 찍는 일이 없도록 했습니다.

그들이 발견한 것

결과는 매우 유망했습니다. AI가 어떤 사람이 알츠하이머를 앓고 있는지 혹은 인지 기능이 정상인지 예측했을 때, 약 **88.95%**의 확률로 정답을 맞혔습니다. 또한 모델이 노이즈가 있는 데이터에서도 두 그룹을 구별하는 능력이 매우 뛰어나다는 강력한 지표인 ROC-AUC 점수 0.90을 달성했습니다.

AI는 특히 오보를 내리지 않는 데 탁-월했습니다. '정밀도(precision)'는 0.90으로, 누군가 알츠하이머가 있다고 진단했을 때 그 진단이 맞을 확률이 90%였습니다. 또한 '재현율(recall)'은 0.8182로, 실제 사례 대부분을 잡아낼 수 있을 만큼 충분히 민감하다는 것을 보여주었습니다. 연구진은 이 접근 방식이 인간이 수동으로 특징을 설계하지 않고도 뇌의 복잡한 장거리 연결성을 포착하기 때문에 효과적이라고 제안합니다.

이것이 의미하는 바 (그리고 의미하지 않는 것)

이 논문은 이러한 주의(attention) 기반 방식이 휴지기 fMRI를 사용하여 알츠하이머를 감지하는 견고하고 해석 가능한 방법이라고 주장합니다. 이 방식은 AI가 뇌 연결의 전역적 네트워크를 바라보게 함으로써, 기존의 수동 방식이 놓칠 수 있는 질병 패턴을 찾아낼 수 있음을 시사합니다.

하지만 저자들은 이것을 마법 같은 치료제나 완성된 제품이라고 부르는 것을 경계합니다. 그들은 이 연구가 상대적으로 작은 규모(60명)로 진행되었으며, 그룹이 너무 작아 결과가 불안정해질 수 있는 일반적인 '교차 검증(cross-validation)' 테스트를 수행할 수 없었다는 점을 언급했습니다. 또한, 다른 연구들이 높은 점수를 얻기 위해 원시 4D 뇌 스캔이나 거대한 데이터셋을 사용한 반면, 이 방법은 연결 지도만으로도 강력한 결과를 얻을 수 있음을 입증했다는 점을 강조했습니다. 이는 데이터가 제한적인 환경에서 매우 유용합니다.

연구진은 이 연구가 강력한 진전이지만, 진정한 미래는 이 '듣는' 방식과 뇌의 구조(예: 뇌 부위의 크기)를 '보는' 방식을 결래하여 더욱 명확한 그림을 얻는 데 있다고 결론지었습니다. 현재로서는, 뇌의 전역적인 대화에 주목하도록 AI를 가르치는 것이 알츠하이머와의 싸움에서 강력한 새로운 도구가 될 수 있음을 보여주었습니다.