인간의 뇌는 우리의 생각, 기억, 건강 상태에 따라 변화하는 리듬 속에서 끊임없이 신호를 보내는 거대하고 웅성거리는 전기적 네트워크입니다. 이 섬세한 기계 장치가 알츠하이머병처럼 작동을 시작할 때, 그 전기적 웅성거림의 패턴은 특정한 방식으로, 측정 가능한 방식으로 변화합니다. 수십 년 동안 의사들은 이러한 변화를 포착하기 위해 MRI 스캐너와 같이 비싸고 고정된 장비에 의존해 왔지만, 그러한 도구들은 광범위한 선별 검사를 수행하기에는 너무 비용이 많이 들고 번거로운 경우가 많습니다. 더 접근하기 쉬운 대안은 뇌파 검사(EEG)의 형태로 존재하는데, 이는 두피에 부착된 센서 캡을 통해 뇌의 전기적 활동을 기록하는 방식입니다. EEG는 휴대 가능하고 저렴하지만, 그것이 포착하는 신호는 매우 무질서하고 사람마다 크게 다르기 때문에, 단순히 존재하지 않는 방대한 양의 라벨링된 데이터 없이는 해석하기가 매우 어렵습니다.

이것이 고려대학교의 박찬우, 김찬우 연구원이 해결하고자 했던 과제입니다. 그들은 컴퓨터가 '선생님'의 라벨링 없이도 뇌파의 복잡한 언어를 이해하도록 가르치는 새로운 방법을 개발했습니다. 그들이 '델타투감마(Delta2Gamma)'라고 부르는 이 접근 방식은 뇌의 전기 신호를 하나의 뒤섞인 데이터 스트림이 아니라, 각각 다른 음을 연주하는 다섯 가지의 서로 다른 악기 모음으로 취급합니다. 신호를 느리고 무거운 델타파부터 빠르고 날카로운 감마파에 이르는 특정 주파수 대역으로 분리함으로써, 연구팀은 인공지능이 각 리듬의 고유한 특성을 독립적으로 학습할 수 있도록 했습니다. 이 방법은 놀라울 정도로 효과적임이 입증되었습니다. 알츠하이머병 환자군과 건강한 대조군을 대상으로 테스트했을 때, 이 시스템은 질환을 약 93%의 확률로 정확히 식별해 냈으며, 이는 치매 선별 검사가 간단하고 일상적인 체크업처럼 될 수 있는 미래를 시사하는 상당한 진전입니다.

이 획기적인 성과의 핵심 아이디어는 뇌가 단 하나의 목소리로 말하지 않는다는 점입니다. 건강한 노화 과정에서 뇌의 전기적 활동은 느려지는 경향이 있으며, 느린 델타파와 세타파는 증가하고 빠른 알파, 베타, 감마파는 감소합니다. EEG 데이터를 분석하려는 이전의 시도들은 종-종 이 모든 정보를 하나의 단일한 표현으로 압축하려고 했으며, 이는 서로 다른 리듬의 뚜렷한 목소리들을 하나로 뭉뚱그려 버리는 결과를 초래했습니다. 연구진은 이러한 주파수들을 분리된 상태로 유지함으로써 질병을 나타내는 구체적인 단서들을 보존할 수 있다는 사실을 깨달았습니다. 그들은 먼저 원시 EEG 기록을 다섯 개의 병렬 스트림(각 주파수 대역당 하나)으로 나누는 시스템을 구축했습니다. 그런 다음 각 스트림은 패턴을 인식하도록 설계된 유형의 컴퓨터 프로그램인 전용 신경망에 의해 처리되며, 이를 통해 시스템은 서로 간섭하지 않고 각 리듬의 고유한 '지문'을 학습할 수 있습니다.

이 시스템을 훈련시키기 위해 연구진은 의료용 AI가 직면한 흔한 난관에 부딪혔습니다. 즉, 확진된 진단명이 포함된 뇌파 기록이 매우 적다는 것입니다. 라벨링된 예시의 대규모 라이브러리에 의존하는 대신, 그들은 '자기 지도 학습(self-supervised learning)'이라는 기술을 사용했습니다. 어떤 학생에게 약간 다른 두 장의 사진을 보여주고, 한 장이 더 밝거나 약간 흐릿하더라도 그것이 같은 물체임을 깨닫도록 요구하는 상황을 상상해 보십시오. 연구진은 이와 동일한 논리를 뇌파에 적용했습니다. 그들은 단일 EEG 기록을 가져와 작은 양의 노이즈를 추가하거나 신호의 일부를 가리는 방식으로 약간 변형된 두 가지 버전을 만들었습니다. 그런 다음 컴퓨터는 이 두 변형된 버전이 동일한 원래의 뇌로부터 온 것임을 인식하는 동시에, 변형 과정에서 도입된 무작위한 변화를 무시하도록 하는 과제를 부여받았습니다. 이 과정을 통해 모델은 뇌파 기록을 괴롭히는 무작위 노이즈가 아니라, 뇌의 전기적 활동이 가진 안정적이고 의미 있는 패턴에 집중하는 법을 배웠습니다 진.

그들의 설계에서 중요한 혁신은 각 주파수 대역에 대한 '적응형 온도(adaptive temperature)'를 사용한 것이었습니다. 머신러닝의 언어로, 이 온도는 컴퓨터가 서로 다른 신호를 얼마나 엄격하게 비교할지를 제어합니다. 연구진은 모든 뇌 리듬이 학습하기에 똑같이 쉽거나 진단에 똑같이 중요한 것은 아니라는 점을 발견했습니다. 시스템이 각 대역에 대해 비교의 엄격함을 자동으로 조정할 수 있도록 함으로써, 느리고 지배적인 파동이 더 빠르고 미묘한 파동에 의해 묻히지 않도록 보장했습니다. 이러한 역동적인 균형 잡기 덕분에 모델은 뇌 활동의 전체 스펙트럼으로부터 학습할 수 있었으며, 치매의 강력한 징후를 전달하는 느린 델타파에 적절한 가중치를 부여하는 동시에 높은 인지 기능과 연결된 빠른 감마파에도 주의를 기울일 수 있었습니다.

연구팀이 알츠리머병, 다른 형태의 치매, 그리고 건강한 대조군을 포함한 88명의 참가자 데이터셋을 사용하여 모델을 테스트했을 때, 결과는 놀라웠습니다. 모든 사람을 제외한 나머지 인원으로 학습하고 남겨진 단 한 명의 개인에 대해 테스트하는 엄격한 검증 방법을 사용하여, 모델은 92.4%의 정확도를 달-성했습니다. 이 성능은 라벨링된 데이터에 의존하는 전통적인 지도 학습 모델과 주파수 대역을 분리하지 않는 최신 자기 지도 학습 방식 모두를 포함한 기존의 선도적인 방법들을 크게 앞질렀습니다. 또한 연구진은 기록된 신호의 길이가 길어질수록 건강한 뇌와 질환이 있는 뇌를 구별하는 모델의 능력이 향상된다는 것을 발견했으며, 이는 시스템이 뇌의 자연스러운 리듬을 관찰할 수 있는 더 많은 시간을 갖는 것이 유익하다는 점을 확인시켜 줍니다.

이 연구는 또한 시스템의 서로 다른 부분들이 뚜렷하고 상호 보완적인 역할을 학습하고 있음을 보여주었습니다. 느린 파동을 담당하는 구성 요소는 몇 가지 핵심적인 특징에 집중한 반면, 빠른 파동을 다루는 부분은 주의력을 더 넓게 분산시켰습니다. 이는 모델이 단순히 데이터를 암기하는 것이 아니라, 알츠하이머가 뇌에 미치는 복잡하고 다층적인 본질을 실제로 포착하고 있음을 시사합니다. 가장 강력한 진단 능력을 보여준 느린 파동은 의사들이 이미 알고 있는 질병의 양상과 일치했지만, 시스템은 또한 빠른 파동에서도 가치를 찾아내어 환자의 상태에 대한 더 완전한 그림을 그려냈습니다. 이러한 별개의 통찰력을 결합함으로써, 모델은 단일한 통합 접근 방식이나 기존 도구들의 단순한 조합으로는 도달할 수 없는 수준의 정밀도를 달성했습니다.

이 작업은 EEG의 잠재력을 널리 활용하기 위한 열쇠가 뇌 신호의 자연스러운 다양성을 존중하는 데 있음을 보여줍니다. 모든 데이터를 하나의 틀에 강제로 밀어 넣기보다, 델타투감마 프레임워크는 각 주파수 대역을 퍼즐의 필수적인 조각으로 취급하며 뇌의 복잡성을 수용합니다. 이 접근 방식의 성공은 적절한 도구가 있다면, 인간 뇌의 소란스럽고 가변적인 신호를 명확하고 신뢰할 수 있는 건강 지표로 바꿀 수 있음을 시사하며, 저렴하고 확장 가능한 조기 탐지의 길을 제시합니다. 인구가 고령화되고 치매 선별 검사에 대한 수요가 증가함에 따라, 이러한 방식은 우리가 뇌 건강을 모니터링하는 방식을 변화시켜, 값비싼 병원 중심의 진단에서 벗어나 미묘한 질병의 징후를 쉽고 효과적으로 조기에 포착할 수 있는 미래로 나아가게 할 것입니다.