Structural changes in autism reflect atypical brain network organization and phenotypical heterogeneity: a deep network approach
본 연구는 3D 합성곱 신경망(3D Convolutional Neural Networks)을 활용하여 구조적 MRI 데이터를 분석함으로써, 좌측 전두엽 및 측두엽의 비정상적인 거시구조적 변화와 특정 기능적 네트워크가 자폐 스펙트럼 장애의 표현형적 이질성의 기저를 이루고 있음을 밝혀냈으며, 이를 통해 진단적 하위 유형 분류를 위한 통찰을 제공한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기
자폐 스펙트럼 장애는 사람들이 상호 작용하고, 소통하며, 세상을 경험하는 방식에 영향을 미치는 복잡한 발달성 질환입니다. 핵심적인 어려움은 잘 알려져 있지만, 이 장애는 개인마다 다르게 나타나며, 단일하고 균일한 상태라기보다 방대한 경험의 스펙트럼을 형성합니다. 과학자들은 이러한 다양성의 생물학적 근원을 이해하기 위해, 왜 어떤 사람은 사회적 신호를 파악하는 데 어려움을 겪고 다른 사람은 다른 문제에 직면하는지를 설명할 수 있는 뇌의 물리적 차이를 찾아 오랫동안 노력해 왔습니다. 수십 년 동안 연구자들은 뇌가 작동하는 모습을 포착하는 기능적 영상 촬영에 의존하여 이러한 차이를 지도화해 왔습니다. 그러나 더 근본적인 질문이 남아 있습니다. 뇌의 정적인 구조, 즉 단 한 번의 스냅샷으로 포착된 물리적 구조 또한 이 장애의 복잡한 패턴을 드러낼 수 있을까요?
보스턴 대학교 연구진의 새로운 연구는 그 답이 '예'라고 제안합니다. 연구진은 첨단 인공지능을 표준 구조적 뇌 스캔에 적용함으로써, 자폐증이 뇌 전체에 걸쳐 물리적으로 어떻게 나타나는지에 대한 숨겨진 지도를 발견했습니다. 그들은 단순히 하나의 '자폐 지점'을 찾으려 한 것이 아니라, 100명 이상의 개인의 전체 뇌 부피를 분석하기 위해 딥러닝 시스템을 사용했습니다. 목표는 뇌의 물리적 형태와 구조가 개인의 증상 심각도를 예측할 수 있는지, 그리고 어떤 특정 네트워크가 관여하는지를 밝히는 것이었습니다. 결과는 놀라운 패턴을 가리킵니다. 이 장애는 뇌에 뚜렷하고 비대칭적인 흔적을 남기는데, 특히 왼쪽 뇌에서 조건의 심각도와 일치하는 가장 유의미한 구조적 변화가 나타났습니다.
연구진은 공공 데이터베이스의 대규모 뇌 스캔 컬렉션을 활용하였으며, 표준 임상 척도에 따라 증상의 심각도가 높거나 낮은 것으로 평가된 자폐증 환자들에 집중했습니다. 그들은 두 집단을 구별하기 위해 3차원 합성곱 신경망(3D convolutional neural network)이라 불리는 정교한 컴퓨터 모델, 즉 인공지형의 한 종류를 훈련시켰습니다. 이 모델은 뇌 전체를 한꺼번에 살펴보도록 설계되었으며, 인간의 눈이 놓칠 수 있는 회백질의 미세한 차이를 포착하도록 학습되었습니다. 모델이 자폐증에 대해 학습하고 있는 것이지, 단순히 무작위적인 노이즈나 서로 다른 병원에서 촬영된 스캔 방식의 차이를 학습하는 것이 아님을 보장하기 위해, 연구팀은 엄격한 테스트 방법을 사용했습니다. 그들은 모델의 성공이 영상의 품질이나 참가자의 연령 때문이 아니라, 장애와 관련된 실제적인 구조적 특징 때문임을 검증했습니다.
모델이 두 집단을 구분하는 법을 익힌 후, 연구진은 '새리언시 매핑(saliency mapping)'이라는 기법을 사용하여 컴퓨터가 뇌의 정확히 어느 부분에 집중하고 있는지를 확인했습니다. 이것은 컴퓨터에게 이미지에서 결정에 가장 중요했던 특정 픽셀을 강조하라고 요청하는 것과 같습니다. 결과는 명확하고 일관된 패턴을 보여주었습니다. 뇌의 좌반구가 우반구보다 훨씬 더 많이 관여하고 있었습니다. 가장 유의미한 구조적 변화는 언어, 사회적 상호 작용, 감정 조절에 핵심적인 영역으로 알려진 왼쪽의 전두엽과 측두엽에 집중되어 있었습니다. 오른쪽 뇌에서도 일부 변화가 나타났지만, 그 규모는 훨씬 작았고 집단 전체에서 일관성이 떨어졌습니다.
연구는 더 나아가 이러한 서로 다른 뇌 영역들이 어떻게 함께 작동하는지 조사했습니다. 연구진은 한 영역의 구조적 변화가 다른 영역의 변화와 함께 발생하는지, 즉 연결된 변화의 네트워크를 형성하는지를 분석했습니다. 그들은 영향을 가장 많이 받은 뇌 영역들이 응집력 있는 시스템을 형성하며, 이는 뇌의 알려진 기능적 네트워크와 일치한다는 것을 발견했습니다. 구체적으로, 변화는 우리가 백일몽을 꾸거나 자신에 대해 생각할 때 활성화되는 '디폴트 모드 네트워크(default mode network)'와 주변 세상에 집중하도록 돕는 '주의 네트워크(attention networks)'에서 가장 두드러졌습니다. 또한 연구는 이러한 구조적 패턴을 특정 증상과 연결 지었습니다. 예를 들어, 왼쪽 측두엽과 두정엽의 변이는 의사소통 및 사회적 인식 점수의 차이와 관련이 있었으며, 이는 해당 영역의 물리적 형태가 개인의 사회적 어려움의 정도와 직접적으로 연관되어 있음을 시사합니다.
가장 흥용할 만한 발견 중 하나는 장애의 심각도와 이러한 뇌 변화의 일관성 사이의 관계였습니다. 자폐증의 심각도가 높은 개인들의 경우, 좌반구의 구조적 차이는 무작위적이지 않았습니다. 한 영역에서의 변화 정도가 다른 영역에서의 변화 정도와 연결되는 비례적인 패턴을 따랐습니다. 이는 중증 사례에서 뇌의 구조가 조정되고 체계적인 방식으로 변화함을 시사합니다. 반면, 증상이 낮은 개인들이나 모든 사람의 우반구에서는 이러한 비례 관계가 훨씬 약하거나 나타나지 않았습니다. 이는 뇌의 왼쪽이 이 장애의 주요한 구조적 부담을 짊어지고 있으며, 이 부담의 정도가 증상의 강도에 따라 규모가 커진다는 것을 나타냅/니다.
연구진은 또한 이러한 구조적 발견이 뇌 기능에 대해 알려진 내용과 어떻게 비교되는지 살펴보았습니다. 그들이 식별한 네트워크들—예를 들어, 백일몽을 꾸거나 자신에 대해 생각할 때 활성화되는 디폴트 모드 네트워크와 무엇에 주의를 기울일지 결정하는 데 도움을 주는 살리언스 네트워크(salience network)—는 자폐증 환자들이 활동 중일 때 기능이 다르게 나타난다고 알려진 네트워크들과 동일합니다. 이는 매우 중요한 발견인데, 이는 뇌의 물리적 구조, 즉 표준 스캔에서 보이는 구조가 이러한 기능적 차이에 대한 청사진을 담고 있음을 의미하기 때문입니다. 이는 뇌가 어떻게 구축되었는지가 어떻게 작동하는지를 결정할 수 있음을 시사하며, 이러한 구조적 표지자들이 장애의 스펙트럼을 이해하는 데 있어 신뢰할 수 있는 도구임을 보여줍니다.
좌반구와 그 특정 네트워크에 초점을 맞춘 이 연구는 자폐증의 다양성 뒤에 숨겨진 생물학적 실체에 대한 더 명확한 그림을 제공합니다. 이 연구는 단일한 원인이나 단일한 유형의 뇌라는 개념을 넘어, 실제 증상과 상관관계를 갖는 구조적 변이의 스펙트럼을 보여줍니다. 이 작업은 인공지능이 이전에 보기 어려웠던 복잡한 데이터 속의 패턴을 드러내는 강력한 렌즈 역할을 할 수 있음을 입증합니다. 이 연구가 새로운 진단법이나 치료법을 제시하는 것은 아니지만, 자폐증의 구조적 풍경에 대한 상세한 지도를 제공하며, 물리적 형태를 기능적 결과와 연결해 줍니다. 이 지도는 왜 자폐증이 사람마다 다르게 나타나는지를 설명하는 데 도움을 주며, 이러한 구조적 차이가 스펙트럼 상의 개인들이 겪는 고유한 경험을 어떻게 형성하는지에 대한 향후 연구의 토대를 마련해 줍니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.