A Comparative Evaluation of Structural MRI Foundation Models for Age, Sex, and Body-Mass Index Predictions

인간의 뇌는 복잡한 기관이며, 시간이 흐름에 따라 어떻게 변화하는지 또는 사람들 사이에서 어떻게 다른지를 이해하는 것은 현대 신경과학의 핵심 목표입니다. 수술 없이 살아있는 뇌 내부를 보기 위해, 연구자들은 뇌 구조의 상세한 3차원 지도를 생성하는 기술인 자기공명영상(MRI)에 의존합니다. 수십 년 동안 과학자들은 뇌의 외층 두께나 접힌 표면의 크기와 같은 특정 특징을 수동으로 측정하여 이 지도들을 분석해 왔습니다. 형태 측정적 특징이라고 알려진 이러한 측정값들은 알츠하이머병이나 노화의 자연스러운 영향과 같은 질환을 연구하는 데 있어 견고한 토대를 제공해 왔습니다. 그러나 희귀 질환이나 다양한 인구 집단을 연구하기 위해 충분한 양의 뇌 스캔 데이터를 수집하는 것은 어려우며, 전통적인 방식은 데이터를 해석하는 데 많은 인간의 노력을 요구하는 경우가 많습니다. 최근 몇 년 동안 새로운 접근 방식이 등장했습니다. 바로 컴퓨터 시스템이 방대한 양의 뇌 스캔 모음집을 학습하여 스스로 패턴을 인식할 수 있도록 훈련시키는 것입니다. 파운데이션 모델(foundation models)이라 불리는 이 시스템들은 원본 이미지를 직접 이해하도록 설계되었으며, 이는 기존 방식보다 의료 스캔으로부터 의미 있는 정보를 추출하는 데 있어 잠재적으로 더 강력한 방법을 제공할 수 있습니다.

한 연구팀은 이러한 새로운 컴퓨터 시스템이 수년간 사용되어 온 기존 방식에 비해 진정으로 이점을 제공하는지 테스트하기 위해 연구를 시작했습니다. 그들은 대규모 뇌 이미지 데이터셋을 바탕으로 사전 훈련된 네 가지 공개 모델에 집중했습니다. 이 모델들이 실제 상황에서 얼마나 잘 작동하는지 확인하기 위해, 연구진은 파킨슨병 환자, 건강한 아동 및 성인 네트워크, 그리고 대규모의 건강한 자원봉사자라는 세 가지 서로 다른 집단으로부터 자기공명 영상을 수집했습니다. 연구진은 컴퓨터 모델들에게 뇌 연구에서 흔히 쓰이는 세 가지 특정 과업, 즉 성별 판별, 연령 추정, 체질량 지수 예측을 수행하도록 요청했습니다. 공정한 비교를 위해, 팀은 뇌 피질의 두께와 표면적을 측정하는 표준 방식, 즉 오랫동안 이 분야의 골드 스탠다드(gold standard)로 여겨져 온 방식과 이 새로운 모델들을 비교 테스트했습니다. 연구진은 컴퓨터 모델이 테스트 중에 새로운 것을 배우지 못하도록 하는 일관된 테스트 프레임워크를 사용하여, 결과가 모델이 초기 훈련 단계에서 이미 학습한 내용만을 반영하도록 보장했습니다.

결과는 새로운 컴퓨터 모델들이 항상 승리하는 것은 아니라는 점을 보여주었습니다. 일부 파운데이션 모델은 특정 과업이나 특정 집단의 경우 전통적인 측정법보다 뛰어난 성능을 보였지만, 전반적인 양상은 엇갈렸습니다. 두 모델인 3D-Neuro-SimCLR와 AnatCL은 대부분의 테스트에서 전통적인 방식보다 일관되게 우수한 성능을 보였습니다. 그중에서도 3D-Neuro-SimCLR는 가장 신뢰할 수 있는 성능을 보여주었으나, HBN 데이터셋에서의 성별 분류와 관련된 특정 과업에서는 어려움을 겪었습니다. 테스트된 다른 모델들은 전통적인 측정법을 일관되게 능가하지 못했으며, 이는 컴퓨터가 원본 이미지로부터 스스로 패턴을 학습하는 능력이 모든 상황에서 더 나은 결과를 보장하는 것은 아님을 시사합니다. 또한 연구진은 이 새로운 모델들이 뇌를 이해하는 방식이 전통적인 측정법이 설명하는 방식과 다르다는 것을 발견했는데, 이는 컴퓨터가 인간이 설계한 측정법이 놓칠 수 있는 데이터 내의 관계를 보고 있음을 나타냅니다.

이 연구는 이러한 첨단 컴퓨터 모델이 아직 기존 기술을 대체하는 보편적인 도구는 아니라는 점을 보여줌으로써 해당 분야에 명확한 벤치마크를 제공합니다. 연구 결과는 3D-Neuro-SimCLR 및 AnatCL과 같은 모델이 뇌 영상 예측을 개선하는 데 특히 강력한 도구이지만, 그 성공 여부는 질문되는 구체적인 질문과 연구 대상 집단에 크게 의존한다는 것을 시사합니다. 다른 과학자들이 이 연구를 지속할 수 있도록 연구진은 자신들의 테스트 방법을 대중에 공개하여, 새로운 모델이 개발됨에 따라 추가되고 비교될 수 있는 살아있는 리소스를 만들었습니다. 이러한 투명성은 새로운 기술이 증거 없이 항상 우월할 것이라는 가정을 피하면서, 어떤 도구가 가장 잘 작동하는지에 대한 명확한 이해와 함께 분야가 발전할 수 있도록 보장합니다. 이 연구는 이러한 파운데이션 모델들이 적절한 모델을 적절한 과업에 맞출 때 더 정확한 예측을 향한 경로를 제공하며, 신경과학자의 도구 상자에 귀중한 추가 요소임을 확인시켜 줍니다.