A 2-Level Stacking Ensemble Framework for Multi-Class Alzheimer’s Disease Diagnosis Using CNN Feature Extractors and SVM-XGBoost Classifiers

알츠하이머병을 조기에 진단하는 것은 현대 의학에서 가장 시급한 과제 중 하나이며, 종종 의사가 뇌의 자기공명영상(MRI) 스캔을 검토하는 것에 의존합니다. 이러한 영상은 뇌의 물리적 구조를 보여주며, 질병이 매우 경미한 기억력 상실부터 심각한 치매에 이르는 단계로 진행됨에 따라 서로 다른 영역이 어떻게 위축되거나 변화하는지를 보여줍니다. 인간 전문가들이 이러한 변화를 포착할 수는 있지만, 초기 단계의 차이가 미묘하고 뇌의 해부학적 구조가 복잡하기 때문에 이 작업은 매우 어렵습니다. 이를 돕기 위해 과학자들은 인공지능, 구체적으로는 딥러닝 모델이라고 알려진 일종의 컴퓨터 프로그램에 눈을 돌렸습니다. 이 프로그램들은 디지털 현미경처럼 작동하며, 인간의 눈이 놓칠 수 있는 의료 영상 속의 패턴을 인식하도록 훈련되었습니다. 여러 가지 서로 다른 컴퓨터 모델의 통찰력을 결합함으로써, 연구자들은 단일 프로그램이 혼자 작동할 때보다 더 정확하고 신뢰할 수 있는 시스템을 구축하기를 희망하고 있습니다.

최근 연구에서 인도 NERIST의 Shashi Kant Mourya와 Ajit Kr. Singh Yadav 연구진은 뇌 스캔을 비치매, 매우 경미한 치매, 경미한 치매, 중등도 치매의 네 가지 뚜렷한 범주로 분류하도록 설계된 정교한 시스템을 개발했습니다. '2단계 스태킹 앙상블(two-level stacking ensemble)'이라고 불리는 그들의 접근 방식은 세 명의 서로 다른 인공지능 전문가의 의견을 모은 다음, 네 번째의 더 숙련된 판사가 최종 결정을 내리는 방식으로 작동합니다. 첫 세 명의 전문가는 MRI 단면을 관찰하도록 훈련된 특화된 컴퓨터 네트워크입니다. 이 중 두 개의 네트워크는 이전의 많은 연구에서 사용되어 온 ResNet152와 DenseNet121이라는 잘 알려진 기성 설계입니다. 세 번째 전문가는 이 프로젝트를 위해 특별히 제작된 커스텀 네트워크인 'Shashi-CNN'으로, 뇌 스캔에서 발견되는 고유한 질감을 포착하도록 처음부터 설계되었습니다.

연구진은 이 세 네트워크가 정답에 투표하게 하는 대신, 특정 순서에 따라 협력하도록 했습니다. 먼저, 각 네트워크는 뇌 영상을 분석하여 상세한 특징 목록을 추출했는데, 이는 시각적 데이터를 뇌의 상태를 설명하는 긴 숫자 목록으로 번역하는 과정입니다. 이 목록들은 결합되고 단순화되어 혼란을 주는 노이즈를 제거하고 가장 중요한 정보만을 남겼습니다. 이렇게 정제된 데이터는 첫 번째 단계 분류기인 서포트 벡터 머신(Support Vector Machine)이라는 수학적 도구로 입력되어 각 영상에 대한 초기 예측을 수행했습니다. 결정적으로, 시스템이 단순히 정답을 암기하지 않도록 하기 위해 연구진은 모델이 훈련 단계에서 보지 못한 데이터로 테스트하는 방식을 사용하여 이 첫 번째 층을 훈련시켰습니다.

마지막 단계에는 메타 학습자 역할을 하는 XGBoost라는 고급 알고리즘인 두 번째 단계의 판사가 개입했습니다. 이 판사는 가공되지 않은 뇌 영상을 보는 것이 아니라, 첫 세 네트워크와 첫 번째 단계 분류기가 생성한 신뢰도 점수와 예측값을 살펴보았습니다. 이기들은 서로의 의견이 어떻게 일치하거나 불일치하는지를 분석함으로써, 각 특정 유형의 뇌 스캔에 대해 어떤 전문가가 가장 신뢰할 수 있는지 결정하는 가중치를 학습했습니다. 이러한 계층적 접근 방식은 시스템이 단일 모델이 놓칠 수 있는 오류를 잡아낼 수 있게 해주었으며, 결과적으로 한 모델의 약점이 다른 모델의 강점에 의해 보완되는 팀을 효과적으로 만들어냈습니다.

이 연구의 결과는 매우 높았습니다. 6,400개의 뇌 MRI 단면 데이터셋으로 테스트했을 때, 전체 시스템은 거의 99.97%의 정확도를 달enc성했습니다. 이는 10,000개의 스캔 중 시스템이 치매 단계를 9,997개 정확히 식별했음을 의미합니다. 시스템은 다섯 번의 서로 다른 테스트 라운드 전반에 걸쳐 거의 완벽하게 수행되었으며, 이는 시스템이 단순히 운이 좋은 것이 아니라 질병의 패턴을 진정으로 이해하고 있음을 시사하는 일관성을 보여주었습니다. 이 연구에서 사용된 가장 우수한 단일 모델인 커스텀 Shashi-CNN은 약 98.4%의 정확도에 도달했으며, 다른 기성 모델들은 그보다 낮은 점수를 기록했습니다. 연구진은 모델 팀을 사용하는 데서 얻은 개선 효과가 통계적으로 유의미하다는 것을 확인했으며, 이는 그 차이가 무작위적인 우연이 아니라 실제적인 것임을 의미합니다.

시스템이 올바른 이유로 결정을 내리고 있는지 확인하기 위해, 연구진은 Grad-CAM이라고 불리는 시각화 기법을 사용했습니다. 이 도구는 원래의 뇌 영상 위에 히트맵을 생성하여 컴퓨터가 진단을 내릴 때 주목하고 있는 특정 영역을 강조합니다. 시각화 결과, 모델은 알츠하이머 환자들에게서 위축되는 것으로 알려진 해마 및 피질 영역과 같은 해부학적으로 관련 있는 영역에 집중했습니다. 모델은 배경 소음이나 무관한 부분에 의해 주의가 분산되지 않았습니다. 이러한 올바른 생물학적 구조에 대한 집중은 시스템이 단순히 데이터의 패턴을 암기하는 것이 아니라 질병 자체에 대해 학습하고 있다는 확신을 의사들에게 줍니다.

연구진은 이 시스템이 사용된 데이터셋에서 거의 완벽한 결과를 달성했지만, 서로 다른 병원의 데이터나 서로 다른 유형의 MRI 기기로는 아직 테스트되지 않았다는 점을 언급했습니다. 데이터셋은 다양한 뇌 스캔을 포함하고 있었지만, 중등도 치매 환자를 나타내는 한 범주가 다른 범주보다 훨씬 작았으며, 이는 시스템의 학습 방식에 영향을 미칠 수 있습니다. 이러한 제한 사항에도 불구하고, 이 연구는 여러 딥러닝 모델을 스마트한 투표 시스템과 결합하는 것이 알츠하이머병의 미묘한 단계들을 구별하는 강력한 도구를 만들 수 있음을 보여줍니다. 이 연구 결과는 이러한 프레임워크가 조기 진단을 위한 매우 신뢰할 수 있는 보조 도구로서 역할을 할 수 있으며, 잠재적으로 질병이 가장 치료 가능한 시기에 발견하도록 도울 수 있음을 시사합니다.