멀티모달 알츠하이머 진단을 위한 메타관계 코퓰라 기반 그래프 어텐션 네트워크

본 논문은 알츠하이머병(AD) 조기 진단을 위한 새로운 멀티모달 그래프 신경망 구조인 Meta‑Relational Copula‑Based Graph Attention Network(MRC‑GAT)를 제안한다. 연구 배경으로는 기존 그래프 기반 모델이 고정된 그래프 토폴로지를 사용해 새로운 환자에 대한 인덕티브(in­ductive) 추론이 어려우며, 서로 다른 모달리티(위험인자, 인지검사 점수, MRI) 간의 특성 스케일 차이와 상관관계가 모델 성능을 저해한다는 점을 지적한다. 이를 해결하기 위해 MRC‑GAT는 세 가지 핵심 모듈을 설계하였다. 첫 번째는 **코퓰라 기반 유사도 정렬**이다. 각 모달리티의 원시 피처를 순위 가우시안화(rank Gaussianization)한 뒤, Ledoit‑Wolf 수축을 이용해 안정적인 공분산 행렬을 추정한다. 이렇게 얻은 공분산을 이용해 Mahalanobis 거리를 계산함으로써 스케일에 무관한 유사도 매트릭스를 만든다. 두 번째는 **관계 어텐션(Relational Attention)**이다. 모달리티별로 K‑nearest‑neighbor(KNN)와 사전 정의된 임계값을 적용해 희소 그래프를 구성하고, 1‑hop 관계 어텐션을 통해 이웃 노드의 영향을 가중한다. 이어서 2‑hop 보강 어텐션을 적용해 receptive field를 확장하고, 정보 흐름의 안정성을 높인다. 세 번째는 **노드‑와 엣지‑레벨 게이트 융합(Node‑wise Gated Fusion)**이다. 어텐션 가중치와 별도로 학습된 게이트 파라미터를 곱해 각 노드의 최종 임베딩을 생성한다. 이 과정에서 얻어진 어텐션 가중치(∑α)와 게이트 가중치(β)는 모델이 어떤 특성에 주목했는지를 직접 해석할 수 있는 근거가 된다. 학습 단계는 **에피소드 메타‑러닝(Episodic Meta‑Learning)** 프레임워크를 채택한다. 각 에피소드는 소규모 지원 집합(support set)과 질의 집합(query set)으로 구성되며, 모델은 지원 집합을 이용해 빠르게 파라미터를 업데이트하고, 질의 집합에 대한 예측 정확도를 최적화한다. 이 방식은 새로운 환자 데이터가 들어올 때 전체 그래프를 재구성하지 않아도 인덕티브하게 추론할 수 있게 만든다. 실험은 두 개의 대규모 공개 AD 데이터셋인 TADPOLE와 NACC을 사용했다. 평가 지표는 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1‑score, AUC 등을 포함한다. MRC‑GAT는 TADPOLE에서 96.87%, NACC에서 92.31%의 정확도를 기록했으며, 기존 Auto‑Metric GNN, Multigraph Screening + Attention, Cross‑Attention 기반 모델들을 모두 능가했다. 특히, 모델이 강조한 뇌 영역(해마, 전전두엽, 측두엽)과 위험인자(연령, APOE ε4 보유)와 같은 임상적 중요 요소가 기존 연구와 일치함을 시각화 결과를 통해 확인하였다. 한편, 한계점으로는 코퓰라 변환 시 고차원 공분산 추정의 불안정성, KNN 그래프 구성 시 하이퍼파라미터 민감도, 데이터 불균형에 따른 그래프 왜곡 가능성을 들었다. 향후 연구에서는 베이지안 코퓰라 모델, 적응형 KNN, 도메인 적응(Domain Adaptation) 기법을 도입해 이러한 문제를 보완하고, 멀티센터 MRI 데이터에 대한 일반화 능력을 강화할 계획이다. 결론적으로 MRC‑GAT는 멀티모달 AD 진단에서 정확도와 해석성을 동시에 달성한 혁신적 모델이며, 임상 현장에서 조기 진단 및 치료 계획 수립에 실질적인 도움을 줄 수 있는 잠재력을 가진다.