뇌 실시간 위상 진폭 특성으로 알츠하이머 MCI 자동 분류

본 논문은 알츠하이머병(AD)과 경도인지장애(MCI)를 정상인과 구분하기 위한 자동화된 분류 체계를 제안한다. 연구 배경으로는 기존의 비자동화된 진단 방법이 전문가 의존도가 높고 시간 소모가 크다는 점을 들며, 기능적 자기공명영상(fMRI)을 활용한 데이터‑드리븐 접근이 필요함을 강조한다. 데이터는 ADNI(Alzheimer’s Disease Neuroimaging Initiative) 데이터베이스에서 추출한 111명의 rs‑fMRI와 고해상도 T1‑weighted MRI를 사용하였다. 대상은 정상 43명, MCI 36명, AD 32명으로 구성되었으며, 각 피험자는 3 T Philips 스캐너로 140개의 EPI 볼륨을 획득하였다(TR = 3 s, TE = 30 ms, 64 × 64 매트릭스, 슬라이스 두께 3 mm, 48 슬라이스). 전처리 파이프라인은 FSL, REST, MATLAB을 이용해 10단계로 수행되었다. 여기에는 머리 움직임 보정, 슬라이스 타이밍 보정, 4 mm³ FWHM 가우시안 공간 필터링, 100 s 고역 차단, MNI152 표준공간 정합, 0.01–0.1 Hz 대역의 밴드패스, 움직임 벡터 회귀, 물리적 잡음 제거(CompCor), 선형 트렌드 제거, 그리고 Harvard‑Oxford probabilistic atlas 기반 112개의 ROI 시계열 추출이 포함된다. 특징 추출 단계에서는 ROI 시계열에 대해 순간 위상(IP)과 순간 진폭(IE)을 계산한다. 기존 Hilbert 변환 기반 방법이 저신호대비 환경에서 위상 랩핑과 잡음에 취약함을 보완하기 위해, 저자들은 Transfer Function Perturbation(TFP) 기법을 적용하였다. TFP는 입력 신호와 필터에 미세한 무작위 디더를 추가해 다수의 추정 앙상블을 생성하고, 이를 평균화함으로써 위상·진폭 추정의 정확도와 안정성을 높인다. IP와 IE를 기반으로 세 종류의 특징을 도출하였다. 첫째, 전력(Power) 특징은 각 ROI의 IP·IE 제곱 평균을 통해 에너지 수준을 정량화한다. 둘째, 엔트로피(Entropy) 특징은 위상·진폭 시계열의 확률 분포를 이용해 샤논 엔트로피를 계산, 신호 복잡도와 불확실성을 측정한다. 셋째, 결합성(Coherency) 특징은 ROI 간 위상 동기화와 진폭 상관을 크로스‑스펙트럼 형태로 추출해 네트워크 수준의 연결성을 반영한다. 이렇게 생성된 다차원 특징 벡터는 순차적 전진 부동 특성 선택(Sequential Forward Floating Feature Selection, SFFFS) 알고리즘을 통해 차원 축소 및 중복 제거를 수행한다. 이후 Student’s t‑test를 적용해 각 클래스 간 차이가 통계적으로 유의한 특징만을 최종 선택하였다. 분류 모델로는 K‑Nearest Neighbors(KNN)를 사용했으며, K값 및 거리 측정 방식은 10‑fold 교차 검증을 통해 최적화하였다. 실험 결과, 전체 정확도는 80.1%였으며, AD와 정상군을 구분하는 민감도는 80.0%에 달했다. 이는 최근 제안된 LDA·AdaBoost 기반 방법이나 그래프‑기반 연결망 분석과 비교해 동등하거나 약간 높은 수준이다. 또한, 특징 추출과 선택 과정이 비교적 단순하고 계산 비용이 낮아 실시간 적용 가능성을 시사한다. 논문의 주요 기여는 다음과 같다. (1) 순간 위상·진폭을 이용한 새로운 특징 집합을 제시함으로써 fMRI 데이터에서 시간‑도메인 정보를 효과적으로 활용하였다. (2) TFP 기법을 도입해 저신호대비 환경에서도 안정적인 순간 파라미터 추정을 가능하게 하였다. (3) SFFFS와 t‑test 기반의 이중 단계 특징 선택을 통해 과적합을 방지하고, 분류 성능을 최적화하였다. 한계점으로는 ROI 정의에 사용된 Harvard‑Oxford atlas가 개인별 해부학적 변이를 완전히 반영하지 못할 수 있다는 점, KNN 분류기가 고차원 데이터에서 거리 왜곡에 취약할 수 있다는 점, 그리고 전체 샘플 수가 111명에 불과해 외부 검증이 제한적이라는 점을 들 수 있다. 향후 연구에서는 다기관·다스캐너 데이터로 일반화 검증을 수행하고, 비선형 딥러닝 모델과의 비교, 그리고 개인 맞춤형 ROI 정의 방안을 모색할 필요가 있다. 결론적으로, 순간 위상·진폭 기반 특징과 효율적인 특성 선택·분류 파이프라인은 알츠하이머와 MCI를 fMRI 데이터만으로도 높은 정확도로 구분할 수 있음을 실증했으며, 임상 현장에서의 조기 진단 보조 도구로 활용될 가능성을 제시한다.