ASD 진단을 위한 하이브리드 학습 모델 ASD DiagNet

** 본 논문은 기능적 자기공명영상(fMRI) 데이터를 활용해 자폐 스펙트럼 장애(ASD)를 자동으로 구분하는 새로운 머신러닝 파이프라인인 ASD‑DiagNet을 제안한다. 연구 배경으로는 현재 ASD 진단이 주로 행동 관찰에 의존하고 있어 주관적 오류와 과잉 약물 처방 위험이 존재한다는 점을 들었다. 따라서 뇌 영상 기반의 객관적 바이오마커를 찾기 위한 정량적 접근이 필요하다고 주장한다. 데이터는 ABIDE‑I 프로젝트에서 제공한 17개 연구소의 rs‑fMRI 데이터를 사용했으며, 총 1 035명(ASD 505명, 정상 530명)의 전처리된 시계열을 포함한다. 전처리 파이프라인은 C‑PAC이며, CC‑200 atlas를 이용해 200개의 기능적 동질 영역으로 뇌를 분할한다. 각 영역의 평균 시계열을 추출하고, 피어슨 상관계수를 계산해 19 900개의 상관값을 만든 뒤, 평균값이 가장 크게 양·음인 각각 1/4씩, 총 9 950개의 피처를 선택한다. 이는 차원 축소와 잡음 감소를 동시에 달성한다. 피처 압축 단계에서는 자동인코더(AE)를 도입한다. 인코더는 입력을 tanh 활성화와 선형 변환으로 저차원 벡터(h_enc)로 매핑하고, 디코더는 동일 가중치를 사용해 원본을 재구성한다. AE는 재구성 오차(MSE)를 최소화하도록 학습된다. 기존 연구와 달리, 저자들은 AE와 단일층 퍼셉트론(SLP)을 동시에 학습시킨다. SLP는 h_enc를 입력으로 받아 시그모이드 함수를 통해 ASD 확률을 출력한다. 전체 손실은 재구성 손실과 바이너리 교차 엔트로피 손실의 가중합으로 정의되며, 이를 end‑to‑end로 최적화한다. 공동 학습 후에는 AE 파라미터를 고정하고 SLP만 추가 에포크를 진행해 최종 모델을 완성한다. 데이터 부족 문제를 해결하기 위해 선형 보간 기반 데이터 증강 기법을 설계했다. SMOTE와 유사하게, 각 샘플 p에 대해 EROS(Extended Frobenius Norm) 거리로 정의된 k‑nearest neighbor를 찾고, 무작위 이웃 qᵣ와 α∈