뇌 영상에서 그래프 분석까지 알츠하이머 환자군 구조 변화 연구

초록

본 연구는 두 시점에 걸친 피질·피질하 부피 차이를 그래프로 추상화하고, 그래프 분해와 다중뷰 특징 선택을 통해 핵심 서브구조를 도출한다. 다양한 임계값 하에서 얻은 서브구조를 이용해 AD와 정상 대조군을 분류했으며, AUC 0.72의 성능을 기록했다.

상세 분석

본 논문은 구조적 MRI 데이터를 시간적 차원에서 이산화하여 그래프 형태로 변환하는 새로운 파이프라인을 제시한다. 먼저 각 피험자에 대해 두 시점(기저선과 추적) 사이의 피질 및 피질하 영역별 부피 차이를 계산하고, 이를 노드 간의 가중치(edge)로 매핑한다. 가중치는 절대 부피 변화량을 정규화한 값이며, 양의 변화와 음의 변화를 구분하기 위해 부호를 보존한다. 이렇게 구성된 완전 그래프는 고차원 상관관계를 시각화하고, 이후 그래프 분해 알고리즘(예: 모듈러리티 기반 커뮤니티 탐지)으로 의미 있는 서브그래프를 추출한다.

서브그래프 추출 단계에서는 여러 임계값(예: 상위 5%, 10%, 20% 가중치)을 적용해 그래프의 밀도를 조절한다. 임계값이 낮을수록 더 많은 노드와 엣지가 포함되어 복잡도가 증가하지만, 핵심적인 변화를 포착할 가능성도 높다. 반대로 높은 임계값은 간결한 서브구조를 제공하지만, 정보 손실 위험이 있다.

다중뷰 특징 선택은 각 서브그래프에서 노드 중심성(디그리, 베트윈, 클로즈니스)과 엣지 가중치 통계량(평균, 표준편차) 등을 독립적인 뷰로 간주하고, 정규화된 정보이득과 L1 정규화를 결합한 방법으로 최적의 특징 집합을 선정한다. 이 과정은 과적합을 방지하고, 서로 다른 뷰 간 상호보완성을 활용한다는 점에서 기존 단일뷰 선택 기법보다 우수하다.

선택된 특징은 여러 강건한 분류기(랜덤 포레스트, 서포트 벡터 머신, XGBoost)와 5‑fold 교차 검증을 통해 평가되었다. 주요 평가지표는 ROC 곡선 아래 면적(AUC)이며, 최적 임계값(상위 10% 가중치)에서 평균 AUC 0.72를 달성했다. 이는 기존 부피 기반 단일 변수 모델(보통 AUC 0.60~0.65)보다 현저히 향상된 결과이다.

하지만 논문은 몇 가지 제한점을 안고 있다. 첫째, 데이터셋이 비교적 소규모(ADNI 코호트 중 일부)이며, 외부 코호트에 대한 일반화 검증이 부족하다. 둘째, 그래프 구축 시 부피 차이만을 사용했기 때문에 형태학적 변형(두께, 곡률)이나 기능적 연결성 정보를 배제했다. 셋째, 임계값 선택이 경험적이며, 자동화된 최적화 절차가 부재하다. 향후 연구에서는 멀티모달 MRI 데이터를 통합하고, 베이지안 최적화 등을 활용해 임계값을 자동 튜닝함으로써 모델의 신뢰성을 높일 수 있을 것이다.