Modafinil 치료 후 파킨슨병 모니터링을 위한 CGP 기반 rsfMRI 분류

초록

**
본 연구는 Modafinil 복용 파킨슨병 환자의 안정시 기능적 MRI 데이터를 이용해 진화 알고리즘 기반 분류기인 CGP를 적용함으로써 치료 후 뇌 기능 연결성을 자동으로 모니터링할 수 있는지를 탐색한다. CGP는 DCM 분석 결과와 시계열 데이터를 입력으로 사용했으며, ANN 및 SVM과 비교했을 때 최대 74.57%의 정확도를 보였다. 또한 CGP는 모델 해석이 용이해 임상적 의미를 파악하는 데 장점을 제공한다.

**

상세 분석

**
이 논문은 파킨슨병(PD) 환자에게 흔히 처방되는 각성제 Modafinil의 치료 효과를 뇌 기능 연결성 수준에서 정량화하고, 이를 자동화된 모니터링 시스템으로 전환하려는 시도를 담고 있다. 핵심 방법론은 두 단계로 구성된다. 첫 번째는 동적 인과 모델링(DCM)을 통해 각 피험자의 뇌 영역 간 인과적 연결 강도를 추정하는 것이며, 두 번째는 이 추정값과 원시 시계열 데이터를 진화 알고리즘(Evolutionary Algorithms, EA)의 한 종류인 CGP(Genetic Programming)에게 입력하여 분류 모델을 학습시키는 것이다. CGP는 프로그램 트리를 진화시키는 방식으로, 입력 변수의 중요도를 자연스럽게 드러내는 특성을 갖는다. 논문에서는 동일 데이터셋에 대해 전통적인 인공신경망(ANN)과 서포트 벡터 머신(SVM)도 적용해 성능을 비교하였다. 교차 검증(k‑fold) 결과 CGP는 74.57%의 최고 정확도를 기록했으며, ANN과 SVM이 보인 정확도와 통계적으로 유의미한 차이는 없었다. 그러나 CGP는 진화 과정에서 생성된 프로그램 트리를 시각화함으로써 어떤 연결 패턴이 분류에 기여했는지를 명시적으로 확인할 수 있었다. 이는 “블랙박스” 특성을 갖는 ANN이나 SVM에 비해 임상 해석 가능성을 크게 높인다. 또한 DCM을 분류 입력으로 활용함으로써 단순 상관 기반 연결성 분석이 아닌, 인과적 흐름을 반영한 특징을 모델에 포함시켰다는 점이 혁신적이다. 연구는 제한된 표본 크기와 Modafinil 복용 여부에 따른 약물 효과의 다양성을 충분히 고려하지 못했다는 한계를 인정한다. 향후 다기관, 다시간점 데이터와 다른 약물군을 포함한 확장 연구가 필요하다. 전반적으로 이 논문은 진화 알고리즘을 뇌 영상 데이터에 적용함으로써 정확도와 해석 가능성을 동시에 추구하는 새로운 패러다임을 제시한다.

**