뇌 MRI 기반 장기 코로나 증상 식별 머신러닝

초록

본 연구는 공개된 뇌 구조 MRI 데이터와 지원 벡터 분류기(SVC)를 활용해 장기 코로나(롱 COVID) 증상, 성별, 그리고 PCC/UPC/HNC 그룹을 예측하는 설명 가능한 머신러닝 모델을 개발하였다. 모델은 각 증상별로 차별적인 정확도를 보였으며, 중요한 뇌 영역을 시각화해 기존 신경생물학적 연구와 연계하였다.

상세 요약

본 논문은 장기 코로나(포스트 코로나 증후군, PCC)의 객관적 바이오마커 부재 문제를 해결하고자, 뇌 구조 MRI 특징을 기반으로 한 머신러닝 접근법을 제시한다. 데이터는 익명화된 공개 데이터베이스에서 추출했으며, 참가자를 PCC, 비손상형 UPC, 비감염 HNC 세 그룹으로 분류하고, 각 개인에 대한 증상 라벨(피로, 두통, 인지 장애 등)과 성별 정보를 포함한다. 전처리 단계에서는 T1‑weighted MRI에서 3D 볼륨을 추출하고, FreeSurfer와 같은 파이프라인을 이용해 피질 두께, 표면적, 부피 등 68개 대뇌 피질 영역과 14개 하위 피질 영역의 정량적 지표를 획득하였다. 이렇게 도출된 200여 개의 연속형 피처를 표준화하고, 다중 라벨 분류를 위해 One‑vs‑Rest 전략을 적용한 지원 벡터 분류기(SVC, RBF 커널)를 구축하였다. 교차 검증은 5‑fold로 수행했으며, 각 라벨에 대해 정확도, 정밀도, 재현율, F1‑score를 보고한다.

성능 측면에서, 피로와 두통 같은 흔한 증상은 AUC 0.78~0.84 수준의 중간 정도 정확도를 보였으며, 인지 장애와 같은 복합 증상은 AUC 0.71 정도로 다소 낮았다. 성별 예측은 0.86의 정확도를 기록, 뇌 구조적 차이가 성별 구분에 유의함을 시사한다. 그룹 구분(PCC vs UPC vs HNC)에서는 평균 0.82의 정확도를 달성했으며, 특히 전전두엽 피질 두께와 해마 부피가 주요 기여 피처로 도출되었다. 모델 설명 가능성을 확보하기 위해 SHAP(Shapley Additive exPlanations) 값을 계산했으며, 각 라벨별로 가장 큰 기여를 한 뇌 영역을 시각화하였다. 예를 들어, 피로 라벨은 전측 전전두엽 및 뒤쪽 전두엽 피질 두께 감소와 연관되었고, 두통은 후두엽 및 측두엽 부피 감소와 연관되었다. 이러한 결과는 기존 신경염증 및 미세혈관 손상 가설과 일맥상통한다.

통계적 검증을 위해 permutation test과 부트스트랩 재샘플링을 수행했으며, 주요 피처의 중요도는 95% 신뢰구간 내에서 유의함을 확인했다. 또한, 다중 비교 보정을 위해 FDR 절차를 적용했으며, 선택된 피처들의 p‑값이 모두 0.05 이하였다. 한계점으로는 데이터가 횡단적이며, 증상 라벨이 자가 보고에 의존한다는 점, 그리고 샘플 크기가 제한적이어서 일반화 가능성이 낮을 수 있다는 점을 언급한다. 향후 연구에서는 종단적 MRI와 혈액 바이오마커를 결합한 멀티모달 모델을 구축하고, 더 큰 코호트를 확보해 외부 검증을 수행할 필요가 있다.

전반적으로, 이 연구는 뇌 구조 MRI가 장기 코로나 증상의 객관적 지표로 활용될 수 있음을 실증적으로 보여준다. 설명 가능한 SVC 모델은 임상의가 특정 증상과 연관된 뇌 영역을 직관적으로 이해하도록 돕고, 향후 맞춤형 재활 및 치료 전략 수립에 기여할 수 있다.