3D TDA 위상학 기반 알츠하이머 MRI 진단 혁신

초록

본 연구는 지속가능한 동형학(persistent homology)을 이용해 3차원 구조 MRI에서 위상학적 특징을 추출하고, 이를 베타 함수 형태의 벡터로 변환한다. 변환된 특징을 XGBoost와 결합해 10‑fold 교차검증에서 이진 분류 정확도 97.43 %·민감도 99.09 %를, 3‑클래스 분류에서는 정확도 95.47 %·민감도 94.98 %를 달성하였다. 데이터 증강이나 복잡한 전처리가 필요 없으며, 소규모 데이터셋에서도 딥러닝 대비 우수한 성능을 보인다.

상세 분석

본 논문은 알츠하이머병(AD) 조기 진단을 위해 저비용 영상인 구조적 MRI를 활용하면서, 기존 딥러닝 기반 특징 추출 방식과는 전혀 다른 차원의 정보를 제공하는 위상학적 접근법을 제시한다. 핵심 아이디어는 3차원 뇌 영상에 지속가능한 동형학(persistent homology)을 적용해 데이터의 연결성·구멍·공간 구획 등 고차원 위상 구조를 정량화하는 것이다. 구체적으로, 각 MRI 볼륨을 픽셀 강도에 따라 임계값을 변화시키며 서브레벨 집합을 구성하고, 이때 발생하는 0‑Betti(연결 컴포넌트), 1‑Betti(루프), 2‑Betti(공간 구획)의 생존 기간을 추적한다. 이러한 생존 곡선은 베타 함수(Betti function) 형태로 정규화되어 고정 길이의 특징 벡터로 변환된다.

전통적인 CNN 기반 모델은 이미지의 국소적인 패턴을 필터링하여 특징을 학습하지만, 위상학적 특징은 전역적인 구조적 변화를 포착한다는 점에서 상호 보완적이다. 논문에서는 이 벡터를 XGBoost라는 그래디언트 부스팅 트리 모델에 입력함으로써, 복잡한 신경망 학습 없이도 높은 분류 성능을 달성한다. XGBoost는 비선형 관계와 변수 간 상호작용을 효과적으로 모델링하면서도 과적합을 방지하기 위한 정규화 옵션을 제공한다.

실험 설계는 ADNI 데이터셋의 3D T1‑weighted MRI를 사용했으며, 데이터 전처리는 N4 bias correction과 표준화 정도만 수행했다. 10‑fold 교차검증을 통해 이진(AD vs. CN) 및 3‑클래스(AD, MCI, CN) 분류를 각각 평가했으며, 기존 최첨단 딥러닝 모델(3D‑CNN, ResNet‑3D 등)과 비교했을 때 정확도·민감도·특이도 모두 우수한 결과를 보였다. 특히, 데이터 증강이 전혀 필요 없고 학습 시간도 GPU 기반 딥러닝에 비해 수십 배 빠른 점이 실용성을 크게 높인다.

한계점으로는 위상학적 특징 추출 과정이 아직 파라미터(예: 임계값 스케일링, 베타 함수 샘플링 수) 의존성이 존재한다는 점이다. 또한, 현재는 단일 모달리티(MRI)만을 사용했으며, PET·CSF 등 다른 바이오마커와의 융합 연구가 필요하다. 향후 연구에서는 다중 모달리티 결합, 베타 함수 외에 퍼시스턴스 다이어그램을 직접 학습에 활용하는 방법, 그리고 위상학적 특징을 딥러닝 피처와 결합한 하이브리드 모델을 탐색할 여지가 크다.

요약하면, 지속가능한 동형학 기반 베타 함수 벡터는 소규모 데이터에서도 강건한 분류 성능을 제공하며, 기존 딥러닝과는 다른 차원의 정보를 제공한다는 점에서 알츠하이머 조기 진단을 위한 새로운 패러다임을 제시한다.