다중모달 MRI와 구조적 볼륨을 결합한 하이브리드 CNN과 ML 프레임워크로 파킨슨계 이상질환 구분

초록

본 연구는 T1‑weighted MRI 영상, 12개 뇌심부 구조의 세분화 마스크, 그리고 각 구조의 체적 측정치를 동시에 활용하는 하이브리드 모델을 제안한다. 3D CNN으로 이미지와 마스크에서 고차원 특징을 추출하고, 이를 로지스틱 회귀에 입력된 체적 특징과 결합함으로써 PSP‑PD, MSA‑PD, PSP‑MSA 세 가지 이진 분류에서 각각 AUC 0.95, 0.86, 0.92의 성능을 달성하였다. 3D Grad‑CAM을 이용한 시각화는 모델이 중뇌·뇌실·선조체 등 병리학적으로 의미 있는 영역에 집중함을 보여, 해석 가능성도 확보하였다.

상세 분석

이 논문은 파킨슨계 이상질환(APD)의 조기 감별을 위해 다중모달 데이터를 통합한 하이브리드 분류 프레임워크를 설계하였다. 데이터는 554명의 피험자를 포함하며, PD 285명, PSP 192명, MSA(각 유형 포함) 77명으로 구성된다. 각 피험자는 3D T1‑weighted MRI와 자동화된 세분화 파이프라인을 통해 12개의 뇌심부 구조(뇌간, 뇌실, 선조체 등)의 이진 마스크와 체적 값을 추출하였다. 체적은 전두두정용량(ICV)으로 정규화되어 개인 간 변이를 보정한다.

모델은 두 단계로 이루어진다. 1단계는 공간 피라미드 구조를 채택한 3D CNN으로, 세 개의 입력 브랜치(뇌간, 뇌실, 선조체) 각각에 Conv3D‑BatchNorm‑Pooling 블록을 적용하고, 전역 평균 풀링 후 256‑유닛 전결합 레이어를 거쳐 고차원 특징 벡터를 생성한다. 이 단계는 이미지와 마스크의 공간적 텍스처 정보를 학습한다. 2단계에서는 CNN의 최종 전결합 레이어 출력(고차원 특징)과 12차원의 체적 특징을 연결(concatenate)하고, L2 정규화와 클래스 가중치를 적용한 로지스틱 회귀 모델에 입력한다. 이렇게 함으로써 voxel‑level 특징과 region‑level 정량적 정보를 효율적으로 융합한다.

학습은 전체 데이터의 80%를 훈련·검증에 사용하고 5‑fold stratified cross‑validation을 적용하였다. 배치 크기 2, Adam 옵티마이저(lr=1e‑4), 가중치 이진 교차 엔트로피 손실을 사용했으며, 조기 종료와 학습률 감소 전략으로 과적합을 방지한다. 최종 모델은 남은 20% 테스트 셋에서 정확도, 민감도, 특이도, Youden 지수, F1, AUC 등 다양한 지표로 평가되었다.

성능 비교를 위해 단일 모달(볼륨만, 마스크만, MRI만) 및 단일 모델(전통 ML, CNN) 구성도 실험하였다. 결과적으로 하이브리드 모델이 가장 높은 AUC와 F1을 기록했으며, 특히 PSP‑PD 구분에서 AUC 0.95, F1 0.91, 정확도 89.6%를 달성했다. MSA‑PD와 PSP‑MSA에서도 각각 AUC 0.86, 0.92를 기록했지만, MSA 사례 수가 적고 클래스 불균형이 존재해 성능이 다소 낮아졌다.

해석 가능성을 위해 3D Grad‑CAM을 적용, 각 브랜치별로 클래스‑특이적 그래디언트를 계산하고, ReLU를 통해 양의 기여만을 시각화하였다. 인구 평균 주의 지도는 중뇌·뇌실·선조체 부위에 집중되는 것을 보여, 기존 병리학적 마커(예: hummingbird sign)와 일치한다. 이는 모델이 비정상적인 배경 신호가 아니라 실제 병변에 기반해 판단한다는 강력한 증거가 된다.

이 연구의 주요 강점은 (1) 이미지, 마스크, 체적이라는 서로 보완적인 정보를 동시에 활용해 분류 성능을 극대화한 점, (2) 3D CNN 구조와 로지스틱 회귀를 결합한 두 단계 파이프라인으로 해석 가능성을 확보한 점, (3) 다기관 대규모 코호트를 사용해 일반화 가능성을 검증한 점이다. 한편 제한점으로는 MSA 데이터의 부족으로 인한 클래스 불균형, 3D CNN의 높은 연산 비용, 그리고 로지스틱 회귀 대신 더 복잡한 메타‑학습 모델을 적용했을 경우의 잠재적 향상 가능성을 탐색하지 않은 점을 들 수 있다. 향후 연구에서는 데이터 증강, 불균형 처리 기법(예: SMOTE, focal loss) 및 엔드‑투‑엔드 멀티‑태스크 학습을 통해 성능을 더욱 끌어올릴 수 있을 것이다.