디가안: 확산‑가이드 어텐션 네트워크로 조기 알츠하이머 진단 혁신

초록

**
디가안(DiGAN)은 잠재 확산 모델과 어텐션 기반 컨볼루션을 결합해, 제한된 수의 MRI 시계열 데이터를 보강하고 불규칙한 방문 간격을 처리한다. 합성된 장기 프로파일을 활용해 구조‑시간적 특징을 추출함으로써 ADNI 데이터셋에서 정상·경도인지장애(MCI)·알츠하이머(AD) 구분 성능을 기존 최첨단 모델보다 크게 향상시켰다.

**

상세 분석

**
본 논문은 조기 알츠하이머(AD) 진단을 위한 새로운 딥러닝 프레임워크인 DiGAN을 제안한다. 핵심 아이디어는 두 가지 모듈을 연계하는 것이다. 첫 번째는 **잠재 확산 모델(Latent Diffusion Model)**로, 실제 MRI 기반 바이오마커 시퀀스를 잡음 단계별로 변형한 뒤 역전파 과정을 통해 깨끗한 신호를 복원한다. 이 과정에서 정규분포 잡음(ε)과 사전 정의된 변동 스케줄(α_t)을 이용해 시계열 데이터를 인위적으로 늘리고, 불규칙한 방문 간격을 보완한다. 합성된 시퀀스 ˆX_i는 연속적인 시간 창(L)으로 슬라이딩되어 서브시퀀스 집합 E(ˆX_i)를 만든 뒤, 전체 샘플 간 스케일을 맞추기 위해 정규화한다.

두 번째 모듈은 **어텐션‑컨볼루션 네트워크(Attention‑Convolutional Network)**이다. 각 서브시퀀스는 m개의 Self‑Attention Convolution(SAC) 유닛을 통과한다. SAC는 (1) 스케일드 닷‑프로덕트 어텐션을 통해 시간 축 전반의 상관관계를 학습하고, (2) 2‑D 컨볼루션으로 시간‑특징 복합 공간에서 지역적 패턴을 강화한다. 배치 정규화와 비선형 활성화가 뒤따라 학습 안정성을 높인다. 최종적으로 플래튼된 임베딩 h는 완전 연결층을 거쳐 서브시퀀스 수준 로그잇 l_eℓ을 산출하고, 시그모이드 함수를 적용해 임상적 손상 가능성 p_eℓ을 얻는다.

주제별 집계 단계에서는 각 피험자 i에 대해 p_i = max_ℓ p_eℓ 로 최대값을 취해 “어느 시점이라도 손상이 발견되면 위험군”이라는 임상 가설을 구현한다. 이는 불균형 데이터에서 민감도(sensitivity)를 유지하면서도 특이도(specificity)를 보장한다.

학습 목표는 두 손실을 결합한 L = L_diff + β·L_cls 로 정의한다. L_diff는 확산 모델의 평균제곱오차(MSE) 기반 변분 하한 최적화이며, L_cls는 이진 교차 엔트로피에 양성·음성 비율을 정규화하는 λ·regularization 항을 더해 클래스 불균형을 완화한다. β와 λ는 검증 셋을 통해 튜닝한다.

실험은 ADNI 데이터(총 1,020명, 2~4회 방문)에서 NO vs. MCI, NO vs. AD 두 이진 분류 과제를 수행했다. 합성 데이터와 실제 데이터의 분포 차이를 Kullback‑Leibler, 1‑차·2‑차 모멘트, PCA 시각화 등으로 검증했으며, 차이값이 미미함을 확인했다. 성능 면에서는 DiGAN이 정확도 0.71(±0.04), 민감도 0.53(±0.03), 특이도 0.96(±0.00) 등으로 기존 모델(TV‑AE, LSCP, GP 등)을 크게 앞섰다. 특히 방문 횟수가 늘어날수록(2→4회) 정확도와 민감도가 꾸준히 상승해, 장기 시계열 정보가 진단에 기여함을 입증했다. ROC·PR 곡선에서도 DiGAN이 높은 AUC와 평균 정밀도를 유지했으며, 이는 확산 기반 데이터 보강과 어텐션‑컨볼루션이 서로 보완적으로 작용했기 때문이다.

시각화 결과(SAC 임베딩 맵)에서는 초기 유닛이 전반적인 뇌 구조 변화를 포괄적으로 포착하고, 깊은 유닛이 AD 특이적인 국소 변화를 강조함을 확인했다. 이는 모델이 단계별로 전역‑국부 정보를 정제해 가는 과정을 직관적으로 보여준다.

전체적으로 DiGAN은 (1) 제한된 longitudinal 데이터에서 현실적인 시계열을 생성, (2) 어텐션 기반 구조‑시간 특징을 효과적으로 추출, (3) 불균형 및 불규칙성을 고려한 집계 전략을 적용함으로써 조기 AD 탐지에 실용적인 성능 향상을 제공한다. 향후 다중 모달(PET, CSF) 통합, 임상 시험 적용, 그리고 확산 모델의 조건부 생성(예: 특정 유전형에 맞춘 진행 경로) 등으로 확장 가능성이 크다.

**