다중모달 인트로스펙티브 VAE를 활용한 알츠하이머 정상 모델링

초록

본 연구는 정상 모델링을 위해 건강한 대조군의 분포를 정확히 학습하고, MRI와 amyloid PET을 동시에 활용하는 다중모달 VAE 구조를 제안한다. Soft‑Introspective VAE와 Mixture‑of‑Product‑of‑Experts(MOPOE) 결합으로 잠재공간의 재구성 품질을 높이고, 정상·비정상 구분을 위한 편차 점수를 향상시켰다.

상세 분석

mmSIVAE는 기존 VAE 기반 정상 모델링이 안고 있던 두 가지 핵심 문제를 해결한다. 첫째, 건강한 기준 분포를 충분히 학습하지 못해 정상 피험자에서도 큰 잔차가 발생하는 현상을 방지하기 위해 Soft‑Introspective VAE(SIVAE)의 ‘soft‑exp’ 손실을 도입하였다. 이는 KL‑다이버전스에 하드 임계값을 두는 기존 IntroVAE와 달리 전체 ELBO를 활용해 생성 샘플과 실제 샘플을 명확히 구분하도록 인코더를 훈련시킨다. 인코더는 실제 데이터에 대해 높은 ELBO를, 생성 데이터에 대해 낮은 ELBO를 얻도록 압박받으며, 디코더는 생성 샘플을 실제와 동일하게 만들려는 ‘fo​l​l​’ 전략을 수행한다. 이러한 미니맥스 게임은 논문에서 제시된 레마와 정리를 통해 Nash equilibrium이 데이터 분포와 디코더의 KL‑최소화 및 엔트로피 최대화 조건을 동시에 만족함을 증명한다.

둘째, 다중모달 통합에서 흔히 사용되는 Product‑of‑Experts(PoE)와 Mixture‑of‑Experts(MoE)의 단점을 보완하기 위해 Mixture‑of‑Product‑of‑Experts(MOPOE)를 설계했다. MOPOE는 모든 비공허 부분집합에 대해 PoE를 적용한 뒤, 이들 부분집합 포스트리어를 MoE로 평균화한다. 결과적으로 강한 모달리티가 전체 잠재분포를 압도하는 PoE의 취약점과, MoE가 제공하는 낮은 샤프니스 문제를 동시에 완화한다. 이 계층적 집계는 각 모달리티가 제공하는 정보를 균형 있게 반영하면서도, 잠재공간을 충분히 뾰족하게 만들어 편차 점수의 감도와 특이도를 높인다.

실험에서는 ADNI 데이터베이스의 MRI 지역 부피와 amyloid PET SUVR을 사용해, 훈련된 mmSIVAE가 보류된 대조군에 대해 기존 VAE 대비 재구성 오류를 현저히 감소시켰으며, 잠재공간 및 피처공간 편차 점수(Latent Deviation Score, Feature Deviation Score)의 ROC‑AUC가 0.85 이상으로 향상되었다. 특히, 정상·경도·중증 AD 그룹 간의 편차 점수 분포가 명확히 구분되어, 임상적 단계 구분 및 인지 점수와의 상관관계에서도 유의미한 결과를 보였다. 편차 지도는 해마, 측두엽, 전전두엽 등 전통적인 AD 병변 부위와 일치했으며, 이는 모델의 해석 가능성을 뒷받침한다.

전체적으로 mmSIVAE는 정상 분포 학습의 정확성을 강화하고, 다중모달 정보를 효율적으로 융합함으로써, 기존 VAE 기반 정상 모델링이 갖던 과대양성(false‑positive) 문제와 다중모달 통합 약점들을 동시에 극복한다는 점에서 의미가 크다.