딥러닝을 이용한 인지 저하 예측 연구

Behavioural Brain Research

Volume 344, 15 May 2018, Pages 103-109

Predicting cognitive decline with deep learning of brain metabolism and amyloid imaging

Author links open overlay panelHongyoon Choi a 1, Kyong Hwan Jin b c 1, for the Alzheimer’s Disease Neuroimaging Initiative 2

 

 

딥러닝을 이용한 인지 저하 예측 연구 요약

1. 연구 목적 및 개요

이 연구는 **딥 컨볼루션 신경망(Deep CNN)**을 기반으로 하는 자동 이미지 해석 시스템을 개발하여, 경도인지장애(MCI) 환자의 향후 인지 저하를 정확하게 예측하는 것을 목표로 했습니다.

• 주요 기술: 딥 컨볼루션 신경망(Deep CNN).

• 사용된 이미지: 플루오르데옥시글루코스(FDG) PET와 플로베타피르(AV-45) PET 이미지를 사용했습니다. 이 두 가지 PET 데이터를 멀티 채널 데이터(2 채널)로 활용했습니다.

• 핵심 이점: 기존의 정량적 분석에서 일반적으로 필요했던 특징 추출(Feature extraction)이나 공간 정규화(spatial normalization) 과정이 불필요했습니다.

2. 연구 방법 및 데이터

연구 데이터는 알츠하이머병 신경영상 이니셔티브(ADNI) 데이터베이스에서 확보되었습니다.

그룹	환자 수	특징
AD (알츠하이머병)	139명	CNN 학습에 사용
MCI (경도인지장애)	171명	인지 저하 예측 대상
NC (정상 대조군)	182명	CNN 학습에 사용

• 네트워크 훈련: 딥 CNN은 AD 환자와 NC의 PET 이미지를 사용하여 훈련되었습니다.

• MCI 예측 설계: AD/NC 데이터로 사전 훈련된 네트워크를 MCI 전환자(converter)와 비전환자(nonconverter)를 분류하는 데 직접 사용했습니다.

• 정량적 바이오마커: 네트워크의 최종 출력값 중 'AD 노드'의 정량적 값을 ConvScore로 정의했습니다. ConvScore는 입력된 기준선 이미지가 AD 또는 MCI 전환자와 얼마나 유사한지를 나타내는 점수입니다.

3. 주요 연구 결과

A. 예측 및 분류 정확도

CNN 기반 접근 방식이 기존의 특징 기반 정량화 접근 방식(Feature VOI-based analysis)보다 우수한 성능을 보였습니다.

분류 항목	CNN 기반 정확도	VOI 기반 정확도 (FDG)	VOI 기반 정확도 (AV-45)
AD 대 NC 분류	96.0%	85.4%	80.7%
MCI 전환 예측	84.2%	75.4%	80.1%

• AD 대 NC 분류의 민감도(93.5%), 특이도(97.8%), 정확도(96.0%)는 VOI 기반 분석보다 유의미하게 높았습니다 (p < 0.001).

• MCI 환자의 AD 전환 예측 정확도(84.2%)는 기존 특징 기반 정량화 접근 방식보다 뛰어난 성능을 보였습니다.

B. ROC 분석 및 ConvScore

ConvScore의 성능은 ROC(Receiver Operating Characteristic) 곡선 분석에서도 우위를 보였습니다.

• ROC AUC 값 비교:

    ◦ AD 분류: ConvScore는 0.98로 FDG(0.91) 및 AV-45(0.84)보다 유의하게 높았습니다 (p < 0.001).

    ◦ MCI 전환 예측: ConvScore는 0.89로 FDG(0.82) 및 AV-45(0.83)보다 유의하게 높았습니다 (p < 0.01 또는 p < 0.05).

• MCI 전환자 그룹의 ConvScore는 비전환자 그룹보다 유의미하게 높았습니다 (전환자 2.40±1.49; 비전환자 -0.13±1.36; p < 0.0001).

C. ConvScore와 인지 측정값의 상관관계

기준선 PET 이미지에서 계산된 ConvScore는 MCI 환자의 **종단적 인지 측정값 변화(1년 및 3년)**와 유의미하게 강한 상관관계를 보였습니다.

• 긍정적 상관관계 (점수가 높을수록 악화): CDR-SB, ADAS-Cog, FAQ의 종단적 변화와 유의하게 양의 상관관계를 보였습니다.

• 부정적 상관관계 (점수가 높을수록 저하): MMSE의 종단적 변화와 유의하게 음의 상관관계를 보였습니다.

• 특징: 3년 후 측정값의 변화가 1년 후 변화보다 더 급격했습니다.

4. 결론 및 중요성

• 자동 예측 가능성: 딥 CNN은 PET 이미지를 자동으로 해석함으로써 MCI 환자의 향후 인지 저하를 정확하게 예측할 수 있으며, 이는 예측적 이미징 바이오마커 개발을 위한 딥러닝의 실용적 도구로서의 가능성을 보여줍니다.

• ConvScore의 활용: ConvScore는 FDG 및 AV-45 PET 이미지 정보를 결합한 **융합 바이오마커(fusion biomarker)**로 활용될 수 있습니다.

• 임상적 영향: ConvScore는 인지 기능이 급속도로 악화될 환자를 선별할 수 있으므로, 초기 치료 개입을 위한 임상 시험에서 치료 혜택을 받을 수 있는 대상자를 선택하는 데 도움이 될 수 있습니다.