파킨슨병 조기진단 정확도는 90.2%로 높아졌습니다. 심천 선진기술원과 중산제일병원이 공동으로 GSP-GCNs 모델을 제안했습니다.

중산대학 제1부속병원과 USTC 선진기술연구소의 연구팀은 톤 조절과 관련된 특정 작업에서 얻은 이벤트 관련 EEG 데이터를 사용하여 파킨슨병을 진단하는 딥러닝 모델인 그래프 신호 처리-그래프 합성 신경망(GSP-GCN)을 제안했습니다.

떨림, 움직임이 느림, 표정이 뻣뻣함... 파킨슨병에 대해 이야기할 때, 대부분 사람들은 먼저 "손 떨림"을 떠올릴 것입니다. 하지만 그들은 질병의 중간 단계나 말기 단계에 이르면 환자가 균형 장애나 뒤집기 어려움과 같은 문제를 겪을 수도 있다는 사실을 모릅니다. 그들의 하체와 머리는 무의식적으로 흔들리며, 이는 그들의 삶의 질에 심각한 영향을 미칩니다.

2023년 4월 중국재활의학회가 발표한 자료에 따르면, 우리나라의 파킨슨병 환자는 300만 명이 넘으며, 이는 전 세계 파킨슨병 환자의 4분의 1이 넘는 수치이고, 매년 약 10만 명의 신규 환자가 발생합니다.2030년이 되면 우리나라의 파킨슨병 환자 수는 500만 명에 달할 것으로 추산되는데, 이는 전 세계 환자 수의 절반에 가깝습니다.

그러나 파킨슨병의 발병 기전은 아직 밝혀지지 않았으며, 특정 유전적 요인에 기인하는 것으로 밝혀진 사례는 20%에 불과해 조기 진단이 큰 어려움에 직면해 있습니다.

휴식상태 뇌파도(EEG)는 비침습적이고 높은 시간적 분해능으로 뇌 활동을 포착할 수 있는 능력 때문에 파킨슨병을 진단하는 중요한 방법으로 자리 잡았습니다. 최근 몇 년 동안 파킨슨병의 조기 진단을 위해 딥러닝과 EEG를 결합하는 관련 연구가 시작되었습니다. 그러나 이러한 방법의 대부분은 작동하려면 안정적인 EEG 신호가 필요하고 파킨슨병과 관련된 뇌 활동 변화의 동적 특성을 포착할 수 없습니다.

이를 고려하여,중국과학원 산하 선전선진기술연구소와 중산대학 제1부속병원의 연구원들은 파킨슨병 환자의 언어 운동 과제에서 나타나는 비정상적인 EEG 특징을 이용하여 해석 가능한 그래프 신호 처리-그래프 합성 신경망(GSP-GCNs) 모델을 제안했습니다.언어 기본 주파수 변조 과제의 EEG 데이터를 활용하고 파킨슨병 환자의 대규모 뇌 기능 네트워크의 신경 마커를 발굴하여 파킨슨병에 대한 고정밀 지능형 진단을 실현했습니다.

신문을 받으세요:

https://www.nature.com/articles/s41746-023-00983-9
WeChat 공개 계정에서 "Parkinson"을 입력하면 전체 PDF를 받을 수 있습니다.

데이터 세트: 100명의 참가자를 대상으로 한 발성 실험

연구팀은 52명의 진단을 받은 사람을 포함하여 총 100명의 참가자를 초대했습니다.특발성 파킨슨병환자(여성 24명, 남성 28명)와 성별과 연령이 일치하는 건강한 대조군 48명.모든 참가자가 발성 실험을 수행했습니다.

실험 동안 참가자들은 200ms 동안 5~6초 동안 모음을 발음해야 했습니다. 각 발화는 4~5개의 섭동으로 구성되어 있습니다.의사 난수이런 방식으로 표현되었습니다. 참가자들은 총 100번의 시도 동안 20~25회 연속으로 소리를 냈습니다.

참가자들이 발성 실험을 하는 동안, 연구자들은 NetStation 소프트웨어를 사용하여 Net Amps 300 증폭기(EGI)에 연결된 64리드 전극 캡을 사용하여 1kHz의 샘플링 주파수에서 EEG 신호를 기록했습니다.

GSP-GCN 모델: 4개의 연속된 구성 요소로 구성됨

GSP-GCN 모델 프레임워크는 그래프 신호 처리 모듈(GSP), 그래프 네트워크 모듈, 분류기 및 해석 가능 모델의 4개 모듈로 구성됩니다.

* 먼저, GSP 모듈은 대규모 EEG 네트워크를 분석하고 처리하여 동적 연결 패턴을 식별합니다.
* 둘째, 그래프 네트워크 모듈은 이러한 연결 패턴을 분류의 주요 특징으로 포착합니다. * 이후 분류기 구성 요소는 추출된 특징을 활용하여 파킨슨병 환자와 건강한 개인을 구별합니다. * 마지막으로, 해석 가능성 모델은 학습된 필수 특징에 대한 전역적 시각화를 제공하고 이를 음성 관련 EEG 미세 형태 특징과 일치시켜 프레임워크의 해석 가능성을 향상시킵니다.

GSP-GCNs 프레임워크는 이러한 혁신적인 접근 방식을 채택하여 작업 관련 EEG 데이터를 활용한 파킨슨병 진단에 딥 러닝 모델을 사용하는 것을 용이하게 하기 위한 설명 정보를 제공하는 것을 목표로 합니다.

모델 효과: 해석성이 좋음

이 연구에서는 PCC + GCN, PLV + GCN, PCC + GSP-GCN, PLV + GSP-GCN의 4가지 그래프 네트워크 기반 모델을 제안했습니다.

그 중 PCC(피어슨 상관 계수)와 PLV(위상 잠금 값)는 뇌 네트워크를 구성하는 데 사용되는 다양한 특징을 나타냅니다. 그러나 기능 유형에 관계없이GSP-GCNs 모델은 GCNs 모델보다 훨씬 더 나은 성능을 보여줍니다.

아래 그림에서 보듯이, 연구소에서 제안한 GSP-GCN 모형의 ROC 값은 0.08 이하로 유지되고 있다. 이는 그래프 집계를 통해 단일 홉 및 다중 홉 네트워크에서 로컬 및 글로벌 정보의 균형을 맞춰 분류 성능을 개선할 수 있는 GSP의 잠재력을 강조합니다.

지역 정보와 글로벌 정보를 결합하여본 연구에서 제안한 GSP-GCNs 모델은 파킨슨병 환자와 정상 대조군을 구분하는 데 있어 평균 분류 정확도가 90.2%로 다른 딥러닝 모델보다 9.5%로 상당히 높습니다.또한 GCN 모델은 모든 기준 모델보다 계산 복잡도가 낮습니다.

또한 연구팀은 GSP-GCNs 모델의 해석성을 분석하고 대규모 EEG 네트워크와 MS5 미시상태 EEG 지형도 간의 차이 분포에 대한 학습 결과를 밝혔다. 언어 기본 주파수 조절 과제에서 파킨슨병 환자와 정상 대조군 간에 유의미한 차이를 보이는 뇌 영역은 주로 좌측 복측 전운동 피질, 상측 측두회, 브로카 영역에 위치해 있는데, 이는 이전에 발견된 파킨슨병 환자의 언어 운동 장애에 대한 뇌 네트워크와 매우 일치합니다.

이는 다음을 보여줍니다본 연구에서 제안한 GSP-GCN 모델은 대규모 네트워크에서 고유한 EEG 바이오마커를 식별할 수 있으며, 우수한 해석성을 제공합니다.

더 중요한 점은, 이 모델은 청각 피드백 과제에서 파킨슨병 환자와 정상 대조군의 뇌 기능 네트워크 간의 차이점을 효과적으로 학습할 수 있어, 질병 진단 및 분류에 적용되는 딥 러닝 모델의 해석 가능성을 분석하는 새로운 방법을 제공한다는 것입니다.

AI, 파킨슨병 진단에 도움이 되는 바이오마커 식별

파킨슨병 발병이 질환은 눈에 띄지 않고 천천히 진행되므로, 효능을 높이기 위해서는 조기 진단과 시기적절한 개입이 매우 중요합니다. 파킨슨병을 조기에 진단하는 중요한 방법은 필기 패턴, 운동 기능, 보행 패턴, 언어 특성을 포함한 다양한 행동 영역의 바이오마커를 식별하는 것입니다.

머신 러닝은 최근 몇 년 동안 의료 영상 분야에서 강력한 도구로 떠올랐으며, 복잡한 신경 영상 데이터에서 높은 수준의 특징과 패턴을 추출하는 데 도움이 되었습니다. 또한, 머신 러닝은 뛰어난 다차원 분석 기능을 갖추고 있어 의료 영상 분야에서 개인 분류에도 활용될 수 있습니다. 중산대학교 부속 중산병원 공동 연구팀이 제안한 GSP-GCNs 모델은 파킨슨병 환자의 언어 관련 신경 마커를 발굴하여 진단을 달성했습니다. 파킨슨병의 다양한 행동 영역을 식별하는 데 AI 딥러닝 모델을 적용하는 데는 여전히 상당한 발전 여지가 있습니다.

비슷하게,최근 푸젠 의과대학 연합병원 연구팀은 파킨슨병 환자의 보행 정지 위험을 개인 수준에서 예측하는 머신 러닝 모델을 개발했습니다.이 기술은 보행 정지 증상이 지연될 가능성이 있는 파킨슨병 환자를 조기에 식별하는 데 사용할 수 있으며, 임상의가 파킨슨병 환자의 보행 정지 증상을 예방하고 개입하는 데 귀중한 지침을 제공합니다.

또한,런던대학교(UCL) 연구팀은 파킨슨병 환자 300명과 건강한 자원봉사자 300명의 비디오 데이터를 사용하여 인공지능 알고리즘을 훈련시켰습니다.이 기술은 파킨슨병 환자의 운동 패턴을 식별할 수 있으며, 파킨슨병 진단 정확도는 최대 90%입니다.

앞으로는 신경 영상 기술을 기반으로 한 머신 러닝 AI가 파킨슨병 증상과 관련된 다양한 행동 영역의 바이오마커를 사람들이 효과적으로 식별하는 데 도움이 될 것으로 기대되며, 이를 통해 파킨슨병의 조기 진단이 더욱 발전할 수 있을 것으로 기대합니다.