순서 분류와 거리 규제를 이용한 강건한 뇌 연령 예측

나이는 알츠하이머병(AD)의 주요 알려진 위험 요소 중 하나입니다. AD를 조기에 발견하는 것은 효과적인 치료와 불가역적인 뇌 손상을 예방하는 데 매우 중요합니다. 뇌 나이는 뇌 영상에서 얻은 노화로 인한 구조적 변화를 반영하는 측정치로, AD 발병을 식별하고, 질병 위험을 평가하며, 대상별 개입 계획을 세우는 데 잠재적인 가치가 있습니다. 최근 자기 공명 영상(MRI) 스캔으로부터 뇌 나이를 예측하기 위한 딥러닝 기반 회귀 기술은 매우 정확한 결과를 보여주었습니다. 그러나 이러한 방법들은 평균 회귀 효과라는 고유한 문제에 직면해 있어, 이로 인해 젊은 피실험자들의 뇌 나이는 과대평가되고 노인 피실험자들의 뇌 나이는 과소평가되는 체계적인 편향이 발생합니다. 이는 예측된 뇌 나이가 후속 임상 응용 분야에서 유효한 바이오마커로서의 신뢰성을 약화시킵니다.본 연구에서는 이러한 체계적인 편향 문제를 해결하기 위해 회귀 작업을 분류 작업으로 재구성하였습니다. 노화 경로를 이해하고 종단적으로 노화를 모니터링하기 위해서는 연령에서 유래된 순서 정보를 보존하는 것이 중요하다는 점을 인식하여, 우리는 새로운 ORdinal Distance Encoded Regularization (ORDER) 손실 함수를 제안합니다. 이 손실 함수는 연령 라벨의 순서를 통합하여 모델이 연령 관련 패턴을 포착하는 능력을 강화합니다.다양한 실험과 축소 연구(ablation study) 결과, 본 프레임워크가 체계적인 편향을 줄이고, 통계적으로 유의미한 차이로 최신 방법들을 능가하며, 독립적인 AD 데이터셋에서 임상 집단 간 미세한 차이점을 더 잘 포착할 수 있음을 입증하였습니다. 우리의 구현은 https://github.com/jaygshah/Robust-Brain-Age-Prediction 에서 공개적으로 이용 가능합니다.