AXIAL: 3D MRI 뇌 스캔에서 2D CNN을 사용한 주의 기반 해석 가능한 알츠하이머 국소 진단

이 연구는 알츠하이머병 진단을 위한 혁신적인 방법을 제시하며, 이 방법은 모델 결정의 설명성을 향상시키기 위해 3D MRI를 사용합니다. 본 접근 방식은 소프트 어텐션 메커니즘을 채택하여 2D CNN들이 부피 표현을 추출할 수 있도록 하며, 동시에 각 슬라이스의 결정 과정에서의 중요성을 학습하여 복셀 레벨의 어텐션 맵을 생성하여 설명 가능한 MRI를 생산합니다. 우리의 방법을 테스트하고 결과의 재현성을 보장하기 위해, 우리는 알츠하이머병 신경영상 이니셔티브(Alzheimer's Disease Neuroimaging Initiative, ADNI)에서 표준화된 MRI 데이터 집합을 선택했습니다.이 데이터셋에서, 우리의 방법은 (i) 알츠하이머병(AD)과 인지 정상(CN) 상태를 구분하는 정확도 0.856과 매슈의 상관 계수(Matthew's correlation coefficient, MCC) 0.712로 최고 수준의 기법들을 크게 능가하며, 각각 2.4%와 5.3% 개선된 것으로 나타났습니다. 또한 (ii) 안정적인 경도 인지 장애(MCI)와 진행성 경도 인지 장애를 구분하는 예후 작업에서 정확도 0.725와 MCC 0.443으로 최고 수준의 기법들보다 각각 10.2%와 20.5% 개선된 성능을 보였습니다. 이러한 예후 결과는 형태학적 변화에 대한 감도를 높이고 초기 단계 알츠하이머병 검출을 용이하게 하는 이중 전이 학습 전략을 채택함으로써 달성되었습니다.복셀 레벨의 정밀도로 우리 방법은 특히 주목받는 특정 영역들을 식별하였으며, 이들은 해마(hippocampus),扁桃体(amygdala), 海马旁回(parahippocampal), 和下侧脑室(inferior lateral ventricles)等主要脑区。所有这些区域都与阿尔茨海默病的发展有临床关联。此外，我们的方法在不同的交叉验证折叠中始终发现了相同的阿尔茨海默病相关区域，证明了其在突出与疾病已知病理标志物紧密对齐的区域方面的稳健性和精确性。注：由于部分术语在韩文中没有通用译法，我保留了原文并加上了中文解释以确保信息完整。以下是修正后的版本：복셀 레벨의 정밀도로 우리 방법은 특히 주목받는 특정 영역들을 식별하였으며, 이들은 해마(hippocampus), 완두체(amygdala), 해마주변엽(parahippocampal), 그리고 하부 측면 뇌실(inferior lateral ventricles) 등 주요 뇌 영역입니다. 모든 이러한 영역들은 알츠하이머병 발달과 임상적으로 연관되어 있습니다. 또한, 우리의 방법은 다른 교차 검증 폴드에서도 일관되게 같은 알츠하이머병 관련 영역을 발견하여, 알려진 질병의 병리학적 마커와 밀접하게 일치하는 영역을 강조하는 데 있어 그 견고성과 정밀성을 입증하였습니다.