딥러닝 연구, MRI와 유전정보로 치매 위험 및 알츠하이머병 진행 연관성 규명

딥러닝 모델이 구조적 MRI와 유전 데이터를 활용해 치매 위험 예측을 개선하고 알츠하이머병 진행 과정에서의 동적인 뇌 변화도 확인했다. 한 연구에서는 3,521명의 Rotterdam Study 참가자와 515개의 외부 검증 샘플에서 영상 및 유전 데이터를 통합한 모델이 최고 0.90/0.69의 C-index를 달성했으며, 별도의 종단적 MRI 연구에서는 편도체, 해마곁이랑, 측두엽과 같은 영역의 중요도가 AD 진행 전반에 걸쳐 동적으로 변화한다고 보고했다.

정확한 치매 위험 예측은 쉽지 않으며, 영상 및 유전 데이터와 이들 사이의 복잡한 상호작용을 더 잘 활용하면 이를 개선할 수 있다. 한 연구에는 Rotterdam Study 참가자 3,521명, 자기공명영상(MRI) 6,340건, 그리고 치매에 대한 추적 임상 진단 자료가 포함됐고, 외부 검증으로 Alzheimer’s Disease Neuroimaging Initiative의 샘플 515개를 사용했다. 유전 데이터에는 APOE-ε4 상태와 추가적인 76개의 SNP가 포함됐다. 연구진은 Convolutional Neural Networks와 Cox 비례위험모형을 결합한 모델을 개발하고 사후 설명(post-hoc explanation)도 제시했다.

이 모델들은 Rotterdam Study와 외부 검증 모두에서 연령, 성별, 유전 입력을 포함한 Cox 비례위험모형보다 더 우수한 성능을 보였으며, C-index는 0.88/0.63 대 0.85/0.58, p-value는 0.02/0.002였다. 다만 MRI 표지자까지 포함한 Cox 비례위험모형(0.89/0.66)의 성능을 넘어서지는 못했다. 그럼에도 외부 검증의 연령층별 예측에서는 추가적인 예측력 향상이 관찰됐다. Cox 비례위험모형에 CNN 영상 특징을 통합하자 성능은 최고 C-index 0.90/0.69까지 더욱 향상됐다. 예측에서 연령과 영상의 중요도가 가장 높았고, 연령, 영상, 유전 특징 간 상호작용이 가장 강하게 나타났다.

별도의 연구에서는 알츠하이머병이 비가역적인 신경퇴행성 질환으로, 그 진행이 시간과 밀접하게 연관돼 있다고 밝혔다. 그러나 대부분의 진단 모델은 단일 시점 데이터에 기반해 종단적 질병 특성을 간과하고 있다고 지적했다. 구조적 자기공명영상은 AD 연구에 널리 활용돼 왔다. 연구진은 종단적 AD 연구에서 다중 시계열 분석의 필요성과 서로 다른 뇌 조직의 특징 통합 필요성에 대응하기 위해 질병 진단용 **Multi-Branch Fusion Channel Attention Network (MBFCA-Net)**를 제안했다.

이 네트워크는 종단 스캔 전반의 시간적 상관관계를 활용해 AD를 효과적으로 검출한다. 연구에서는 또 질병 단계 전반에 걸친 뇌 영역의 기여도를 정량화하기 위해 후향적 해석 가능성 분석을 수행했다. 그 결과, 편도체, 해마곁이랑, 측두엽과 같은 영역의 중요도는 AD 진행 전반에서 동적으로 변화하는 것으로 나타났다. 또한 AD 관련 복셀 군집은 해마에서 측두엽으로 이동하고, 분산된 분포에서 더 응집된 분포로 전환되는 발달 경향을 보였다.

연구진은 치매 위험 예측을 위해 영상 및 유전 데이터를 실현 가능하게 통합할 수 있으며, 이를 통해 정보성 있는 추출, 신뢰할 수 있는 설명, 잠재적 예측 성능 향상을 얻을 수 있다고 밝혔다. 또한 AD 관련 변화의 종단적 패턴은 조기 진단과 질환의 병리학적 이해에 기여할 수 있다고 했다.