PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.22770v1cs.LG

협력적 메타 지식 강화를 통한 치매 원인 진단

Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement

인공지능(AI)은 여러 의료 과제에서 유망한 성능을 보여왔지만, 질환 간 복잡하게 겹치는 증상으로 인해 AI를 이용한 정확한 치매 원인 진단은 여전히 어려운 과제로 남아 있다. 센터 간 샘플을 결합하여 데이터셋 크기를 확대하면 성능 향상을 기대할 수 있지만, 센터나 인구 집단 간 고유한 데이터 이질성은 이를 저해하는 갈등을 유발한다. 기존 다중 과제 학습(multi-task learning) 패러다임은 유망한 틀을 제공하지만, 이질성에 대응하기 위한 핵심 메타 정보(예: 사이트별 촬영 방식, 모달리티 가용성)를 고려하지 못한다. 이 문제를 해결하기 위해, 우리는 치매 원인 진단을 위한 협력적 메타 지식 강화(Collaborative Meta Knowledge Enhancement, COME) 프레임워크를 제안한다. 이 프레임워크는 다중 센터 촬영 의미, 출처 식별자, 모달리티 지표를 이질성 인식 임베딩(heterogeneity-aware embedding)으로 통합 트랜스포머 아키텍처에 주입하여 확장 학습(scale-up training)을 수행하고, 이질성의 명시적 모델링을 가능하게 한다. 또한 참조 모델을 통해 학습 중 모델이 허위 상관(spurious correlation)에 빠지지 않도록 정규화하기 위해 신뢰 영역 제약 최적화(trust-region constrained optimization) 방식을 설계하였다. 7개의 독립 코호트 전반에서 우리 방법은 도메인 내(in-domain) 최첨단 성능을 달성하며, 평균 매크로 평균 AUC 85.62%와 최강 기준선 대비 4.29%p 향상을 기록하면서, 센터 간 및 시퀀스 간 평가 모두에서 우수한 도메인 외(out-of-domain) 일반화를 유지한다. 광범위한 검증 또한 모델 예측과 확립된 바이오마커(아밀로이드, 타우) 및 임상 중증도 간의 정렬(alignment)을 확인하여, COME이 실제 환경에서 견고하고 해석 가능한 치매 진단을 가능하게 할 잠재력을 보여준다.

arXiv:2606.21168v1cs.CL

Dementia-Agents: 치매 분기 및 표현형 분류를 위한 멀티모달 멀티-에이전트 시스템

Dementia-Agents: A Multi-Modal Multi-Agent System for Dementia Staging and Phenotyping

치매 진단은 불완전하고 이질적인 데이터 조건 하에서 다양한 정보 제공자와 임상의로부터의 멀티모달 임상 평가를 통합할 필요가 있다. 그러나 대부분의 AI 기반 접근법은 여전히 알�heimer병(AD) 중심적이며, 잘 선별된 연구 환경에서 이를 이원적 AD 탐지 또는 3단계 AD 진행 모델링 문제로 구성한다. 이러한 병리학 중심 패러다임은 여러 단계, 표현형, 원인을 아우르는 치매의 더 넓은 �후군 수준 특성을 간과한다. 본 논문에서는 실제 임상 환경에서의 치매 분기 및 표현형 분류를 위한 임상적으로 정렬된 멀티-에이전트 프레임워크인 Dementia-Agents를 제안한다. 이 프레임워크는 3단계 워크플로를 따른다: (1) 데이터 에이전트가 구조화된 임상 기록을 의미적으로 충실한 텍스트 표현으로 변환하여 결측 데이터 신호를 보존하고 이를 도메인에 정렬된 전문가에게 라우팅한다; (2) 5개의 파인튜닝된 전문가 에이전트가 도메인 수준 예측을 생성한다; (3) 코디네이터 에이전트가 확률적 집계를 수행하여 최종 분기 및 표현형 분류 결정을 산출한다. Dementia-Agents를 두 개의 인지신경과 진료 서비스에서 수집한 1,066명의 환자로 구성된 실제 임상 코호트에서 개발하고 평가했다. 단일형 멀티모달 대규모 언어 모델(MLLM) 및 기존 의료 멀티-에이전트 시스템과 비교했을 때, 본 접근법은 도메인 수준 해석 가능성을 유지하면서 실제 환경에서의 �후군 수준 치매 분기 및 표현형 분류에 대한 진단 성능에서 일관된 개선을 달성했다.