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.