PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.28397v3cs.CV

경도인지장애에서 치매 예측을 위한 2회 스캔 심층 학습 모델

A Two-Scan Deep Learning Model for Predicting Dementia in Mild Cognitive Impairment

경도인지장애(MCI)를 가진 사람 중 누가 치매로 진행할지 예측하는 것은 조기 치료 시작에 중요하지만, 구조적 뇌 영상에 대한 계산적 연구는 거의 전적으로 단일 스캔에만 의존해 왔다. 우리는 기준선(baseline) 스캔과 후속 추적(follow-up) T1-weighted 스캔을 결합하는 시간적 어텐션(attention) 융합 네트워크인 TAFNet을 제안한다. 사전학습된 샴(Siamese) 인코더가 각 스캔을 표현하며, 융합 모듈은 해부학적 차이, 교차 시간적 어텐션, 그리고 결합 맥락(joint context)을 통해 두 표현을 결합하고, 이를 환자별로 학습된 게이트로 혼합한다. 우리는 이를 알츠하이머병 신경영상 이니셔티브(Alzheimer's Disease Neuroimaging Initiative)에서 MCI를 가진 참가자들의 짝지어진(paired) 스캔—최대 2년 간격으로 촬영됨—에 대해 평가했으며, 첫 스캔 후 3년 이내의 치매 진단을 결과 지표로 사용했다. 이 평가는 엄밀한 검토를 견딜 수 있도록 설계되었다: 전환(conversion) 여부는 기록된 진단으로부터 정의되고, 사전학습 풀은 평가 코호트와 참가자를 공유하지 않으며, 별도로 보류된(held-out) 테스트 분할은 모델 개발 과정과 분리되어 있고, 불확실성은 참가자 리샘플링을 통해 추정된다. TAFNet은 보류된 분할에서 전환자와 비전환자를 잘 구별한다. 이는 기존의 단일 스캔 네트워크 및 두 스캔을 차분(subtract)하는 모델보다 우수한 성능을 보이며, 두 차이 모두 교차 검증(cross-validation)에서 유의미하고 더 작은 보류된 분할에서도 동일한 방향성을 보인다. 다른 모든 조건을 고정한 상태에서 후속 추적 스캔을 추가하는 것은 교차 검증에서 유의미한 성능 향상을 가져온다. 동일한 인코더로 구축된 순환(recurrent) CNN-LSTM 기준선(baseline) 모델과 비교하면, TAFNet은 비슷한 성능을 보이며 어느 모델도 일관되게 우위에 있지 않다. 기본 임계값 대신 검증(validation) 데이터에서 선택한 운영점(operating point)은 임상적으로 합리적인 특이도(specificity)에서 높은 민감도(sensitivity)를 제공한다.