본 논문은 구조적 MRI(s-MRI)의 대뇌 피질 지표와 휴지기 fMRI(rs-fMRI)의 뇌 연결성 데이터를 활용하여 과제 기반 fMRI(t-fMRI)로부터 과제 수행 기반 뇌 활성화 맵을 예측하는 청소년 뇌 인지 발달(ABCD) 연구의 영상 애플리케이션에서 동기를 얻었습니다. 계층적 베이지안 모델링은 다양한 영상 데이터를 통합하고 예측 불확실성을 정량화하는 데 매우 적합합니다. 그러나 다양한 영상 양식(modality) 간의 구조와 상호 연결성을 포착하는 결합 사전분포(joint prior) 설계의 난점과 더불어, 계산 복잡성 및 이론적 보장의 부재로 인해 이 분야의 발전은 제한적이었습니다. 이러한 과제를 해결하기 위해, 본 논문은 t-fMRI와 s-MRI 영상을 함수형 데이터(functional data)로 다루며, 함수형 반응변수에 대한 네트워크 및 함수형 예측변수의 덧셈 비선형 효과를 통합하는 새로운 회귀 프레임워크를 소개합니다. 구체적으로, 반응변수와의 복잡한 함수적 의존성을 포착하기 위해 함수형 예측변수와 관련된 계수에 가우시안 과정(GP) 사전분포를 적용합니다. 나아가, 반응 함수에 대한 네트워크 예측변수의 비선형적 노드 효과를 요약하기 위해 GP 사전분포를 할당합니다. 이 방법은 함수형 반응변수에 대한 예측 정확도의 이론적 결과로 뒷받침되며, 시뮬레이션 연구와 ABCD 연구의 다중 모달 신경영상 데이터 분석을 통해 실증적으로 검증됩니다.
자기공명영상(MRI)의 신뢰할 수 있는 품질 관리(QC)는 신뢰할 수 있는 진단 신경영상에 필수적이지만, 표준 수동 평가는 주관적이고 시간이 많이 든다. MRIQC는 영상 품질 지표(IQM)의 표준화된 자동 추출을 확립했으나, 고성능 컴puting을 포함한 로컬 계산 영상 역량 및 인프라에 대한 의존으로 자원 제약 환경(RCS)에서의 채택이 제한된다. 우리는 검증된 MRIQC 엔진을 설치 없이 사용하는 웹 인터페이스 뒤에 둔 오픈소스 브라우저 기반 플랫폼인 WebMRIQC(webmriqc.mailab.io)를 제시한다. WebMRIQC는 비식별화된 MRI 스캔의 DICOM-to-BIDS 변환을 자동화하고, fair-share 작업 큐로 운영되는 공유 컴퓨트 노드에서 수정되지 않은 컨테이너화된 MRIQC 파이프라인을 실행하며, 브라우저 내 대화형 대시보드를 제공한다. 대시보드는 모든 IQM을 게시된 품질 임계값에 그라운딩하고, 각 스캔을 고자원 오픈 데이터셋의 규범 분포에 대해 벤치마크하며, RCS에서 최적화된 스캔 프로토콜의 다기관·다센터 교차 구현을 지원한다. BraTS-Africa 및 BraTS 2021 데이터셋에서 13개 IQM에 걸쳐 WebMRIQC와 네이티브 MRIQC 간 측정 동등성을 확립하는 시스템 아키텍처와 검증 프레임워크를 설명한다. 예비 결과는 대비·신호 및 잡음 기반 지표에서 강한 일치를 보여주며, 웹 기반 구현이 표준화된 MRI QC의 진입 장벽을 낮추고 RCS 영상 사이트 전반에 걸친 조화된 지역 적응형 품질 벤치마크의 기반을 제공함을 보여준다. 코드는 https://github.com/CAMERA-MRI/WebMRIqc 에서 공개적으로 이용 가능하다.
주로 서구권 코호트로 구성된 대규모 데이터로 사전학습(pre-training)된 신경영상 파운데이션 모델(foundation model)이 뇌 MRI 분석을 위한 범용 백본(backbone)으로 점점 더 많이 제안되고 있다. 그러나 이러한 모델이 대표성이 낮은 임상 집단에 대해 일반화될 수 있는지는 아직 대부분 검증(validation)되지 않았다. 본 연구에서는 최근 발표된 4개의 파운데이션 모델(BrainIAC, Neuro-JEPA, NeuroVFM, Primus)을 나이지리아 임상 뇌 MRI 데이터셋(dataset)에서 얻은 88명 피험자 코호트를 대상으로, 네 가지 모달리티 구성(T1w, T2w, T1w+T2w, FLAIR)에 걸쳐 대조군(Control), 치매(Dementia), 파킨슨병(Parkinson's disease)을 구분하는 3가지 분류(classification) 진단 과제에서 평가하고, 엔드투엔드(end-to-end)로 학습된 ViT3D 기준선(baseline)과 비교한다. 동결(frozen)된 백본들은 다수 클래스 예측으로 붕괴하는 반면, FLAIR에서의 Neuro-JEPA는 다소 완화되었으나 여전히 제한적인 판별력을 보인다. 반면 엔드투엔드로 학습된 ViT3D는 모든 과제에서 더 높은 정확도와 MCC를 달성하며(최대 정확도 53.4%, MCC=0.27), 유의미한 재현율(recall)을 보이는 유일한 모델이다. 이러한 결과는 동결된 신경영상 파운데이션 모델들이 규모가 작은 비서구권 임상 코호트에서의 세밀한 진단 분류에는 충분하지 않음을 시사하며, 글로벌 헬스(global health) 환경에서의 공평한 배포를 위해 매개변수(parameter) 효율적인 적응(adaptation)과 더 폭넓은 다기관 외부 검증의 필요성을 제기한다.
다중 피험자 시공간 데이터에서 공유 구조와 피험자별 구조를 모델링하는 일은 여전히 어려우며, 특히 신경영상에서는 공간·시간 패턴이 피험자 간에 풍부한 변동성을 보인다. 기존 행렬 및 텐서 분해는 해석 가능한 인수분해를 제공하지만, 고정된 다중선형 구조나 결합 방식에 의존하여 복잡한 변동성을 포착하는 유연성이 제한될 수 있다. 본 연구에서는 텐서 인수분해 생성 모델과 구조화된 사전을 결합하여 공간 맵과 시간 역학을 공동으로 표현하는 시공간 변분 텐서 분해(ST-VTD) 프레임워크를 제안한다. 공간 인자는 LL1 분해에서 영감을 받은 저랭크 구조를 촉진하도록 정규화되고, 시간 인자는 학습된 장단기 메모리(LSTM) 기반 사전으로 모델링되어 유연하고 적응적인 역학을 가능하게 한다. 사후 추론은 최적화 알고리즘의 반복을 언롤링하는 상각형 변분 정식화를 통해 수행되며, 해석 가능하고 매개변수 효율적인 아키텍처로 이어진다. 제안된 추론 프레임워크는 그룹 독립성분분석에 기반한 웜스타트 전략을 사용하며, 이는 최적화 성능을 향상시키는 것으로 나타났다. 현실적인 합성 기능적 MRI(fMRI) 데이터셋에 대한 실험은, 제안 방법이 대표적인 고전적·확률적 분해 벤치마크와 비교하여 잠재 인자 복원을 크게 향상시킴을 보여준다.
알츠하이머병(AD)은 전 세계 수백만 명에게 지속적인 영향을 미치는 복잡한 신경퇴행성 질환입니다. 전구기(prodromal stage)에서의 AD 전환 예측은 질병 이해와 환자 관리에 있어 매우 중요합니다. 이에 따라 생존 모델이 AD 위험 예측에 널리 활용되고 있으나, 기존 모델들은 일반적으로 정적 예측기에 머물러 해석 가능성이 제한되고 자연어 추론 능력이 없습니다. 본 연구에서는 AD 전환 생존 예측을 위한 전문가 혼합(MoE) 기반의 해석 가능한 대규모 언어 모델(LLM) 가이드 프레임워크인 iLENS를 제안합니다. 우리의 접근 방식은 LLM을 활용하여 구조화된 신경영상 측정값과 비구조화된 정보를 통합함으로써 전문가 라우팅을 안내합니다. 제안된 프레임워크는 경쟁력 있는 예측 성능과 환자 하위 유형 분류 능력을 입증합니다. 나아가, 본 프레임워크는 라우팅 결정에 대한 투명하고 생물학적으로 근거한 설명을 제공함으로써 고성능 생존 분석과 해석 가능한 임상 의사결정 지원 사이의 간극을 메웁니다.
신경영상 연구는 원시 MRI 볼륨, 체적 분할(volumetric parcellation), 피질 표면 메시(cortical surface mesh), 트랙토그램(tractogram), 연결성 행렬(connectivity matrix) 등 이질적인 데이터 구조를 호환되지 않는 인터페이스와 파일 형식을 가진 도구들 간에 다루어야 하므로, 연구자들이 기술적으로 까다로운 루틴 작업을 반복적으로 재구현해야 하는 상황에 처하게 된다. 본 논문에서는 체적, 표면, 스트림라인 데이터를 상호운용 가능한 Python 객체로 표현함으로써 이러한 작업들을 단일하고 일관된 프레임워크로 통합한 오픈소스 Python 패키지 CLABTOOLKIT을 소개한다. 다섯 가지 핵심 데이터 구조(Parcellation, Surface, AnnotParcellation, Tractogram, Connectome)는 일반적인 신경해부학적 개체를 캡슐화하고, NIfTI, GIFTI, FreeSurfer 어노테이션, TCK/TRK 등 표준 신경영상 형식 간 데이터 로딩, 처리, 내보내기를 위한 일관된 메서드를 제공하며, 분할로부터의 커넥톰 생성 및 트랙토그램 스트림라인에 대한 스칼라 맵 투영도 지원한다. 보완 모듈은 BIDS 데이터셋 관리, FreeSurfer 통합, 확산 MRI 처리, 형태계측 분석(morphometric analysis), 그래프 이론 기반 네트워크 분석, PyVista를 통한 GPU 가속 다중 패널 시각화를 지원한다. 이 툴킷은 6개 계층으로 구성된 19개 모듈로 이루어지며, 234개의 메서드와 207개의 독립 함수를 가진 13개의 객체지향 클래스를 제공하고, JSON 기반 설정 시스템을 통해 코드 변경 없이 워크플로우를 커스터마이징할 수 있다. 이러한 작업들을 별도로 다루는 기존 신경영상 라이브러리와 달리, CLABTOOLKIT은 색상 및 룩업 테이블 관리, 분할 조작, 다중 표면 시각화, 섬유추적(tractography) 유틸리티를 단일 프레임워크 내에 결합한다. CLABTOOLKIT은 Python 3.9-3.12와 호환되며 Apache 2.0 라이선스 하에 배포된다. 소스 코드, 문서, 예제 워크플로우는 https://github.com/connectomicslab/clabtoolkit에서 확인할 수 있다.
서론: 객관적 신경영상 바이오마커는 임상 검사에서 직접 관찰하기 어려운 뇌 변이를 포착함으로써 파킨슨병 운동 평가를 개선할 수 있다. 본 연구에서는 해석 가능한 머신러닝을 활용하여 QSM 및 멀티밴드 다중에코 안정 상태 fMRI에서 도출된 ReHo 특징으로부터 MDS-UPDRS Part III로 측정된 현재 운동 중증도를 예측하였다. 방법: 파킨슨병 환자 24명과 정상 대조군 4명을 포함한 총 28명의 참가자로부터 영역별 QSM 및 ReHo 특징을 추출하였다. 13가지 특징 집합 실험을 통해 영상 단독, 임상 단독, 영상+임상, 전체, 축소, 다중모달 입력을 평가하였다. 서포트 벡터 회귀, Elastic Net, Random Forest, XGBoost 모델을 중첩 교차 검증 방식으로 학습하였다. 성능은 풀링된 홀드아웃 R², RMSE, MAE, 피어슨 상관계수, 순열 검정, 그리고 MDS-UPDRS Part III 점수 ±5점 이내로 예측된 참가자 비율을 통해 평가하였다. 결과: 영상 단독 모델은 의미 있는 예측 신호를 보인 반면, 임상 단독 모델은 성능이 낮았다. 전체 fMRI, 전체 QSM, 임상 변수를 함께 사용한 경우 가장 강력한 전역 적합도를 보여 운동 중증도 분산의 45.4%를 설명하였다. 선택된 QSM 특징과 임상 변수의 조합은 가장 임상적으로 근접한 예측을 산출하여, 참가자의 75.0%가 ±5점 이내로 예측되었으며 상위 성능 모델 중 MAE가 가장 낮았다. SHAP 분석은 소뇌, 시상, 선조체, 뇌섬엽, 운동 피질 특징을 주요 기여 인자로 강조하였다. 결론: QSM 및 멀티밴드 다중에코 fMRI 기반 ReHo는 파킨슨병 운동 중증도의 뚜렷하고 해석 가능한 차원을 포착한다. 이러한 결과는 구조적·기능적 영상이 임상 예측 목표에 따라 서로 다른 방식으로 기여함을 보여준다.
Alzheimers disease (AD) is a brain disorder that develops slowly and mainly affects memory, thinking, language, and daily activities. It is one of the most common causes of dementia and creates many difficulties for patients as well as their families. In the early stage, the symptoms are often mild and may look like normal ageing. For this reason, many people are diagnosed late, when the disease has already progressed. At present, there is no complete cure for AD. Still, early detection can help doctors manage the condition better and take suitable steps at the right time. In this study, a machine learning model is proposed to detect the early stages of Alzheimers disease using clinical details, neuropsychological test scores, and neuroimaging-related measures. The data used in this work is collected from the Alzheimers Disease Neuroimaging Initiative (ADNI). As the dataset has missing values, iterative imputation is applied to fill them. The dataset also has class imbalance, which is handled using Borderline SVM-SMOTE. After that, feature selection is carried out using wrapper-based and embedded methods so that only important features are used for training. The selected features are divided into training and testing sets, and feature scaling is applied. A stacking ensemble model is developed using Logistic Regression, Extra Trees, Bagging KNN, and LightGBM as base classifiers. Along with this, an artificial neural network is also trained on the same dataset. The performance of these models is compared using precision, recall, F1-score, and AUC-ROC. This study aims to find the best classifier and also identify important biomarkers that may help in the early diagnosis of Alzheimers disease.
CALM은 뇌 영상과 유전체 데이터가 서로 다른 피험자 집단에서 수집되어 쌍을 이루지 않는 문제를 해결하기 위해, 클래스 조건부 분포 정렬과 선형 투영을 통해 두 모달리티를 공유 잠재 공간에서 정렬하는 해석 가능한 프레임워크를 제안한다. ABIDE(뇌 영상)와 SSC(유전체) 데이터셋으로 학습한 후 독립적인 페어 데이터셋에서 검증한 결과, 자폐 스펙트럼 장애와 관련된 면역·대사 경로와 특정 피질 영역 간의 연관성을 기존 문헌과 일치하는 방식으로 발견하며 최신 기법들을 능가했다.
확산 MRI의 NODDI 맵(NDI, ODI, FWF)에서 고유·중복·시너지 정보를 자기지도 방식으로 분리하는 Self-supervised Partial Information Decomposition(SPID)과 전문가 혼합(MoE) 아키텍처를 결합한 뇌 미세구조 최초의 파운데이션 모델 BrainFIBRE를 제안한다. UK Biobank 55,592명 데이터로 사전학습한 이 모델은 나이·성별·뇌혈관 질환·인지 기능 예측 등 다양한 하류 과제에서 코카서스계 및 아시아계 코호트 모두에 걸쳐 최고 성능을 달성하며 신경생물학적으로 해석 가능한 표현을 제공한다.
다중모달 3D 뇌 MRI에서 모달 내·교차 모달 상호작용과 국소·전역 컨텍스트를 함께 모델링하는 3D 비전 트랜스포머 MICViT를 제안한다. T1·FLAIR·DWI·SWI 등을 사용한 UK Biobank 등 세 데이터셋의 뇌 연령 예측에서 기존 3D CNN·트랜스포머를 일관되게 능가하며, 모달리티를 추가할수록 더 큰 성능 이득을 보인다.
Human Connectome Project 23개 과제 상태에 대해 마스크 fMRI 재구성 전이 학습 기반 인지 태스크노미를 단일 소스에서 다중 소스로 확장하고, 불리언 정수 프로그래밍(BIP)으로 예산 제약 과제 할당을 분석했다. 운동 과제는 패러다임 내 전이는 강하나 교차 패러다임 지원은 제한적이고, 다대일 과제 관계는 소스 집합 구성에 따라 달라 쌍wise 전이만으로는 충분히 설명되지 않으며, 0-back·2-back 작업 기억 상태가 감독 예산 할당에서 반복적으로 우선 선택된다.
뇌 MRI는 해부학적 T1 가중 영상(T1-weighted imaging, T1w)과 유체에 민감한 T2 가중 영상(T2-weighted imaging, T2w) 대비를 포함하여, 독특한 대비 가중치를 가진 여러 보완적인 시퀀스로 일상적으로 획득됩니다. 그러나 의료 시스템 규모에서 다양한 MRI 대비 기제에 걸친 통합 표현(representation)을 학습하는 방법은 부족합니다. 본 연구에서 우리는 핵심 T1w, T2w 및 유체 억제 FLAIR 영상(FLAIR)에 걸쳐 뇌 MRI를 인코딩하기 위해 잠재 예측 목적함수(objective)와 전문가 혼합(Mixture-of-Experts, MoE) 아키텍처를 결합한 희소 멀티모달 신경영상 파운데이션 모델인 Neuro-JEPA를 소개합니다. 또한, 우리는 강건한 신경영상 멀티모달 표현 학습에 유익한 아키텍처, 마스킹, 목적함수, 희소성(sparsity) 설계 선택에 대한 체계적인 방법론적 연구를 제공합니다.
Neuro-JEPA는 세 가지 핵심 구조적 뇌 MRI 시퀀스에 걸친 데이터 정제와 모달리티 특화 전처리를 거쳐 428,647건의 연구에서 1,551,862개의 스캔으로 사전학습(pre-training)되었습니다. 우리는 NYU Langone, NYU Long Island, Massachusetts General Hospital의 세 가지 의료 시스템에서 25개 작업과 12개의 공용 데이터셋에서 22개 작업을 포함하여, 단일 모달(unimodal), 멀티모달(multimodal) 및 도메인 간(cross-domain) 평가 구성을 포괄하는 임상 및 연구 환경에서 학습된 표현을 평가했습니다. 이러한 벤치마크에서 기존 신경영상 파운데이션 모델들은 단순한 합성곱 신경망(CNN) 기준선(baseline) 대비 일관되지 않은 이득을 보인 반면, Neuro-JEPA는 평가된 모든 설정에서 더 강력하고 일관된 성능을 달성했습니다. 이러한 결과는 멀티모달 신경영상 표현 학습을 위한 확장 가능한 방법론적 프레임워크를 확립하고, 단순한 기준선, 임상적으로 이질적인 코호트(cohort), 통제된 멀티모달 비교를 포함하는 파운데이션 모델 평가 프로토콜의 필요성을 강조합니다.
멀티모달 뇌 영상의 그래프 신경망(GNN)에서는 연령·성별 등 인구통계적 교란으로 임상 예측이 가짜 지름길에 의존하는 문제가 있으며, Artemis는 각 뇌 영역별 교란 표현을 학습해 독립적으로 인과 개입을 수행하는 영역 수준 백도어 조정 플러그인을 제안한다. ADNI, OASIS, HCP 세 벤치마크에서 대표 GNN 베이스라인 대비 정확도·AUC가 일관되게 향상되었고 통계적 유의성과 신경과학적 해석 가능성도 확인되었다.
에이전트형 인공지능 시스템은 과학적 워크플로우를 가속화할 잠재력을 가지고 있지만, 뇌영상(neuroimaging)은 이종 모달리티(sMRI, fMRI, dMRI, EEG), 긴 다단계 파이프라인, 그리고 지속적인 재현성 위험과 같은 독특한 과제를 제기합니다. 이러한 격차를 해결하기 위해, 우리는 실행 가능하고 재현 가능한 뇌영상 연구를 위한 도메인 특화 다중 에이전트 연구 보조 도구인 NeuroClaw를 제안합니다. NeuroClaw는 다양한 형식과 모달리티의 원본 뇌영상 데이터에서 직접 작동하며, 데이터셋 의미론과 BIDS 메타데이터에 기반하여 결정을 내리므로 사용자가 정제된 입력이나 특정 모델 코드를 준비할 필요가 없습니다. 이 플랫폼은 하네스 엔지니어링(harness engineering)과 엔드투엔드 환경 관리를 결합하며, 여기에는 고정된 Python 환경, Docker 지원, 일반적인 뇌영상 도구용 자동화된 설치 프로그램, 그리고 GPU 구성이 포함됩니다. 실제로 이 층은 체크포인팅, 실행 후 검증, 구조화된 감사 추적(audit traces), 제어된 런타임 설정을 강조하여 툴체인의 투명성을 높이고 재현성과 감사 가능성을 개선합니다. 3계층 스킬/에이전트 계층 구조는 사용자 대면 상호작용, 고수준 오케스트레이션, 저수준 도구 스킬을 분리하여 복잡한 워크플로우를 안전하고 재사용 가능한 단위로 분해합니다. NeuroClaw 프레임워크와 더불어, 우리는 실행 가능성, 아티팩트 유효성, 재현성 준비 상태를 위한 시스템 수준 벤치마크인 NeuroBench를 소개합니다. 여러 멀티모달 LLM에서 NeuroClaw가 활성화된 실행은 직접적인 에이전트 호출과 비교하여 일관되고 상당한 점수 향상을 보여주었습니다. 프로젝트 홈페이지: https://cuhk-aim-group.github.io/NeuroClaw/index.html