복잡한 알츠하이머 진단, 새로운 AI 접근법
전 세계 치매 사례의 약 60~70%를 차지하는 알츠하이머병은 그 진단 과정이 복잡하고 자원 집약적입니다. 뇌 구조 변화와 인지 저하는 질병의 특징이지만, 누가 진행성 인지 손상을 겪게 될지 정확히 예측하는 것은 여전히 어렵습니다.
기존의 진단 방법은 PET 영상, 뇌척수액 또는 혈액 바이오마커, 유전자 검사, 종합 신경심리 평가 등 여러 보완적 기술에 의존합니다. 이러한 방법들은 효과적이지만 비용이 많이 들고 시간이 오래 걸리며 많은 의료 환경에서 접근하기 어렵습니다. MRI 데이터만으로는 기존 AI 프레임워크에서 알츠하이머병 진행의 복잡성과 이질성을 포착하기 어려웠으나, UCSF 연구팀은 도메인별 영상 지식과 고급 머신러닝 방법을 결합한 다중 작업 딥러닝 프레임워크를 고안했습니다.
기존 알츠하이머 진단의 한계
고비용, 긴 시간 소요, 제한된 접근성으로 인해 많은 환자가 조기 진단 기회를 놓치고 있습니다.
단일 MRI로 예측 가능성 확장: UCSF AI 모델의 혁신
기존 알츠하이머 예측 모델과 달리, 이 새로운 시스템은 장기적인 영상 데이터, 초기 인지 검사, PET 스캔 또는 분자 바이오마커 분석을 필요로 하지 않습니다. 연구자들은 대신 단일 기준선 MRI 스캔에서 임상적으로 의미 있는 정보를 추출하는 데 집중했으며, 이 프레임워크는 조직 분할, 알츠하이머 진단 예측, 현재 및 미래 인지 능력 추정 등 여러 관련 작업을 동시에 수행하도록 훈련되었습니다.
핵심 혁신: AI 모델은 뇌 조직(회백질, 백질, 뇌척수액)을 먼저 분할하여 생물학적으로 관련 있는 공간 뇌 특징을 더욱 효과적으로 학습합니다.
이 연구의 핵심 혁신은 뇌 조직을 회백질, 백질, 뇌척수액으로 분할한 후 인지 예측을 생성하는 특수 영상 모델의 개발에 있습니다. UCSF 방사선 및 생물의학 영상학 교수이자 선임 저자인 애쉬시 라지(Ashish Raj) 박사는 이 시스템이 일상적인 임상 환경에서 현실적으로 구현될 수 있도록 만드는 것이 목표였다고 밝혔습니다.
선임 연구 저자인 애쉬시 라지(Ashish Raj) 박사는 “우리의 모델은 초기 인지 평가, 특수 영상 파이프라인, 고비용 PET 스캔, 유전자 분석 또는 체액 단백질체학을 필요로 하지 않아, 대부분의 임상 환경에서 빠르고 정확하며 쉽게 구현할 수 있는 도구”라고 강조했습니다.
대규모 데이터셋 기반의 강력한 성능과 일반화 능력
프레임워크를 훈련하고 검증하기 위해 연구팀은 알츠하이머병 신경영상 이니셔티브(ADNI)의 MRI 스캔, 인구통계학적 정보, 진단 및 인지 평가 데이터를 활용했습니다. 또한 건강한 젊은 성인의 스캔이 포함된 휴먼 커넥톰 프로젝트(Human Connectome Project) 데이터를 통합하여, 모델이 병리학적 신경퇴행을 정상적인 노화와 구별하는 능력을 향상시켰습니다. 외부 검증 코호트로는 달라스 수명 뇌 연구(Dallas Lifespan Brain Study) 데이터가 사용되어 프레임워크의 일반화 가능성을 확인했습니다.
연구팀은 이 다중 작업 프레임워크가 표준 전이 학습 접근 방식을 포함한 기존 AI 방법들을 능가했다고 보고했습니다. 모델은 기준선 MRI 데이터만을 사용하여 알츠하이머 진단, 조직 분할, 현재 인지 기능 및 미래 인지 저하에 대한 정확한 예측을 생성했습니다. 또한 기존의 복잡한 MRI 형태 측정 파이프라인에 비해 계산 효율성과 처리 속도도 향상되었습니다.
향상된 진단 속도와 성능
공동 저자인 다렌 마(Daren Ma)는 “이 프레임워크는 임상의가 위험 환자를 조기에 식별하고, 보다 심층적인 신경학적 평가를 위한 의뢰 과정을 간소화하는 데 도움이 될 수 있다”고 언급했습니다.
알츠하이머를 넘어선 미래 활용 가능성과 과제
연구자들은 이 프레임워크가 결국 파킨슨병, 근위축성 측삭경화증(ALS), 헌팅턴병 등 구조적 뇌 변화와 점진적인 인지 저하를 특징으로 하는 다른 신경퇴행성 질환에도 적용될 수 있다고 믿습니다. 최소한의 기준선 데이터로 인지 손상을 추정하는 능력은 전문 신경심리 검사 접근이 제한적인 지역사회 의료 환경에서도 유용할 수 있으며, 임상 시험 설계에서도 시험 규모를 줄이고 환자 선택을 개선하는 데 기여할 수 있습니다.
AI 모델의 잠재적 활용 분야
- 파킨슨병, ALS, 헌팅턴병 등 다른 신경퇴행성 질환 예측
- 전문 검사 접근이 어려운 지역사회 의료 환경 지원
- 치료법 임상 시험 설계 최적화 및 비용 절감
다만, 연구팀은 이 모델이 광범위하게 임상에 적용되기 전에 추가적인 검증이 필요하다고 강조했습니다. 향후 프레임워크는 장기 MRI 영상, PET 스캔, 유전학, 혈액 또는 뇌척수액 바이오마커 등 사용 가능한 추가 임상 측정치를 통합할 수 있습니다.
