뇌 발달 질환 빅 코호트 데이터 이용에 있어서 딥 뉴럴 네트워크의 최적화

Abstract

기존의 설문 응답을 기반으로 한 주의력 결핍 및 과잉 행동 장애(ADHD)나 자폐증(ASD)등의 아동 발달 장애의 진단은 신뢰도나 응답 성실도에 대한 문제가 제기되어 왔고, 기능적 연결성 등의 바이오 마커 들로 진단하는 연구들이 지속되어왔다. 하지만 머신 러닝을 통한 질환 진단에 있어서, 과거에는 모델 학습을 위한 샘플이 부족하다는 한계를 가지고 있었고, 한 진단의 세부 진단이나 진단 간의 분류를 하는 연구가 부족한 상황이다. 정상 군과 질환 군 두 그룹의 진단이 아닌 여러 그룹을 한번에 진단할 수 있는 기준을 만드는 것이 한 질환의 특징을 확인하는 데에 중요한 방법이기 때문에 이러한 다중 분류는 반드시 연구될 필요가 있다. 기존 연구의 한계를 벗어나기 위해 두 가지의 연구를 진행했고, 각각 병원에서 다른 파라미터로 얻어진 데이터에 대한 전처리 보정과, 우수한 머신 러닝 분류 모델을 구축했다. 또한 아동 발달 장애의 행동적 특성을 고려하여 휴지기 기능적 연결성의 변화를 계산하고 그것으로 모델 학습 및 분류를 진행하여 기능적 연결성으로 학습한 모델과 성능 비교 후, 기능적 연결성의 변화가 질환 간 차이를 더 잘 보여준다는 것을 확인했다. 또한 이 과정에서 영역 간 기능적 연결성으로 연결되어 있는 그래프 구조의 특성을 가지고 심층 인공 신경망을 사용하여 전통적인 분류 모델인 서포트 벡터 머신과의 성능 비교를 진행하였다.