이 프로젝트는 rs-fMRI(BOLD) 및(가능 시) ASL 데이터를 활용한 뇌혈류(hemodynamics) 패턴 분석을 통해 경도인지장애(MCI)/초기 알츠하이머(AD)를 조기 탐지하는 AI 방법을 제안합니다.
핵심 아이디어는 다음과 같습니다.
- 혈류 대리지표(ALFF/fALFF/ReHo)와 기능 연결망(Functional Connectivity; FC)을 결합해 조기 변화 신호를 포착
- 베이스라인(전통 ML) → GNN(그래프) → 시계열 Transformer 순으로 성능·해석력 고도화
- 도메인 보정(ComBat)과 교란변수 회귀로 사이트/스캐너 차이에 견고한 일반화 성능 확보
- 해석가능성(Explainability)로 상위 ROI/네트워크(DMN 등)의 생물학적 시사점 도출
기대 기여
- 공개 데이터 기반으로 재현성 높은 조기 탐지 성능 제시
- 네트워크 관점 해석(중요 ROI/엣지 시각화)을 통한 신경과학적 통찰
- 일반화/견고성 실험(센터 분리 검증, ComBat 효과)을 체계적으로 보고
- 언어/프레임워크: Python 3.10+, PyTorch, PyTorch Geometric, (옵션) MONAI, scikit-learn
- 신경영상 도구: Nilearn, NiBabel, (전처리 산출물 재사용 시) fMRIPrep 결과 활용
- 특징 추출:
- ALFF/fALFF/ReHo (지역 자발활동/국소 동기화 지표)
- 정적 FC(ROI 간 상관행렬, Fisher z), 동적 FC(슬라이딩 윈도우/HMM)
- (옵션) Radiomics(구조 MRI) 텍스처/형태 특징
- 모델:
- 베이스라인: SVM / Logistic Regression / XGBoost (FC 벡터 + 지역 지표)
- 그래프 신경망: GCN / GAT / GraphSAGE (노드=ROI, 엣지=FC 가중)
- 시계열: LSTM/GRU → Transformer Encoder / TimesNet (ROI 시계열 직접 모델링)
- (옵션) 3D-CNN: DenseNet3D/UNETR(구조 MRI 비교군)
- 일반화/보정: ComBat(배치효과), 나이/성별/모션 회귀
- 해석/시각화: SHAP/Permutation Importance, GNN 엣지/노드 중요도, (옵션) 3D Grad-CAM
- 평가 지표: AUC(주), Accuracy, F1, Sensitivity@고정 Specificity, Calibration(ECE)
- 입력(X): 정규화된 rs-fMRI에서 추출한 ROI 시계열, 파생 FC 행렬, ALFF/fALFF/ReHo (옵션: 구조 MRI에서 Radiomics)
- 출력(y): 진단 레이블 (예: CN vs MCI 이진, 혹은 CN/MCI/AD 다중분류)
- 목표: 적은 데이터와 강한 도메인 편차에서도 조기 탐지 성능과 해석가능성을 동시에 달성
- 제약/도전과제
- 도메인 편차: 다기관/다스캐너 데이터 이질성 → ComBat/강한 정규화 필요
- 교란변수: 나이·성별·모션 파라미터 → 회귀/공변량 통제
- 소표본/고차원: 규제, 특징선택, 단순 모델 병행, 엄격한 데이터 분할
- 평가/실험 디자인
- Stratified k-fold(환자 기준), 가능 시 센터 분리 OOD 테스트
- Delong/McNemar 등 통계 검정과 ablation(파셀 수, 임계값, 보정 유무)
- 특징 설계: FC만으로 충분한가, ALFF/ReHo 결합이 실질 이득을 주는가? 동적 FC의 윈도우 길이/중첩 최적값은?
- 그래프 구성: 엣지 임계값 vs Top-k vs 연속가중 중 무엇이 일반화에 유리한가? 파셀 수(예: Schaefer 100/200/400)의 trade-off는?
- 시계열 모델링: LSTM 대비 Transformer의 장점(긴 의존성)과 데이터 요구량의 균형은?
- 보정 전략: ComBat 적용 전/후의 성능 및 특징 중요도 이동은 임상적으로 일관적인가?
- 해석가능성: 상위 ROI/엣지가 DMN/해마 회로 등 문헌과 합치되는가? 반대로 새로운 신호는 무엇인가?
- 재현성/윤리: 코드·스플릿·시드 공개로 재현성 보장. 공개 데이터 라이선스 준수와 “연구용 참고” 고지(의료행위 대체 아님).
- 확장 가능성: (옵션) 구조 MRI 멀티모달 융합, 소수샘플 학습(transfer/SSL), 외부 공개셋 추가 검증
상세 기획과 일정, 전처리·모델링 스펙은
Ideation.md를 참고하세요.