알츠하이머병 (Alzheimer's disease, AD)과 같은 신경퇴행성 질환은 질병의 중증도를 평가하기 위한 정확하고 확장 가능한 도구가 필요하지만, 현재의 임상 단계 설정은 시간이 많이 소요되며 변동성이 생기기 쉽습니다. 본 연구에서는 자동화되고 해석 가능한 AD 중증도 단계 설정을 위해 서수 회귀 (ordinal regression)를 결합한 어텐션 강화 멀티모달 머신러닝 (multimodal machine learning) 프레임워크를 제안합니다. 이 프레임워크는 T1 가중 MRI (T1-weighted MRI)를 인구통계학적 및 유전적 변수와 통합하며, 서수 (ordinal) 및 비서수 (non-ordinal) 예측 헤드를 사용하여 단일 모달 (unimodal) 및 멀티모달 (multimodal) 아키텍처를 비교합니다. 모델은 ADNI, AIBL, NIFD 데이터셋에서 유도된 코호트 층화 분할 (cohort-stratified splits)을 사용하여 학습 및 검증되었습니다. 데이터 누수 (data leakage)를 방지하기 위해 전체 과정(학습, 검증, 전처리 및 하이퍼파라미터 튜닝)에서 제외된 피험자들을 사용하여 엄격하게 분리된 테스트 세트를 구축하였으며, 전 과정에 걸쳐 피험자 단위 분할 (subject-level splitting)을 채택했습니다. 단일 모달 접근 방식 중에서는 T1 가중 MRI 모델이 표 형식 (tabular) 모델 (QWK 0.433)보다 약간 더 높은 인접 단계 정확도 (adjacent-stage accuracy, 0.963)와 임상 단계와의 일치도 (QWK 0.444)를 달성했습니다. 영상, 인구통계학적 및 유전적 정보를 통합함으로써 전반적인 성능이 향상되었습니다. 멀티모달 비서수 베이스라인 (multimodal non-ordinal baseline)은 가장 낮은 예측 오차 (MAE 0.340)를 기록한 반면, 서수 멀티모달 모델 (ordinal multimodal model)은 가장 높은 인접 단계 정확도 (0.970)와 임상 단계와의 가장 강력한 일치도 (QWK 0.549)를 달성했습니다. 이러한 결과는 서수 공식화 (ordinal formulations)가 CDR 척도의 순서 구조를 더 잘 포착하며 임상 단계와 더 일관된 예측을 생성함을 나타냅니다. Grad CAM++ 및 SHAP을 사용한 설명 가능성 (explainability) 분석은 해부학적 및 임상적으로 타당한 모델 동작을 입증하여 투명한 의사결정을 지원했습니다. 종합적으로, 서수 회귀를 결합한 어텐션 기반 멀티모달 학습은 자동화된 AD 중증도 단계 설정 및 AI 보조 임상 의사결정 지원을 위한 강력하고 해석 가능하며 확장 가능한 접근 방식입니다.