딥러닝을 이용한 알츠하이머병 진행의 불확실성 인지 종단적 예측

알츠하이머병(Alzheimer's disease) 진행에 대한 종단적 모델링(Longitudinal modelling)은 단순히 가장 가능성 높은 다음 진단만을 설명하는 것이 아니라, 환자가 시간이 지남에 따라 어떻게 변화할 수 있는지와 그 예측이 얼마나 신뢰할 수 있는지를 설명할 수 있어야만 임상적으로 유용합니다. 대부분의 딥러닝(Deep learning) 접근 방식은 이 문제를 단일 단계 분류(Single-step classification)로 축소하여, 인지 정상(Cognitively normal), 경도 인지 장애(Mild cognitive impairment, MCI), 치매(Dementia)를 평면적인 범주로 취급하며, 향후 방문 시점에 따라 불확실성(Uncertainty)이 어떻게 누적되는지에 대한 통찰을 제한적으로 제공합니다. 우리는 서열 진단 예측(Ordinal diagnosis prediction), 다중 시계열 궤적 생성(Multi-horizon trajectory generation), 그리고 분해된 불확실성 추정(Decomposed uncertainty estimation)을 결합한 확률적 프레임워크(Probabilistic framework)를 제안합니다. 질병 단계의 순서를 존중하고 MCI에서 치매로의 전환에 대한 민감도를 높이기 위해, Temporal Fusion Transformer 인코더를 CORAL 서열 출력 레이어(Ordinal output layer), 비대칭 손실 가중치(Asymmetric loss weighting), 그리고 컨버터 오버샘플링(Converter oversampling)과 함께 조정하였습니다. 학습된 환자-맥락 표현(Patient-context representation)을 조건으로 하여, 자기회귀적 혼합 밀도 네트워크(Autoregressive Mixture Density Network)는 진단 상태, CDR Sum of Boxes, MMSE 지향성(Orientation), 그리고 해마 부피(Hippocampal volume)에 대한 5년 단위의 확률적 궤적을 생성합니다. ADNI 데이터셋에서 이 모델은 다음 방문 진단 예측에 대해 선형(Linear), 순환(Recurrent), 트랜스포머(Transformer) 베이스라인 모델보다 뛰어난 성능을 보였으며, 특히 MCI와 치매를 구분하는 데 있어 가장 큰 성능 향상을 보였습니다. 생성된 궤적은 명목상 90%에 가까운 신뢰 구간 커버리지(Credible interval coverage)를 달성하였으며, 예측 기간이 길어짐에 따라 불확실성이 넓어지고, 예상되는 알츠하이머병 진행과 일치하는 바이오마커 역학(Biomarker dynamics)을 보여주었습니다. 우리는 또한 분석적 혼합 분산(Analytic mixture variance)과 5개 멤버의 부트스트랩 앙상블(Bootstrap ensemble)을 사용하여 우연적 불확실성(Aleatoric uncertainty)과 인식적 불확실성(Epistemic uncertainty)을 분리하였으며, 이는 가장 강력한 인코더 다양성과 출력 수준의 인식적 신호를 제공합니다. 인식적 불확실성은 희귀한 진행 유형, MCI 및 치매 환자에게서 더 높게 나타났으며, OASIS-3를 이용한 외부 평가에서도 예측 오차와 함께 증가하는 양상을 보였습니다.