알츠하이머병 (Alzheimer's disease, AD)은 가역 불가능한 신경 퇴행성 질환이며 전 세계적으로 주요 사망 원인 중 하나입니다. 조기 진단은 특히 경도 인지 장애 (Mild Cognitive Impairment, MCI) 단계에서 중요한 역할을 하며, 이 단계에서의 적기 개입은 질환이 AD로 진행되기 전에 진행 속도를 늦추는 데 도움을 줄 수 있습니다. 자기공명영상 (Magnetic Resonance Imaging, MRI) 및 양전자 방출 단층촬영 (Positron Emission Tomography, PET) 스캔과 같은 신경 영상 데이터는 질환과 관련된 뇌의 구조적 및 기능적 변화를 제공함으로써 뇌의 변화를 조기에 감지하는 데 도움을 줄 수 있습니다. 그러나 많은 다중 모달 (multimodal) 모델들은 여전히 MRI와 PET을 정적인 연결 (concatenation) 방식으로 결합하고 모든 피험자에게 동일한 연산을 적용하며, 이는 환자 및 사이트의 이질성에 대한 강건성 (robustness)을 제한하고 연산을 낭비할 수 있습니다. 이러한 한계를 해결하기 위해, 본 연구에서는 3D 합성곱 특징 추출기 (3D convolutional feature extractors)를 세 가지 융합 전략인 연결 (concatenation), 게이트형 다중 모달 유닛 (Gated Multimodal Unit, GMU), 그리고 게이트형 셀프 어텐션 (gated self-attention)과 결합하고, 사례별로 가장 정보가 많은 전문가 (experts)만을 활성화하는 입력 적응형 라우팅 (input-adaptive routing)을 수행하는 희소 게이트형 전문가 혼합 (sparsely gated Mixture-of-Experts, MoE) 분류기를 결합한 첫 번째 연구를 제시합니다. 마지막으로, 모델의 해석 가능성 (interpretability)을 보장하기 위해 Grad-CAM을 사용하여 질환 관련 영역을 시각화합니다. 실험은 세 가지 이진 분류 작업 (정상 대 경도 인지 장애 (NC vs. MCI), 경도 인지 장애 대 알츠하이머병 (MCI vs. AD), 정상 대 알츠하이머병 (NC vs. AD))에 대해 수행되었습니다. 결과에 따르면 GMU는 80.46% (NC vs. MCI) 및 95.47% (NC vs. AD)의 정확도를 달성하였으며, 게이트형 셀프 어텐션은 MCI vs. AD에서 82.08%를 달성했습니다. 절제 연구 (Ablations) 결과, MoE를 제거하면 모든 작업에서 일관되게 정확도가 저하됨을 보여주었습니다. 이러한 발견은 MRI와 PET의 상호 보완적인 특성을 활용함으로써 AD 진단을 위한 입력 적응형 다중 모달 모델링의 가치를 강조합니다.