혁신적인 AI 기반 ADHD 진단 모델 등장: 939명 데이터 기반, 정확도 77.78% 달성!

김병근, 권영훈 박사 연구팀이 개발한 혁신적인 AI 기반 ADHD 진단 트랜스포머 모델은 939명의 데이터를 기반으로 77.78%의 정확도를 달성했습니다. CNN 기반 임베딩 블록, 국소 시간적 어텐션, ROI 순위 기반 마스킹 등의 기술을 통해 rs-fMRI 데이터의 공간-시간적 특징을 효과적으로 활용하여 ADHD 진단의 정확성을 높였습니다.

AI가 ADHD 진단의 새로운 지평을 열다: 혁신적인 트랜스포머 모델

최근, 김병근 박사와 권영훈 박사 연구팀이 ADHD(주의력결핍 과잉행동장애) 진단을 위한 획기적인 트랜스포머 모델을 개발하여 학계의 주목을 받고 있습니다. 이 모델은 단순히 기존의 ADHD 진단 방식을 뛰어넘어, 뇌의 공간적, 시간적 정보를 동시에 분석하여 진단 정확도를 크게 향상시켰습니다. 특히, 정지 상태 기능적 자기 공명 영상(rs-fMRI) 데이터를 활용하여 뇌의 특정 영역(ROI)과 그 시간적 변화를 분석하는 혁신적인 접근법을 제시했습니다.

핵심 기술: 공간-시간적 특징 강화 및 ROI 중심 분석

연구팀은 ADHD 진단 트랜스포머 모델에 세 가지 핵심 기술을 적용했습니다.

1. CNN 기반 임베딩 블록: 뇌 영역의 어텐션(주의 집중) 메커니즘을 향상시키기 위해 CNN(Convolutional Neural Network) 기반의 임베딩 블록을 설계했습니다. 이는 기존 CNN 기반 ADHD 진단 모델을 트랜스포머에 최적화한 결과입니다.
2. 국소 시간적 어텐션: fMRI의 시간적 특징인 BOLD(혈액 산소화 수준 의존) 신호를 효율적으로 학습하기 위해 단순한 윈도우 마스킹 기법을 활용한 국소 시간적 어텐션을 도입했습니다. 이는 뇌 활동의 미세한 변화까지 포착하는 데 중요한 역할을 합니다.
3. ROI 순위 기반 마스킹: fMRI의 공간적 특징을 분석하기 위해 어텐션 점수를 기반으로 ROI 간 상관관계가 높은 영역을 구분하는 ROI 순위 기반 마스킹 기법을 사용했습니다. 이를 통해 ADHD 진단에 더욱 특이적인 바이오마커를 도출할 수 있습니다.

놀라운 성과: ADHD-200 경진대회 데이터 기반 검증

연구팀은 ADHD-200 경진대회에서 제공된 939명의 참가자 데이터를 사용하여 다양한 트랜스포머 모델과의 비교 실험을 진행했습니다. 그 결과, 새롭게 개발된 공간-시간적 특징 강화 트랜스포머 모델은 다른 변형 모델들보다 훨씬 우수한 성능을 보였습니다. **정확도(ACC) 77.78%, 특이도(SPE) 76.60%, 민감도(SEN) 79.22%, AUC(Area Under the Curve) 79.30%**를 기록하며, ADHD 진단의 새로운 가능성을 제시했습니다.

미래 전망: 정밀 의료 시대를 향한 한 걸음

이 연구는 AI 기반 정밀 의료의 발전에 중요한 기여를 할 것으로 기대됩니다. 향후, 이 기술은 더욱 발전하여 ADHD뿐 아니라 다양한 뇌 질환 진단 및 치료에 활용될 가능성이 높습니다. AI 기술의 발전이 의료 현장의 혁신을 이끌고, 더 나은 삶을 위한 새로운 가능성을 열어갈 것으로 예상됩니다.