인공지능이 치매 조기진단 한다
인공지능이 치매 조기진단 한다
  • 최광민 기자
  • 승인 2019.03.13 14:09
  • 댓글 0
이 기사를 공유합니다

조선대 치매국책연구단, 환자를 구별해내는 정확도는 94.2%에 이르며, 신경과 전문의에 의해 진단된 치매등급(CDR)을 기준으로 할 때 치매등급을 판별 정확도는 92.3%의 이른다
조선대 치매국책연구단 MRI 뇌영상을 자동으로 분석해 알츠하이머병 진행 여부와 치매 진행단계를 판별해주는 인공지능(AI)기술 개발(이미지:본지DB)
조선대 치매국책연구단 MRI 뇌영상을 자동으로 분석해 알츠하이머병 진행 여부와 치매 진행단계를 판별해주는 인공지능(AI)기술 개발(이미지:본지DB)

국내 연구진, 조선대학교(총장 직무대리 김재형) 치매국책연구단(단장 이건호 교수)과 광주과학기술원 의생명공학과 이보름 교수팀이 공동으로 MRI 뇌영상을 자동으로 분석해 알츠하이머병 진행 여부와 치매 진행단계를 판별해주는 인공지능(AI)기술을 개발했다. 

연구진에 따르면 치매환자를 포함한 65세 이상 한국인 491명을 대상으로 기능성 자기공명영상(fMRI)을 촬영하여 뇌의 활동성을 분석하고 딥러닝 알고리즘을 적용해 알츠하이머성 치매 판별을 위한 두 가지 인공지능 원천기술 개발했다고 한다.

특히 개발된 뇌영상 분석 인공지능은 정상인과 가벼운 인지장애 증상을 보이는 알츠하이머병 환자를 구별해내는 정확도는 94.2%에 이르며 신경과 전문의에 의해 진단된 치매등급(CDR)을 기준으로 할 때 치매등급을 판별 정확도는 92.3%의 이른다.

사진은 휴면상태 뇌내 네트워크의 치매 중증도별 특징으로 휴면상태 기능성 자기공명영상 분석 결과, 총 15개 네트워크가 발견하였고 네트워크 특징을 이용하여 치매 중증도를 정확히 판별할 수 있는 딥러닝 기반 자동 분류 기술을 개발하였다. 그림은 서로 관련성이 높은 네트워크를 선으로 연결하여 표시하였다. (a) 경증 치매 환자군의 네트워크는 크게 2 가지 특성의 네트워크로 분류되어 (붉은 선과 녹색 선으로 연결됨) 활동하는 경향이 있었다. (b) 중증 치매 환자군의 네트워크는 1 가지 동일한 특성의 네트워크로 보였다.
사진은 휴면상태 뇌내 네트워크의 치매 중증도별 특징으로 휴면상태 기능성 자기공명영상 분석 결과, 총 15개 네트워크가 발견하였고 네트워크 특징을 이용하여 치매 중증도를 정확히 판별할 수 있는 딥러닝 기반 자동 분류 기술을 개발하였다. 그림은 서로 관련성이 높은 네트워크를 선으로 연결하여 표시하였다. (a) 경증 치매 환자군의 네트워크는 크게 2 가지 특성의 네트워크로 분류되어 (붉은 선과 녹색 선으로 연결됨) 활동하는 경향이 있었다. (b) 중증 치매 환자군의 네트워크는 1 가지 동일한 특성의 네트워크로 보였다.(사진:조선대)

조선대 치매국책연구단 이건호 단장은 “지난 6년간 광주 어르신들을 대상으로 실시한 무료 치매정밀검진사업을 통해 축적된 생체의료 빅데이터가 있었기에 치매 조기진단 및 판별이 가능한 인공지능 개발이 가능할 수 있었다”며, “조만간 임상실험을 통해 유효성 검증을 거칠 예정이며 빠르면 1년 이내 일선 의료현장에 적용 가능할 수 있을 것”이라고 전망했다.

또한 “알츠하이머병 환자를 조기에 발굴하여 치매 예방과 발병억제가 가능할 수 있어 광주 시민을 대상으로 한 시범서비스를 통해 치매제로도시 실현에 앞장서겠다”는 결의를 밝혔다.

사진은 정상인 대비 치매환자군 및 정상인 대비 경도인지장애군의 뇌내 네트워크 활동성 비교로 분석에 사용된 네트워크 중 특정 네트워크의 활동성을 진단 간 비교하여 상대적으로 높은 활동성을 적황색으로 낮은 활동성을 청록색으로 표시하였다. (좌) 정상인 대비 치매 환자군의 활동성. 대상회를 제외하면 정상인에 비해 대뇌 전 영역에서 낮은 활동성을 보였다. (우) 정상인 대비 경도인지장매 환자군의 활동성. 정상인에 비해 전두엽 영역의 활동성이 높게 나타났다.
사진은 정상인 대비 치매환자군 및 정상인 대비 경도인지장애군의 뇌내 네트워크 활동성 비교로 분석에 사용된 네트워크 중 특정 네트워크의 활동성을 진단 간 비교하여 상대적으로 높은 활동성을 적황색으로 낮은 활동성을 청록색으로 표시하였다. (좌) 정상인 대비 치매 환자군의 활동성. 대상회를 제외하면 정상인에 비해 대뇌 전 영역에서 낮은 활동성을 보였다. (우) 정상인 대비 경도인지장매 환자군의 활동성. 정상인에 비해 전두엽 영역의 활동성이 높게 나타났다.(사진:조선대)

공동 연구팀에 주도적인 역할을 담당한 광주과기원 의생명공학과 유승준 박사(신경외과 전문의)는 “병역을 수행하는 과정에서 선도적인 연구과제에 참여할 수 있는 기회가 주어져 감사드리며 공학자, 뇌신경과학자 등 다양한 분야의 전문가들과 협업을 통해 치매극복에 의미 있는 기술을 개발할 수 있게 되어 매우 기쁘다”는 소감을 밝혔다.

한편 이번 연구 성과는 관련분야 국제전문학술지인 프런티어 인 에이징 뉴로사이언스(Frontiers in AgingNeuroscience)에 'rs-fMRI 측정을 위한 3차원 딥러닝 및 그룹 ICA를 이용한 알츠하이머 치매의 기능적 감소 평가(Evaluation of Functional Decline in Alzheimer’s Dementia Using 3D Deep Learning and Group ICA for rs-fMRI Measurements)' 제목으로 발표됐다. 

in-house cohort에서 추출한 10가지 척도의 AD 그룹과 CN 그룹 간의 단일 t-통계적 차이 맵(사진:논문캡처)
in-house cohort에서 추출한 10가지 척도의 AD 그룹과 CN 그룹 간의 단일 t-통계적 차이 맵(사진:논문캡처)

또한 지난달 22일 온라인 과학학술지 플로스 원(PLOS one) 에 '다변량 패턴 분석과 다변량 rs-fMRI 공간 패턴을 이용한 알츠하이머 치매 진단을 위한 익스트림 러닝 머신(Hybrid multivariate pattern analysis combined with extreme learning machine(ELM) for Alzheimer’s dementia diagnosis using multi-measure rs-fMRI spatial patterns)' 제목으로 연이어 발표됐다. 현재, 치매판별 인공지능 기술개발에 공동으로 참여 중인 인포메디텍을 통해 상용화 의료서비스에 적용하기 위한 준비 중에 있다.

참고) 익스트림 러닝 머신(extreme learning machine, ELM): 일반적인 신경회로망의 단점인 느린 학습속도를 획기적으로 개선한 네트워크

 

 


댓글삭제
삭제한 댓글은 다시 복구할 수 없습니다.
그래도 삭제하시겠습니까?
댓글 0
댓글쓰기
계정을 선택하시면 로그인·계정인증을 통해
댓글을 남기실 수 있습니다.