[논문]EEG, MRI와 조현병의 상관관계를 이용한 진단 시스템 연구

성지현; 김도연; 김지은

문제 정의

본 논문에서는 MRI 데이터의 머신러닝 모델 학습 결과를 바탕으로 조현병 여부를 확률적으로 진단하고, 환자의 이벤트에 따른 뇌파 변화 양상을 활용하여 적절한 조기 치료가 중요한 조현병 환자를 진단하는 시스템을 제안한다. 육체적 질병과 같이 객관적 검사를 통한 정신 질환의 진단이라는 의의를 가진다.
[4] 변환된 MRI 수치 데이터를 이용한 머신러닝 알고리즘의 조현병 환자와 건강인의 분류에 대한 연구는 상당히 고무적이다. 이는 MRI 데이터가 조현병과 유의미한 상관관계가 있다는 것을 입증함으로써 조현병의 확률적 진단을 가능하도록 한다.
최근 머신러닝 기반의 의료 진단 보조 소프트웨어가 많이 개발되고 있는 추세이나, 정신질환에 있어서는 미비한 실정이다. 이에 MRI, EEG 와 머신러닝 알고리즘을 이용한 조현병 진단 시스템을 제안하고자 한다.[8] 환자의 진술에 의존하여 진단을 하는 기존의 방식과는 달리, 환자의 뇌를 검사한 객관적인 MRI 데이터를 이용해 조현병 진단을 하도록 한다.
이에 본 연구는 조현병과 유의미한 상관 관계가 있는 MRI, EEG 데이터를 활용하여 조현병을 자동으로 진단하는 시스템을 제안하고자 한다. 본 시스템은 소프트웨어로 MRI 데이터와 가우시안 프로세스를 이용한 조현병의 확률적 진단과 함께, EEG 데이터 시각화 기능을 통한 표준 건강인과 환자의 비교 뇌파 그래프를 제공함으로써 환자의 뇌 상태를 관찰할 수 있도록 한다.

가설 설정

본 시스템의 실제 소프트웨어 구현 결과는 그림 6, 7 과 같다. 사용자는 정신건강의학과 전문의로 가정한다. 사용자는 프로그램 실행 후 본인의 ID 와 PW(password)로 시스템에 로그인 할 수 있다.

제안 방법

특히 머신러닝 알고리즘과 MRI, EEG(뇌파) 데이터를 이용하여 조현병 환자와 건강인을 높은 정확도로 분류할 수 있음을 입증한 연구의 등장으로 조현병에 대한 과학적 진단의 가능성이 제시되었다. MRI 를 이용한 신경 영상 연구는 조현병 발병 후 뇌의 구조적·기능적 변화의 연관성을 발견하였고, EEG 는 밀리세컨드(ms) 간격의 측정으로 뇌의 미세한 변화를 감지하여 인간의 인식 과정에 대한 신경 역학 분석 도구를 제공하였다.[1,2] 그러나 이와 같은 연구들은 조현병 진단 및 치료를 위해 활용되지 못하고 단순히 연구에만 그치는 한계점이 있다.
이에 MRI, EEG 와 머신러닝 알고리즘을 이용한 조현병 진단 시스템을 제안하고자 한다.[8] 환자의 진술에 의존하여 진단을 하는 기존의 방식과는 달리, 환자의 뇌를 검사한 객관적인 MRI 데이터를 이용해 조현병 진단을 하도록 한다. 또한, 분석하기 어려운 EEG 수치 데이터의 시각화를 통해 환자의 인식 과정에 따른 뇌의 상태를 관찰하고, 진단 결과 데이터의 축적을 통해 병의 경과를 추적한다.
[8] 환자의 진술에 의존하여 진단을 하는 기존의 방식과는 달리, 환자의 뇌를 검사한 객관적인 MRI 데이터를 이용해 조현병 진단을 하도록 한다. 또한, 분석하기 어려운 EEG 수치 데이터의 시각화를 통해 환자의 인식 과정에 따른 뇌의 상태를 관찰하고, 진단 결과 데이터의 축적을 통해 병의 경과를 추적한다. 이를 통해 조현병의 진단 및 환자 관리 시스템의 체계를 구축하여 의사와 환자 모두에게 편리성을 제공한다.
이에 본 연구는 조현병과 유의미한 상관 관계가 있는 MRI, EEG 데이터를 활용하여 조현병을 자동으로 진단하는 시스템을 제안하고자 한다. 본 시스템은 소프트웨어로 MRI 데이터와 가우시안 프로세스를 이용한 조현병의 확률적 진단과 함께, EEG 데이터 시각화 기능을 통한 표준 건강인과 환자의 비교 뇌파 그래프를 제공함으로써 환자의 뇌 상태를 관찰할 수 있도록 한다. 정신의학과 전문의에게 조현병 진단을 위한 여러 객관적 지표를 제공함으로써 오진의 가능성을 줄이고, 환자는 정확한 진단으로 빠른 시일 내에 적절한 치료를 받을 수 있다.
연구에서 사용된 데이터는 Kaggle 에서 가져왔으며, 시스템에 활용하기 위해 머신러닝 정확도를 검증해 보았다. 먼저 검증에 사용된 MRI 데이터는 그림 1 과 같은 fmri 에서 파생된 FNC 와 smri 에서 파생된 SBM 수치 데이터(SZ-40, HC-47)로, 머신러닝 모델인 가우시안 프로세스에 학습 시 조현병 환자와 건강인을 평균 92%의 정확도로 분류할 수 있다.
기존 환자 등록 시에는 <환자 조회> 란에 환자 등록 번호를 검색하여 해당 환자를 찾는다. 환자 설정 후, 전처리가 완료된 EEG, MRI-FNC, MRI-SBM 데이터를 업로드 한다. 환자 정보와 EEG 데이터는 병원 DB 에 업로드 되며, MRI 데이터는 환자 검사 정보로서 병원 DB 에, 머신러닝 모델 학습 데이터로서 진단 후 머신러닝 DB에 각각 업로드 된다.

대상 데이터

ERP 데이터(SZ-49, HC-32)는 EEG 의 64 개의 전극 채널과 그 외의 얼굴 부위 6 개의 전극 채널로 측정된 데이터로 그림 2 와 같은 시계열의 피크 값을 추출하는 데이터 가공 과정을 거쳤다.[7] 하지만 검증 결과, 머신러닝 모델 및 퍼셉트론(심층 신경망) 학습 시, 훈련 정확도는 평균 97%로 우수하지만 검증 정확도는 평균 59%로 낮았다.
연구에서 사용된 데이터는 Kaggle 에서 가져왔으며, 시스템에 활용하기 위해 머신러닝 정확도를 검증해 보았다. 먼저 검증에 사용된 MRI 데이터는 그림 1 과 같은 fmri 에서 파생된 FNC 와 smri 에서 파생된 SBM 수치 데이터(SZ-40, HC-47)로, 머신러닝 모델인 가우시안 프로세스에 학습 시 조현병 환자와 건강인을 평균 92%의 정확도로 분류할 수 있다.[6]
본 시나리오에서 의사의 계정 정보 데이터는 정신건강의학과 전문의를 가정하고 임의로 생성한 데이터이며, 조현병 환자의 EEG, MRI 데이터는 학습 데이터와 같은 출처의 Kaggle 데이터를 사용하였으나, 학습 데이터와는 철저히 분리하여 진행하였다.
조현병 환자는 ERP 데이터의 N100, P200 등의 특정 시계열에서 건강인에 비해 억제된 파형 그래프, 즉 피크 값이 건강인에 비해 떨어지는 뇌파 파형이 나타난다. 또한 환자는 이벤트에 건강인보다 느리게 반응하는 특징을 가져, 그림 2 의 시계열에서 그래프의 파형으로 EEG 데이터를 시각화하면 전압 차이 및 이벤트 반응 속도에 대한 건강인과 조현병 환자의 차이를 확인할 수 있다.

이론/모형

그림 4 는 환자의 조현병 여부를 진단하기 위한 로직이다. 머신러닝 모델은 GPtoolbox 의 가우시안 프로세스(GP) 분류기를 사용하였으며, 관측치는 베르누이(0,1) 분포로 도출된다. 여기서 가우시안 프로세스란, 랜덤 변수의 집합으로 각각 가우시안 분포(정규 분포)를 가지며 제한적 최적화 및 이미지 처리에 유용하다.

성능/효과

그 상단에는 1. 버튼을 누른 후, 생성되는 톤을 듣는 이벤트에 대한 뇌파가 붉은색으로 표시되고 2. 지속적으로 일정한 톤을 듣는 이벤트의 뇌파가 파란색으로 표시되어 이벤트에 따른 환자 상태를 알 수 있다. 마지막으로 '지난 결과 보기'를 통해 환자의 과거 진단 기록을 꺾은선 그래프로 출력하여 시간이 지남에 따른 경과 관찰이 가능하다.
[7] 하지만 검증 결과, 머신러닝 모델 및 퍼셉트론(심층 신경망) 학습 시, 훈련 정확도는 평균 97%로 우수하지만 검증 정확도는 평균 59%로 낮았다. EEG 데이터의 특성 상 노이즈로 인해 머신러닝 모델 학습 중에는 정확도가 증가하지만 검증 정확도는 떨어지는 과적합이 높은 확률로 발생했으며, 뇌파 측정 환경이나 조건(이벤트)에 영향을 많이 받기 때문에 데이터에 따른 머신러닝 정확도 차이가 크게 나타났다. 이에 머신러닝을 활용한 진단 데이터로서는 부적합하다는 결론에 도달하였다.
지속적으로 일정한 톤을 듣는 이벤트의 뇌파가 파란색으로 표시되어 이벤트에 따른 환자 상태를 알 수 있다. 마지막으로 '지난 결과 보기'를 통해 환자의 과거 진단 기록을 꺾은선 그래프로 출력하여 시간이 지남에 따른 경과 관찰이 가능하다.
환자 진단 결과는 그림 7 과 같다. 먼저, 92%의 확률로 조현병 환자와 건강인을 구분하는 머신 러닝 모델을 사용하여 확률적 수치 결과를 도출한다. 진단 결과는 90%로 조현병 환자라는 잠정적 진단을 내릴 수 있다.
EEG 데이터의 특성 상 노이즈로 인해 머신러닝 모델 학습 중에는 정확도가 증가하지만 검증 정확도는 떨어지는 과적합이 높은 확률로 발생했으며, 뇌파 측정 환경이나 조건(이벤트)에 영향을 많이 받기 때문에 데이터에 따른 머신러닝 정확도 차이가 크게 나타났다. 이에 머신러닝을 활용한 진단 데이터로서는 부적합하다는 결론에 도달하였다. 하지만 데이터를 파형 그래프로 나타냈을 경우, 이벤트에 따른 환자의 구체적 인식 과정을 확인할 수 있기 때문에 MRI 의 확률적 진단과는 다른 지표를 제공하는데 분명한 의의가 있다.
정성적 진단만을 이용했던 기존 진단 방법과 달리, 진단 결과가 수치와 그래프로 표현됨으로써 정량적 진단이라는 객관성을 획득할 수 있다. 또한 그래프 및 시각화를 통해 문자나 수치로만 데이터를 표현했을 때 보다 직관적인 판단이 가능하다.
<환자 진단> 메뉴 선택 시, 해당 환자의 데이터 분석 결과를 이용해 의사가 종합적으로 판단한다. 진단 결과 화면의 좌측에는 MRI-FNC, SBM 의 절단면 이미지와 머신러닝을 이용한 확률적 진단 결과가 백분율(%)로 출력되며, 화면의 우측에는 EEG 데이터의 파형 그래프를 볼 수 있다. 먼저, 우측 아래의 위치 별 전극을 선택하면, N100-P200 구간의 해당 환자 뇌파 그래프(파란색 선)와 건강인의 평균 뇌파 그래프(빨간색 선)를 함께 비교·확인할 수 있다.
먼저, 92%의 확률로 조현병 환자와 건강인을 구분하는 머신 러닝 모델을 사용하여 확률적 수치 결과를 도출한다. 진단 결과는 90%로 조현병 환자라는 잠정적 진단을 내릴 수 있다. 또한 우측의 뇌파 그래프에서, 파란 파형의 환자가 빨간 파형의 건강인과 비교하여 N100 의 시점에서 더 느리고 억제된 피크를 나타내는 것이 확연히 드러나며, 이는 조현병 환자의 뇌파 특성과 일치한다.
모델은 환자를 진단하기 전에 데이터에 대한 학습이 완료되어 있어야 한다. 환자의 검사 결과는 수치로서 전처리 되어 시스템에 사용되며, 진단 결과는 백분율(%)로 제공된다.

후속연구

육체적 질병과 같이 객관적 검사를 통한 정신 질환의 진단이라는 의의를 가진다. 향후 의료 전문가 혹은 병원과의 협업을 통해 전문적 의료 지식과 충분한 데이터를 토대로 연구를 진행한다면 보다 신뢰도 있는 시스템을 제공할 수 있을 것이라 기대된다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] EEG, MRI와 조현병의 상관관계를 이용한 진단 시스템 연구
Study on a Diagnosis System using Correlation between Schizophrenia and EEG, MRI data 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] EEG, MRI와 조현병의 상관관계를 이용한 진단 시스템 연구 Study on a Diagnosis System using Correlation between Schizophrenia and EEG, MRI data 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] EEG, MRI와 조현병의 상관관계를 이용한 진단 시스템 연구
Study on a Diagnosis System using Correlation between Schizophrenia and EEG, MRI data 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper