초록 ▼

연구개요
뇌전증(epilepsy) 환자의 발작간(interictal)기 휴식 상태(resting state)에서 얻은 기능자기공명영상(functional magnetic resonance imaging, fMRI) 데이터에 동적 인과관계 모델링(dynamic causal modeling)을 적용하여 뇌전증 발작 발생의 초점 부위 및 그로부터 영향을 받은 부위 사이의 인과관계를 포함하는 뇌전증 네트워크(epileptic network)를 규명하고, 이렇게 발작간기 데이터를 이용해 추정한 뇌전증 네트워크가 발작(ictal)기 데이

연구개요
뇌전증(epilepsy) 환자의 발작간(interictal)기 휴식 상태(resting state)에서 얻은 기능자기공명영상(functional magnetic resonance imaging, fMRI) 데이터에 동적 인과관계 모델링(dynamic causal modeling)을 적용하여 뇌전증 발작 발생의 초점 부위 및 그로부터 영향을 받은 부위 사이의 인과관계를 포함하는 뇌전증 네트워크(epileptic network)를 규명하고, 이렇게 발작간기 데이터를 이용해 추정한 뇌전증 네트워크가 발작(ictal)기 데이터를 이용해 추정한 뇌전증 네트워크와 대응함을 제시함, 또한, 발작간기 데이터로부터 추출한 신경영상 특징을 이용하여 뇌전증 네트워크를 판별할 수 있는 예측 모델의 구성을 시도함.

연구 목표대비 연구결과
○ 인과관계 연결성 분석을 통해 국소 뇌전증 네트워크를 규명함.
- 측두엽 뇌전증(temporal lobe epilepsy, TLE)을 가진 환자의 발작간기에 얻은 휴식 상태 자기공명영상 데이터에 동적 인과관계 모델링을 적용하여 발작 초점 주변의 뇌 영역 간의 인과관계 연결성을 제시하고, 이 뇌 영역 간의 인과관계 연결성 강도가 건강한 피험자에 비해 특히 뇌전증 발작 빈도에 따른 변화를 나타냄을 밝힘.
○ 발작기와 발작간기 사이의 뇌전증 네트워크의 대응 관계를 밝힘.
- 동일한 뇌전증 환자로부터 발작기에 얻은 피질뇌파 데이터와 발작간기에 얻은 휴식 상태 기능자기공명영상 데이터에 각각 동적 인과관계 모델링을 적용하여 인과관계 연결성을 제시하고 뇌전증 발작이 가장 먼저 관찰되는 뇌 영역이 뇌전증 발작이 전파되어 나타나는 뇌 영역에 미치는 인과적 영향이 발작기 데이터뿐 아니라 발작간기 데이터를 통해서도 포착될 수 있음을 보임.
○ 기계 학습을 이용하여 국소 뇌전증의 판별 가능성을 탐색함.
- 구조자기공명영상 및 확산가중자기공명영상 데이터로부터 추출한 뇌 구조 특징에 기계 학습을 적용하여 측두엽 뇌전증 환자를 건강한 피험자로부터 상당한 정확도로 구분 가능할 수 있음을 제시함.

연구개발결과의 중요성
○ 임상에서 뇌전증 발작의 초점 및 전파 경로를 추정하는 데에 있어서 발작기 데이터를 우선적으로 활용해왔으나 현실적으로 발작기 데이터의 획득이 용이하지 않은 상황에서 본 연구결과는 발작간기 데이터의 효용성을 제시함.
○ 임상에서 뇌전증의 진단을 위해 신경영상을 적극적으로 활용하고 있지 않은 상황에서 본 연구결과는 신경영상 특징을 활용한 뇌전증 진단의 개선 가능성을 제시함.
○ 여러 발작 관련 임상적 지표가 뇌전증의 예후에 미치는 영향이 명확하게 밝혀지지 않은 상황에서 본 연구결과는 여러 임상 지표의 상호작용을 포함한 영향을 충분히 고려할 필요가 있음을 제시함.

(출처 : 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 3
• 2. 연구수행내용 및 연구결과 ... 3
• 가. 1차년도 ... 3
• 나. 2차년도 ... 5
• 다. 3차년도 ... 7
• 3. 연구개발결과의 중요성 ... 8
• 4. 참고문헌 ... 9
• 5. 연구성과 ... 10
• 대표적 연구실적 ... 12
• 끝페이지 ... 27