초록 ▼

○ 연구의 개요
• 국내외 치매 환자의 수는 계속해서 증가하고 있으며, 사회적 비용부담이 매우 커지고 있어, 국가적 대응이 필요한 질병임.
• 치매치료제들의 임상실험이 계속 실패함에 따라, 치매조기진단을 통한 선제적 대응이 보다 효과적인 전략이라고 할 수 있으며, 최근 뇌영상을 활용한 인공지능 진단보조시스템의 발달로 정확하고 보다 빠른 진단이 가능해졌음.
• 그러나, 이러한 인공지능도 환자와 정상인의 뇌영상의 차이가 적은 초기에는 진단을 할 수가 없음.
• 알츠하이머성 치매가 진행되는 과정에서는 타우단백질과 아

○ 연구의 개요
• 국내외 치매 환자의 수는 계속해서 증가하고 있으며, 사회적 비용부담이 매우 커지고 있어, 국가적 대응이 필요한 질병임.
• 치매치료제들의 임상실험이 계속 실패함에 따라, 치매조기진단을 통한 선제적 대응이 보다 효과적인 전략이라고 할 수 있으며, 최근 뇌영상을 활용한 인공지능 진단보조시스템의 발달로 정확하고 보다 빠른 진단이 가능해졌음.
• 그러나, 이러한 인공지능도 환자와 정상인의 뇌영상의 차이가 적은 초기에는 진단을 할 수가 없음.
• 알츠하이머성 치매가 진행되는 과정에서는 타우단백질과 아밀로이드단백질과 같은 독성 물질이 영향을 준다고 알려져 있으며, 이러한 물질들이 내뇌조직에 축적되면서 뇌조직을 파괴한다고 알려져 있으며, 이러한 축적과정은 증상이나 뇌영상 소견상의 변화 이전에 나타남.
• 이에 따라, 본 연구에서는 독성물질의 뇌내확산을 기반으로 한 치매진행모델(=확산시물레이션)과 인공지능 진단보조시스템의 융합을 통해 보다 빠른 조기진단이 가능한 시스템을 연구의 목적으로 함.
- 치매진행모델은 정교한 뇌영상 처리와 딥러닝을 기반으로 개인화된 치매진행예측모델을 생성하고자 함.
- 인공지능진단보조시스템은 환자의 회백질변화 뿐 아니라, 백색질네트워크의 변화 특성까지 포함하여 성능을 개선하고자 함.

○ 연구의 수행과정 및 연구내용
• 확산시물레이션 모델 개발
- 본 연구에서는 확산 시물레이션 모델을 뇌영상을 기반으로 하여 정량화하여 정확한 시물레이션을 진행하고자 하며, 1) 딥러닝을 통한 모델 파라미터 추정, 2) 고해상도 시물레이션 이라는 측면에서 기존의 연구들과 차별성을 가짐.
- 1) 딥러닝을 통한 파라미터 추정: 확산시물레이션 과정을 순환신경망(RNN)과 그래프신경망(GNN)으로 치환하고, 신규 딥러닝 모델인 GRGCU를 개발함으로서, 기존의 모델보다 정확한 예측이 가능한 모델을 생성하였음.
- 2) 고해상도 시물레이션: 뇌를 약 4만개의 작은 조각으로 나누어서 시물레이션을 진행하는 기술을 개발, 보다 정밀한 시물레이션이 가능하도록 함.
• 인공지능 치매진단시스템
- 본 연구에서는 백색질 연결성(=네트워크)의 변화를 이용한 인공지능 치매진단 시스템을 주로 개발하여 진단성능을 개선하였음.
- 또한, 요즘 의료인공지능에서 가장 중요한 이슈 중 하나인 “설명가능성(explainability)”에 관한 연구를 진행하였음.
• 코호트 추적 및 확대
- 기존의 코호트를 확장하여 종적(longitudinal)데이터를 생성하였음. Baseline부터 추적 영상 촬영까지 완료한 종적데이터 환자 수는 총 245명으로 해당 데이터는 양성자단층촬영(Positron Emission Tomography, PET)과 뇌영상(Brain Magnetic Resonance Image, Brain MRI)를 포함한 종적데이터로서, 환자들이 PET영상촬영을 꺼려한다는 점을 고려하면 상당한 성과라고 할 수 있음.
• 이외에도 공개 뇌영상 데이터 등을 전처리 하여, 뇌영상 데이터베이스를 구축하여 4,311장의 데이터를 처리하였음 (ADNI 2,568장, 고려대학교 구로병원 1,129장, NKI 614장). 이는 순수 뇌영상 전처리시간에만 약 7만 5천시간 가량의 CPU-time을 사용한 것이며, 영상처리 후 한장씩 눈으로 모두 검수하여 데이터무결성(data integrity)를 높였음.
• 그 외 코호트 확대를 통해 얻은 뇌영상데이터를 기반으로 다양한 논문을 출판하고 치매의 특이적 뇌변화에 대한 이해를 확대하였음.

(출처 : 요약문 5p)

Abstract ▼

○ Overview of the study
• The number of dementia patients is continuously increasing, and their social cost burden is also increasing. Thus, there requires an urgent national response.
• As clinical trials of dementia treatment drugs continue to fail, a preemptive response through early diagno

○ Overview of the study
• The number of dementia patients is continuously increasing, and their social cost burden is also increasing. Thus, there requires an urgent national response.
• As clinical trials of dementia treatment drugs continue to fail, a preemptive response through early diagnosis of dementia is the current best effective strategy. With the recent development of diagnostic assistance systems using brain imaging and artificial intelligence techniques, accurate and faster diagnosis has become possible.
• However, even the artificial intelligence cannot make a diagnosis in the early stage when the difference between the brain images of the patients and the normal subjects is small.
• It is known that toxic substances such as Tau protein and amyloid-beta protein affect the progress of Alzheimer's disease. These substances accumulate in the brain tissue, and gradually destroy the brain tissue. This accumulation process appears before any changes in symptoms or brain imaging findings.
• Accordingly, the purpose of this study is to develop a system that enables earlier diagnosis through the convergence of 1) a dementia progression model (= diffusion simulation) based on intracerebral diffusion of toxic substances, and 2) an AI-based diagnosis supporting system.
- The dementia progression model aims to create a personalized dementia progression prediction model based on sophisticated brain image processing and deep learning.
- The AI -based diagnosis supporting system aims to improve performance by including changes in the patient's gray matter as well as changes in the white matter network.

○ Research Process and Results
• Development of diffusion simulation model
- In this study, the diffusion simulation model is quantified based on brain images to conduct accurate simulation, and it is differentiated from previous studies in the following points: 1) model parameter estimation through deep learning and 2) high-resolution simulation.
- 1) Parameter estimation through deep learning: By replacing the diffusion simulation process with a recurrent neural network (RNN) and a graph neural network (GNN), we developed a new deep learning model, GRGCU, a model that can predict more accurately than the previously suggested models.
- 2) High-resolution simulation: We developed a technology that divides the brain into about 40,000 small pieces and proceeds with the simulation, enabling more precise simulation.
• Artificial intelligence dementia diagnosis supporting system
- In this study, the diagnosis performance was improved by mainly developing an artificial intelligence dementia diagnosis supporting system also using changes in white matter connectivity (= network).
- We analyzed their “explainability” that is one of the most important issues in the medical AI these days.
• Cohort tracking and extending
- We generated a large longitudinal data, by extending the existing cohort. The total number of patients from baseline to
follow-up imaging was 245 patients. The data includes both Positron Emission Tomography (PET) and Brain Magnetic Resonance (MR) Image. Considering the reluctance to take PET imaging, it is a significant achievement.
• We also pre-processed public brain image data, All pre-processing was visually inspected one-by-one, leading better data integrity.
• In addition, various papers were published based on the brain image data, expanding our understands of brain changes in dementia.

(source: SUMMARY 6p)

목차 Contents

• 표지 ... 1
• 제출문 ... 2
• 보고서 요약서 ... 3
• 요약문 ... 5
• SUMMARY ... 6
• 총괄연구개발과제의 연구성과 실적 및 향후 계획 ... 7
• 연구성과 유형별 세부 내역 ... 9
• 참여연구원 현황표 ... 10
• 목차 ... 11
• 1. 연구개발과제의 개요 ... 12
• 2. 연구개발과제의 수행 과정 및 수행 내용 ... 18
• 3. 연구개발과제의 수행 결과 및 목표 달성 정도 ... 39
• 1) 연구수행 결과 ... 39
• 2) 목표 달성 수준 ... 46
• 4. 목표 미달 시 원인분석 ... 47
• 1) 목표 미달 원인(사유) 자체분석 내용 ... 47
• 2) 자체 보완활동 ... 49
• 3) 연구개발 과정의 성실성 ... 50
• 5. 연구개발성과의 관련 분야에 대한 기여 정도 ... 52
• 6. 연구개발성과의 관리 및 활용 계획 ... 54
• 7. 참고문헌 ... 58
• 끝페이지 ... 60