[논문 리뷰] A Review of Artificial Intelligence Technologies for Early Prediction of Alzheimer's Disease

Kuo Yang, Emad A. Mohammed|arXiv (Cornell University)|2020. 12. 22.

Brain Tumor Detection and Classification참고 문헌 40인용 수 14

한 줄 요약

이 리뷰는 신경영상 데이터를 활용한 조기 알츠하이머병(AD) 예측을 위한 최근 인공지능(AI) 기술의 발전을 종합적으로 분석한다. 주로 심층학습 모델인 CNN, RNN, 오토에인코드어, 그래프 컨volution 네트워크를 의료 영상에 적용한 사례를 중심으로 성능, 한계점, 전처리 기법을 평가하며, AI가 조기 AD 진단에 기여하는 방식을 종합적으로 개괄한다.

ABSTRACT

Alzheimer's Disease (AD) is a severe brain disorder, destroying memories and brain functions. AD causes chronically, progressively, and irreversibly cognitive declination and brain damages. The reliable and effective evaluation of early dementia has become essential research with medical imaging technologies and computer-aided algorithms. This trend has moved to modern Artificial Intelligence (AI) technologies motivated by deeplearning success in image classification and natural language processing. The purpose of this review is to provide an overview of the latest research involving deep-learning algorithms in evaluating the process of dementia, diagnosing the early stage of AD, and discussing an outlook for this research. This review introduces various applications of modern AI algorithms in AD diagnosis, including Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), Automatic Image Segmentation, Autoencoder, Graph CNN (GCN), Ensemble Learning, and Transfer Learning. The advantages and disadvantages of the proposed methods and their performance are discussed. The conclusion section summarizes the primary contributions and medical imaging preprocessing techniques applied in the reviewed research. Finally, we discuss the limitations and future outlooks.

연구 동기 및 목표

• 조기 알츠하이머병 진단에 활용된 AI 기술에 대한 종합적인 리뷰를 제공하는 것.
• CNN, RNN, 오토에인코드어와 같은 심층학습 모델이 조기 단계 AD 진단에 얼마나 효과적인지 분석하는 것.
• AI 모델 성능 향상에 기여하는 의료 영상 전처리 기법을 평가하는 것.
• 현재 AI 접근법의 한계점을 규명하고 향후 연구 방향을 제안하는 것.

제안 방법

• 2015년부터 2020년까지 AI 기반 알츠하이머병 예측에 관한 동료 심사 논문을 대상으로 한 체계적 문헌 검토.
• AI 모델을 다음과 같이 분류: 공간적 특징 추출을 위한 컨volutional 네트워크(CNNs), 시간적 시퀀스 모델링을 위한 순환신경망(RNNs), 차원 감소 및 특징 학습을 위한 오토에인코드어.
• 뇌 네트워크 연결성을 모델링하기 위한 그래프 컨볼루션 네트워크(GCNs) 및 사전 학습된 모델을 활용하는 트랜스퍼 러닝 포함.
• 일반화 능력 향상과 견고성 향상을 위해 앙상블 학습 및 오토에인코드어 기반 아키텍처 평가.
• 두개의 뇌 영상 전처리 파이프라인 분석: 뼈대 제거, 강도 정규화, 앤서츠 기반 정렬.
• 정확도, AUC, 민감도/특이도 등의 지표를 사용해 다양한 데이터셋 간 모델 성능 비교.

실험 결과

연구 질문

• RQ1 신경영상 데이터를 활용한 조기 알츠하이머병 예측에서 어떤 심층학습 아키텍처가 가장 높은 정확도를 보였는가?
• RQ2 정규화 및 정렬과 같은 전처리 기법이 AI 모델의 AD 진단 성능에 어떤 영향을 미치는가?
• RQ3 CNN, RNN, GCN, 오토에인코드어의 조기 단계 AD 분류에서의 상대적 장점과 한계는 무엇인가?
• RQ4 트랜스퍼 러닝 및 앙상블 방법은 다양한 데이터셋 간 모델 일반화 능력을 얼마나 향상시키는가?
• RQ5 조기 AD 진단을 위한 AI 구현에서의 주요 과제와 향후 연구 방향은 무엇인가?

주요 결과

• CNN 기반 모델은 여러 연구에서 MRI 및 PET 스캔을 이용해 건강한 대조군과의 분류에서 AUC 값 0.90 이상을 기록하며 뛰어난 성능을 보였다.
• RNN 및 LSTM 변종은 종단적 영상 데이터 분석에서 유망한 성과를 보였으며, 질병 진행 패턴을 포착해 예측 정확도를 향상시켰다.
• 오토에인코드어 기반 모델은 데이터 차원을 효과적으로 감소시키면서도 임상적으로 유의미한 특징을 유지해 후속 분류 성능을 향상시켰다.
• 그래프 컨볼루션 네트워크(GCNs)는 조기 AD와 관련된 비정상적인 뇌 네트워크 연결성을 식별하는 데 기존 모델보다 뛰어난 성능을 보였다.
• VGG 및 ResNet과 같은 사전 학습된 모델을 활용한 트랜스퍼 러닝은 작은 데이터셋에서도 성능을 크게 향상시켜 과적합을 줄였다.
• 높은 정확도에도 불구하고, 다양한 인구군과 영상 프로토콜 간 일반화 능력은 모든 모델 유형에서 여전히 주요한 한계로 남아 있다.