AI 기반 뇌 노화 패턴 분석 모델 개발 및 질병 예측 활용

주장기계 학습 모델인 CCL-NMF는 횡단면 데이터와 종단면 데이터를 동시에 활용하여 뇌 노화의 복합적인 패턴을 효과적으로 식별합니다. 기존의 단편적인 데이터 분석 방식이 가진 한계를 극복하고 질병 진행 과정을 더욱 정밀하게 추적합니다.

팩트이번 연구는 아이스테이징(iSTAGING) 연구에 참여한 총 4만 8949명의 신경 영상 데이터를 기반으로 수행되었습니다. 연구진은 이 데이터를 통해 생물학적으로 유의미하고 재현 가능한 7가지의 뇌 해부학적 노화 패턴을 도출했습니다.

팩트각 개인은 여러 노화 패턴을 동시에 나타내며 이는 복합적인 신경 병리학적 과정을 반영합니다. 연구진은 개인별 패턴 발현 정도를 수치화하여 인지 기능, 유전적 요인, 생활 습관과의 상관관계를 분석했습니다.

주장개발된 회귀 기반 도구는 전체 프레임워크를 다시 실행하지 않고도 외부 코호트에서 개인별 뇌 노화 패턴을 추정합니다. 이는 임상 현장에서 환자 맞춤형 위험 평가와 치료 효과를 측정하는 데 실질적인 도움을 줍니다.

주장뇌 노화의 이질적인 패턴을 규명하는 작업은 알츠하이머와 같은 신경 퇴행성 질환의 조기 발견에 필수적입니다. 이번 연구 결과는 질병의 진행 경로를 개인별로 예측하여 정밀 의료를 실현하는 토대가 됩니다.

팩트연구에 사용된 데이터는 알츠하이머병 신경영상 이니셔티브(ADNI), 영국 바이오뱅크(UKBB), 볼티모어 노화 종단 연구(BLSA), SHIP, HANDLS 등 다수의 국제적 연구 프로젝트에서 수집되었습니다. 이 데이터들은 미국 국립노화연구소(NIA)를 비롯한 여러 기관의 지원을 받아 확보되었습니다.

팩트연구진은 펜실베이니아 대학교의 AI2D 센터와 그리스 국립기술대학교 등 다국적 연구 기관의 협력으로 구성되었습니다. 교신 저자인 크리스토스 다바치코스 교수를 포함한 연구팀이 분석의 무결성과 정확성을 책임집니다.

교차검증본 연구는 주로 구조적 자기공명영상(MRI) 데이터를 사용하여 검증되었습니다. 향후 다른 영상 기법이나 다양한 생체 지표 데이터에도 이 프레임워크가 일반화될 수 있는지에 대한 추가적인 검증이 필요합니다.

교차검증연구 참여자들의 데이터는 다양한 출처에서 수집되었으므로 데이터 간의 조화 과정이 필수적이었습니다. 서로 다른 환경에서 수집된 데이터의 편향성을 어떻게 통제했는지가 연구 결과의 신뢰성을 결정짓는 핵심 요소입니다.

출처네이처 커뮤니케이션스(Nature Communications)에 게재된 논문과 관련 정보를 교차 검증했습니다. 연구 지원 기관 및 데이터 제공 기관의 상세 목록은 논문 본문의 감사의 글(Acknowledgements) 섹션에서 확인했습니다.