뇌 기능 자기공명영상(fMRI)과 확산 텐서 영상(DTI) 같은 다중 모드 뇌 영상 데이터를 통합하여 뇌 네트워크를 분석하는 것은 뇌 질환 연구에 필수적입니다. 하지만 이러한 데이터를 활용하는 그래프 신경망(GNN) 모델은 환자의 나이나 성별과 같은 인구통계학적 요인에 의해 결과가 왜곡되는 문제가 있었습니다. 이는 GNN이 실제 뇌 연결성 변화 대신 이러한 교란 요인에 기반한 '가짜 상관관계'를 학습하게 만들어, 질병 진단이나 예후 예측의 신뢰도를 떨어뜨리는 주요 원인이었습니다.
이러한 문제를 해결하기 위해 '아르테미스(Artemis)'라는 새로운 프레임워크가 제안되었습니다. 아르테미스는 각 뇌 영역(region)이 인구통계학적 요인에 대해 다르게 반응한다는 점에 착안하여, 뇌 영역별로 교란 요인의 영향을 독립적으로 조정하는 인과적 개입(causal intervention) 방식을 사용합니다. 이는 경량의 파라미터를 통해 각 뇌 영역에 특화된 교란 요인 표현(confounder representation)을 학습함으로써, 기존 GNN 백본에 플러그인 형태로 쉽게 통합될 수 있도록 설계되었습니다. 아르테미스는 다중 모드 기능적 및 구조적 특징을 모두 활용하여 그래프 추론(graph reasoning)을 수행하며, 기존 인과 GNN 방법론들이 간과했던 임상 뇌 영상 데이터의 실제 교란 요인을 효과적으로 처리합니다.
아르테미스의 성능은 세 가지 주요 벤치마크 실험을 통해 입증되었습니다. 알츠하이머병 진단을 위한 ADNI 데이터셋, 치매 병기 분류를 위한 OASIS 데이터셋, 그리고 성별 분류를 위한 HCP 데이터셋에서 기존 GNN 기반 모델들 대비 일관된 성능 향상을 보였습니다. 이는 아르테미스가 뇌 질환 진단 및 예측의 정확도를 높이는 데 크게 기여할 수 있음을 시사합니다. 이 기술은 뇌 과학 연구자들이 더욱 신뢰할 수 있는 데이터를 기반으로 질병 메커니즘을 이해하고, 개인 맞춤형 치료 전략을 개발하는 데 중요한 도구가 될 것으로 기대됩니다.