출처:SM뉴스 

(왼쪽부터) 인공지능공학부 동서연 교수, IT공학과 석박통합과정 홍민영 학생.

인공지능공학부 동서연 교수 연구팀이 성인 ADHD(주의력결핍 과잉행동장애) 환자를 이전보다 더 객관적이고 안정적으로 진단할 수 있는 신기술을 개발했다. 연구팀은 언어 유창성 과제 중 수집된 *fNIRS 데이터를 이용해 머신러닝 기반으로 ADHD 환자 분류 성능을 평가하고 이를 임상 환경에서 진단 도구로 활용할 가능성을 제시했다.

*fNIRS(Functional Near Infrared Spectroscopy): 기능적 근적외선 분광법.

이 논문은 인공지능공학부 동서연 교수팀과 토론토대 Roger S McIntyre 교수, 싱가포르국립대 Soon-kiat Chiang 연구원, 홍콩과학기술대 Roger Ho 교수의 국제공동연구를 통해 발표됐다. 연구 결과는 SCIE 저널인 IEEE Transactions on Neural Systems & Rehabilitation Engineering(IF: 4.9, JCR Ranking 상위 2.6%)에 12월 24일 게재됐다. (논문명: fNIRS Classification of Adults with ADHD Enhanced by Feature Selection)

연구팀에 따르면 기존 성인 ADHD 진단은 *DSM-5 기준에 기반한 자기보고 설문지와 임상 인터뷰에 의존하는 경향이 있어 주관성과 편향이라는 한계가 있었다. 그 대안으로 fNIRS와 머신러닝을 결합한 연구가 진행되고 있지만, 고차원의 뇌기능영상 데이터셋에서 특징 선택을 통해 정신 질환을 분류하는 연구는 충분히 이뤄지지 않았다.

*DSM-5: 정신질환 진단 및 통계 메뉴얼, 제5판.

이에 따라 연구팀은 *베이지안 최적화를 활용해 특징 선택과 ADHD 분류 정확도 향상에 주목했다. 

*베이지안 최적화: 가우시안 프로세스를 사용해 샘플링된 하이퍼파라미터 조합에 대한 목적함수의 사후분포 추정. 생성된 확률모델의 평균과 분산 기반의 획득함수를 생성하고 다음 탐색 지점을 결정하는 과정을 반복해 최적의 해를 찾는 과정.

이 연구는 'Bayesian-Tuned Ridge *RFECV' 기법을 통해 고차원 fNIRS 데이터에서 다중공선성 문제를 완화했다. RFECV에 임베디드 기법(리지 회귀 및 베이지안 최적화)을 결합해 특징 간 높은 상관관계로 인한 불안정성과 과적합 문제를 해결하고 분류에 중요한 특징을 식별했다. 이를 통해 ADHD 분류 모델의 안정성을 높이고 일반화 성능을 개선하는 결과를 얻었다. 

*RFECV(Recursive Feature Elimination Cross Validation): 재귀적 특성 제거 교차검증.

이 논문에는 IT공학과 석박통합과정 홍민영 학생이 제1저자로, 동서연 교수가 교신저자로 참여했다. 홍민영 학생은 "이번 결과를 바탕으로 ADHD 외 다양한 정신질환에서 디지털 바이오마커를 탐구할 것"이라며 "앞으로 질환의 이해와 치료방법 개선에 도움을 주는 실증적 연구를 지속하겠다"고 밝혔다.

한편, 이번 연구는 우리대학 BK21 FOUR, IITP와 싱가포르의 IHealthtech 사업지원으로 수행됐다.