뇌 형태 이상 탐지를 위한 일반화 가능한 규범적 딥 오토인코더: 외부 검증 프레임워크에서 다기관 StratiBip 양극성 장애 데이터셋에의 적용.

정신과 질환의 이질성은 질환 특이적 신경생물학적 표지자 연구를 어렵게 만듭니다. 본 연구에서는 양극성 장애(BD)에 적용되는 뇌 형태를 특성화하기 위한 일반화 가능한 다변량 규범 모델링 프레임워크를 제시하며 질병 층화 모델의 필요성에 대응합니다. 심층 오토인코더를 이상 탐지 프레임워크 내에서 활용하고, 훈련과 외부 검증을 통합하는 교란 요인 제거 단계를 결합하였습니다. 모델은 Human Connectome Project의 건강 대조군(HC) 데이터로 훈련되었으며 HC 및 BD 개인의 다기관 외부 데이터에 적용되었습니다. BD 그룹에서는 뇌 편차 점수가 더 크고 이질성이 높으며 극단 값이 증가하였고, 기저핵, 해마 및 인접 영역의 부피가 유의하게 편차를 보이는 주요 부분으로 나타났습니다. 수정된 z 점수를 기반으로 한 개별 뇌 편차 지도 또한 이상 발생 빈도가 높았으나, HC에 비해 공간적 중첩은 낮았습니다. 본 일반화 가능한 프레임워크는 개별 및 그룹 수준의 뇌 규범 편차 패턴 식별을 가능하게 하여, 정신과에서 보다 효과적이고 맞춤화된 임상 의사결정 지원 시스템과 환자 층화 개발의 진전을 이루었습니다.