InfoLab의 아부하메드타메르(Tamer Abuhmed) 교수가 이끄는 연구팀이 4차원 기능적 자기공명영상(fMRI) 데이터를 분석하는 새로운 비전 트랜스포머 구조인 ‘4D fMRI CrossFormer(4DfCF)’를 개발했다. 이번 연구는 뇌질환의 AI 보조 진단 성능을 높이는 것뿐 아니라, 의료진이 AI의 최종 예측만 받아들이는 것이 아니라 그 판단에 영향을 준 근거를 함께 확인할 수 있는 보다 투명하고 신뢰할 수 있는 컴퓨터 보조 진단 시스템으로 나아가는 것을 목표로 한다.

일반적인 한 장의 뇌영상과 달리 fMRI는 시간에 따라 이어지는 3차원 뇌영상을 기록해 뇌 활동이 어떻게 변하는지 관찰할 수 있다. 하지만 뇌의 어느 위치에서 활동이 나타나는지와 그 활동이 시간에 따라 어떻게 달라지는지를 함께 고려해야 하므로 분석이 복잡하다. 4DfCF는 이러한 공간·시간 패턴을 하나의 모델에서 함께 분석하도록 설계됐다. 서로 다른 범위에서 뇌 활동을 살펴보고, 가까운 영역과 멀리 떨어진 영역 사이의 관계를 함께 학습해 뇌 전체의 복잡한 패턴을 포착한다.

의료 AI의 중요한 과제 중 하나는 모델이 왜 특정 판단에 도달했는지를 의료진이 이해할 수 있게 하는 것이다. 연구팀은 이에 따라 4DfCF의 예측 결과에 설명가능 AI 기법을 적용했다. 생성된 시각화 지도는 어떤 뇌 영역이 모델의 예측에 크게 기여했는지 보여준다. 즉, 단순히 “질환 있음” 또는 “질환 없음”의 결과만 제시하는 것이 아니라, 어떤 뇌 영역이 예측에 영향을 주었는지를 함께 확인할 수 있다. 이러한 설명은 의사의 판단을 대체하는 것이 아니라, 의료진과 연구자가 AI 보조 판단을 검토할 때 활용할 수 있는 추가적인 근거를 제공한다.

연구팀은 ADHD, 알츠하이머병, 자폐 스펙트럼 장애를 포함한 서로 다른 신경·신경발달 질환의 대표 fMRI 벤치마크 데이터셋에서 4DfCF를 평가했다. 연구에서 비교한 관련 모델들보다 전반적으로 높은 성능을 보였으며, ADNI 알츠하이머병 데이터셋에서는 F1-score 96.28%를 기록했다. 또한 한 fMRI 데이터셋에서 먼저 학습한 모델을 다른 데이터셋에 적용했을 때 더 빠르게 학습하고 성능도 향상되는 결과를 보였다. 이는 향후 다양한 뇌질환과 신경영상 과제에 재사용할 수 있는 사전학습 AI 모델로 확장될 가능성을 보여준다.

4DfCF는 비교적 가벼운 모델이기도 하다. 기본 모델은 약 1,034만 개의 파라미터를 사용하며, 더 작은 4DfCF-T는 약 418만 개만을 사용해 여러 대형 비교 모델보다 적은 계산 자원을 요구한다. 이러한 효율성은 대규모 신경영상 데이터를 처리하는 데 중요하며, 향후 병원 서버나 연구용 컴퓨팅 환경에서의 활용을 보다 현실적으로 만들 수 있다.

따라서 4DfCF의 의미는 단순한 진단 정확도 향상을 넘어선다. 이 연구는 미래 의료 AI에 필요한 성능, 효율성, 확장성, 설명가능성을 함께 고려했다. 복잡한 뇌 활동을 분석하는 동시에 예측에 영향을 준 뇌 영역을 시각화함으로써, 정확할 뿐 아니라 더 투명하고 인간 전문가가 판단 근거를 검토하기 쉬운 의료 AI를 향한 접근을 제시한다.

현재 결과는 실제 임상 적용이 아니라 연구용 벤치마크 데이터셋을 기반으로 하므로, 향후 다양한 병원과 환자 집단에서 추가 검증이 필요하다. 그럼에도 이번 연구는 의료진을 대체하기보다 의료진의 판단을 지원하는 신뢰할 수 있는 AI 기반 컴퓨터 보조 진단 시스템 개발을 위한 기반을 제공한다.

▲4DfCF와 설명가능 AI 분석 결과. 

왼쪽: 4DfCF는 fMRI에서 뇌 활동의 공간적·시간적 패턴을 함께 학습한다. 

오른쪽: 설명가능 AI 지도는 ADHD, 알츠하이머병(ADNI), 자폐 스펙트럼 장애(ABIDE) 예측에 영향을 준 뇌 영역을 시각화해 모델의 예측과 함께 해석 가능한 정보를 제공한다. 

원 논문 Fig. 1 및 Fig. 6 재구성.