딥러닝 기반 자폐 스펙트럼 장애 진단 기술

자폐 스펙트럼 장애(ASD)는 뇌의 발달과 관련된 복잡한 질환으로, 조기 진단이 어려운 만큼 과학 기술의 도움이 절실한 분야입니다. 최근 발표된 논문 "Deep learning-based feature selection for detection of autism spectrum disorder"에서는 최신 딥러닝 기법과 최적화 알고리즘을 활용해 ASD를 더욱 정확하게 탐지하려는 시도를 소개합니다.

1. 연구 배경과 목적

ASD는 다양한 행동 증상과 뇌 연결성의 차이로 나타나며, 기존 진단 방식은 주로 관찰 중심이라 주관성이 개입될 여지가 큽니다. 이에 따라 뇌의 기능적 연결성을 나타내는 resting-state fMRI(rs-fMRI) 데이터를 기반으로 한 자동화된 진단 기술 개발이 활발히 이루어지고 있습니다.

2. 연구 방법: SSDAE + HOA 기반 특징 선택

이 논문에서는 Stacked Sparse Denoising Autoencoder (SSDAE)와 Multi-Layer Perceptron (MLP) 조합으로 특징을 추출하고, Hiking Optimization Algorithm(HOA)를 기반으로 한 향상된 특징 선택 기법을 적용했습니다. HOA는 등산가의 경로 선택 전략에서 영감을 받은 알고리즘이며, Dynamic Opposite Learning(DOL)과 Double Attractors 기법을 도입해 수렴 속도와 성능을 높였습니다.

3. 주요 결과

• 평균 정확도: 0.735
• 민감도: 0.765
• 특이도: 0.752
• 기존 방법 대비 우수한 성능 달성

4. 비판적 분석 및 향후 연구 방향

흥미롭게도 본 모델은 특정 데이터셋(예: CC 기반)에서는 기존 최고 성능 모델을 능가했으나, 다른 일부에서는 그렇지 못했습니다. 이는 ASD의 생물학적 이질성과 이미지 전처리 차이로 인한 한계일 수 있습니다. 향후 연구에서는 다양한 인구집단과 다중 센터 데이터를 통한 일반화 능력 향상이 필요합니다.

또한, 본 모델은 해석 가능한 AI가 아니므로, 임상의가 신뢰하고 사용할 수 있는 수준의 설명력 확보가 필수입니다.

5. 실생활 적용 가능성과 확장성

이 기술은 특히 조기 진단이 중요한 영유아 대상 진료 현장에서 큰 도움이 될 수 있습니다. 향후 ADHD 등 유사한 신경발달장애로의 적용도 유망합니다. 개인적으로는 이 모델의 특징 선택 전략이 다른 의료 진단 AI에도 응용될 수 있다고 봅니다. 예를 들어, 피부암 분류, 뇌졸중 조기 탐지 등에서 활용 가능성이 큽니다.

논문

Nafisah I, Mahmoud N, Ewees AA, Khattap MG, Dahou A, Alghamdi SM, Fares IA, Azmi Al-Betar M and Abd Elaziz M (2025) Deep learning-based feature selection for detection of autism spectrum disorder. Front. Artif. Intell. 8:1594372. doi: 10.3389/frai.2025.1594372