조기 출산아(미숙아)의 T2 강조 MRI 영상으로부터 뇌 손상을 자동 예측하는 경량 3D 합성곱 신경망(CNN) 모델 GloResNet이 arXiv를 통해 공개됐다. 연구팀은 dHCP(Developing Human Connectome Project) 데이터셋을 기반으로 데이터 희소성 문제를 극복하기 위해 MedicalNet에서 사전 학습된 ResNet-10 아키텍처를 채택해 GloResNet을 구축했다.
GloResNet의 핵심 설계 요소는 전역 다양체 매핑(global manifold mapping) 전략으로, 각 3D 볼륨을 128×128×128 크기로 리샘플링한 뒤 피험자별 z-점수 강도 정규화를 적용해 전역 위상 구조를 보존하면서 외관을 표준화하는 방식이다. 훈련 단계에서는 믹스업(mixup) 데이터 증강, 클래스 가중치 조정, 테스트 시점 증강을 함께 적용해 모델 견고성을 높였다.
5겹 교차 검증 결과 GloResNet은 평균 정확도 75.18%, 최고 81.82%를 달성했으며, 특이도 0.81과 민감도 0.76을 기록했다. 연구팀은 위상 인식 경량 CNN이 신생아 뇌 손상을 효과적으로 예측할 수 있는 비침습적 선별 도구로 기능할 수 있음을 실험으로 확인했다. 소스 코드는 GitHub(github.com/ICL-SUST/GloResNet-Preterm-Brain)에 공개됐다.
미숙아 뇌 손상은 조기에 발견할수록 예후 개선 가능성이 높지만, 전문 의료진의 MRI 판독은 시간과 비용이 많이 소요된다. 이번 연구는 AI 기반 자동화 선별 시스템이 임상 현장에서 판독 부담을 줄이고 신생아 집중치료 환경에서 조기 진단을 지원하는 보조 도구로 활용될 수 있는 가능성을 보여준다. 모델이 경량 설계를 채택해 의료 기관의 컴퓨팅 자원 제약에서도 운용 가능하다는 점도 주목된다.
