[연구의 필요성]
이미지, 텍스트, 비디오 등 다양한 데이터를 활용하여 여러 분야에서 인공지능을 이용한 연구가 활발하게 진행되고 있다. 특히, 비유클리드 (non-Euclidian) 공간상에서 표현이 가능한 데이터의 경우에는 그래프 뉴럴 네트워크 (GNN)를 사용해서 성공적으로 분석할 수 있다. 예를 들어, 뇌신경영상 (neuroimage)을 활용하여 알츠하이머 병에 걸린 사람들의 뇌를 분석하는 것도 이에 해당하며, 이와 관련하여 최근에 연구가 활발하게 진행되고 있다. 하지만, 기존의 GNN연구들을 살펴보면 모델을 깊게 쌓으면서 각 노드로부터 인접한 정보들을 취합하게 되는데, 충분한 정보를 얻으려고 하는 과정에서 세부적인 정보나 패턴들이 사라지고 정보가 평탄해지는 oversmoothing 문제가 발생하게 된다. 이를 해결하기 위해서 최근 또다른 연구에서는 확산 커널 (diffusion kernel)을 사용해서 그래프를 재정의하고 정보를 모으는 경우도 많다. 하지만, kernel을 구성하기 위해서는 많은 연산량과 시간이 소모된다. 따라서 이러한 문제들을 해결하는 효율적이고 효과적인 그래프 컨볼루션 (graph convolution) 방법을 제안할 필요가 있다.

[포스텍이 가진 고유의 기술]
인간의 구조적 뇌 네트워크 데이터를 포함하여 각 노드가 의미론적인 (semantic) 정보를 가지는 일반적인 그래프 데이터에서 분석이 가능한 효과적이고 빠른 속도의 인공지능 모델을 개발하였다. 본 연구에서 제시한 인공지능 모델은 그래프 상에서 각 노드가 어떠한 의미와 정보들을 가지고 있을 때, 노드 단계 혹은 그래프 단계에서의 특성들을 파악할 수 있다. 특히, 뇌신경영상을 분석할 때 알츠하이머에 걸린 뇌와 그렇지 않은 뇌의 차이점 및 그 특징들을 모델이 효율적으로 학습하여 병의 유무를 진단할 수 있으며, 본 연구에서 제시한 방법은 기존의 방법들과 비교했을 때 높은 정확도를 보일 수 있다.

[연구의 의미]
Non-Euclidian 공간 상에서 표현이 가능한 데이터는 무수히 많고, 이에 따라 각 데이터들을 효과적으로 파악하고 분석할 수 있는 것이 중요하다. 이를 가능하게 해주는 GNN 연구의 경우 최근에 더욱 활발하게 진행되고 있으며, 의료 현장에도 적용가능한 기술을 만드는 것 또한 중요하다. 본 연구에서 제시한 인공지능 모델은 기존의 문제점들을 해결함과 동시에 여러 구조의 그래프 네트워크를 정확하게 분석할 수 있으며, 특히 뇌신경영상을 통해 알츠하이머 병을 진단하는데 영향을 미치는 요소들의 특성을 파악할 수 있다.

[연구결과의 진행 상태 및 향후 계획]
본 연구는 인공지능 분야 최우수 국제학술대회인 Association for Advancement of Artificial Intelligence (AAAI) 2024에서 포스터로 발표될 예정이다. 향후 본 연구에서 제안된 방법론을 이용하여 효율적이면서 더욱 다양한 측면으로 알츠하이머가 진행되는 과정에 있거나 이미 진행이 된 사람들, 그리고 병이 없는 사람들의 뇌 MRI를 분석하는 연구를 계획 중이다.

[성과와 관련된 실적]
Jaeyoon Sim, Sooyeon Jeon, InJun Choi, Guorong Wu, Won Hwa Kim, “Learning to Approximate Adaptive Kernel Convolution on Graphs”, AAAI 2024

[성과와 관련된 이미지]