알츠하이머병 진단에서 비용 및 임상적 제약으로 인해 많은 환자들이 완전한 영상 데이터를 갖추지 못하는 누락된 모달리티 문제를 해결하기 위해, 본 논문에서는 불완전한 다중 모달 데이터를 직접 학습에 통합하는 Prototype-Guided Adaptive Distillation (PGAD) 프레임워크를 제안합니다. PGAD는 프로토타입 매칭을 통해 누락된 모달리티 표현을 향상시키고 동적 샘플링 전략으로 학습 균형을 맞춥니다. ADNI 데이터셋에서 다양한 누락률(20%, 50%, 70%)을 적용하여 PGAD를 검증한 결과, 기존 최첨단 접근 방식보다 성능이 크게 향상됨을 보였습니다. 추가 실험을 통해 프로토타입 매칭과 적응형 샘플링의 효과를 확인하여 실제 임상 환경에서 강력하고 확장 가능한 알츠하이머병 진단을 위한 프레임워크의 잠재력을 강조합니다.
