본 논문은 알츠하이머병(AD)의 원인 분석 및 예측 진단을 위한 영상 및 유전 정보의 다중 모달 데이터 융합 기술에 대한 연구이다. 기존 딥러닝 방법의 한계인 유전 정보의 선택 및 인코딩에 대한 부족한 논의와 영상 특징의 우월성으로 인한 유전 정보의 가치 저하 문제를 해결하기 위해, 새로운 다중 모달 역할 교환 네트워크(GenDMR)를 제안한다. GenDMR은 단일염기다형성(SNP)의 공간적 조직을 인코딩하고, 다중 인스턴스 어텐션 모듈을 통해 SNP와 뇌 영역의 질병 위험을 적응적으로 정량화하여 모델 해석력을 높인다. 또한, 지배적 모달 선택 모듈과 대조적 자기 증류 모듈을 도입하여 다양한 모달 데이터의 상호 업데이트를 위한 동적 교사-학생 역할 교환 메커니즘을 구현한다. ADNI 공개 데이터셋에서 최첨단 성능을 달성하였으며, 12개의 잠재적 고위험 유전자(APOE 등)에 대한 어텐션을 시각화하여 해석 가능성을 입증하였다.