Foundation-Model-Boosted Multimodal Learning for fMRI-based Neuropathic Pain Drug Response Prediction
Created by
- Haebom
Category
Empty
저자
Wenrui Fan, L. M. Riza Rizky, Jiayang Zhang, Chen Chen, Haiping Lu, Kevin Teh, Dinesh Selvarajah, Shuo Zhou
개요
신경병성 통증 치료는 효능과 내약성의 한계로 어려움을 겪고 있다. 본 연구는 휴지기 상태 기능적 자기공명영상(rs-fMRI)을 이용하여 약물 반응을 예측하는 머신러닝 모델 FMM${TC}$를 제시한다. 데이터 부족 문제를 해결하기 위해, FMM${TC}$는 통증 특이적 데이터의 다중 모달 정보(시간 시리즈와 기능적 연결성)와 대규모 통증 비특이적 데이터로부터 얻은 지식을 활용하는 기반 모델 강화 다중 모달 학습 프레임워크를 사용한다. 자체 데이터셋과 OpenNeuro의 공개 데이터셋을 이용한 평가 결과, FMM${TC}$는 기존 단일 모달 fMRI 모델보다 우수한 표현 능력, 일반화 능력 및 데이터셋 간 적응력을 보였다. 결론적으로 FMM${TC}$는 신경병성 통증 치료 개발에서 약물 반응을 정확하게 예측하여 참가자 분류 효율을 높임으로써 임상 시험을 향상시킨다.
시사점, 한계점
•
시사점:
◦
제한된 데이터로도 신경병성 통증 약물 반응 예측의 정확도를 높일 수 있는 새로운 방법 제시.
◦
다중 모달 학습과 기반 모델을 활용한 외부 지식 전이를 통해 모델의 일반화 능력 및 데이터셋 적응력 향상.
◦
임상 시험의 효율성 증대 및 참가자 분류 개선에 기여.
◦
fMRI 기반 바이오마커를 활용한 정밀 의학 접근 가능성 제시.
•
한계점:
◦
본 연구에 사용된 데이터셋의 크기와 다양성이 제한적일 수 있음.
◦
모델의 해석 가능성에 대한 추가적인 연구가 필요함. (integrated gradient-based interpretation study는 있으나, 추가 연구 필요성 언급)
◦
다양한 유형의 신경병성 통증에 대한 일반화 성능 검증 필요.
◦
실제 임상 환경에서의 검증이 필요함.
