본 논문은 해마의 회색질 감소가 신경생물학적 노화의 특징임에도 불구하고, 해마의 기능적 연결성 변화에 대한 이해는 제한적이라는 점을 지적합니다. 연구진은 3차원 합성곱 신경망(3D CNN)과 LayerCAM 현저도 매핑을 결합한 해석 가능한 심층 학습 프레임워크를 개발하여 해마의 기능적 연결성(FC)을 이용하여 뇌의 나이를 예측했습니다. 이 접근 방식은 특히 전대상피질, 설상피질, 후대상피질, 해마곁피질, 좌측 상두정엽, 우측 상측두구 등 나이에 매우 민감한 주요 해마-피질 연결을 매핑합니다. 특히, 해마의 전방과 후방 부분의 FC를 분리하여 분석함으로써, 각 부분의 알려진 기능적 특수성과 일치하는 별개의 매핑을 밝혀냈습니다. 이러한 결과는 해마 노화의 기능적 메커니즘에 대한 새로운 통찰력을 제공하고, 신경영상 데이터에서 생물학적으로 의미있는 패턴을 발견하는 데 있어 설명 가능한 심층 학습의 강력함을 보여줍니다.
