최근 우리나라의 인구는 지속적인 출산율 감소로 인하여 꾸준하게 감소하고 있는 경향을 보이고 있다. 특히 전체 인구 중 노인 인구가 증가하는 고령화를 지나 초고령사회로 빠르게 진행중이다. 고령화 사회는 여러 가지 많은 사회적 문제를 야기하게 되는데, 이 중 가장 대표적인 현상으로 치매환자의 증가이다. 2020년 현재 65세 이상 노인인구수는 8,134,675명으로 전체 인구 51,349,259명 중 15.8%를 차지하고 있는 것으로 나타났으며, 이 중 치매상병자수는 65세 이상 노인인구 813만 명의 10.2%인 약 83만 명으로 나타났다. 치매는 명확한 원인이 밝혀지지 않은 질환으로 완치할 수 있는 치료법이나 치료제가 없는 실정이나 치매의 전 단계인 경도인지장애 단계에서 치료를 시작하게 되면 중증 치매 질환으로 진행되는 것을 늦출 수가 있다. 바로 이런 이유에서 치매 조기 진단이 더더욱 중요해지는 이유이다. 지금까지 치매 검진을 위해 신경학적 진찰, 인지기능 검사, 뇌기능검사, 혈액검사, 심전도검사, 뇌 MRI 등의 검사와 함께 기억과 인지 기능 장애를 판단할 수 있는 신경 심리 검사를 사용했다. 다만, 의사의 개인 판단에 따라 치매 상태에 대해 다른 결과가 나타날 수 있다는 문제를 해결하기 채매 조기 진단을 위해 다양한 연구가 진행되고 있다. 의료데이터를 머신러닝을 이용해 학습하여, 질병을 진단하거나 치료결과를 예측하는 머신러닝 모델을 개발하고자 다양한 연구가 진행되고 있으며, 연구 결과 머신러닝 모델을 통한 예측 정확도가 전문의의 판독 정확도와 비슷하거나 능가하는 것으로 확인되었다. 본 논문에서는 Kaggle에서 제공하는 알츠하이머 이미지 데이터셋을 이용하기 위해 해당 데이터를 수집하였고, 데이터 분석을 위해 Python에 특화된 개발환경을 제공하는 PyCharm Community를 이용해 진행하였다. 또한, 본 논문에서는 인공지능 이미지 분류에 적합한 CNN(Convolutional Neural Network) 모델을 기반으로 다양한 전처리 기법과 전처리 기법의 조합 적용 및 하이퍼 파라미터 튜닝을 통한 알츠하이머 예측 및 CNN 모델의 성능 향상에 대한 검증과 이를 통해 알츠하이머 이미지 분석에 활용할 수 있는 최적의 모델을 찾아내 알츠하이머를 진단하는 보조적인 지표로 사용할 수 있는 모델을 제시하여 데이터를 활용한 진단의학 분야에 이바지하고자 하였다.
논문 결과 CNN 모델(VGG-19, Inception ResNet V2)에 학습을 진행한 후 결과를 비교·평가하였다. 동일한 CNN 모델이더라도 전처리 방식에 따라 성능의 차이가 나타나는 것을 확인하였다. VGG-19의 경우 전처리 과정에서 필터를 Overlap 하나만 적용한 경우와 Morphology→Multiply 순으로 적용한 경우와 Invert→Multiply 순으로 2개의 필터를 적용했을 때 그리고 Grayscale→CLAHE→Multiply 순으로 3개의 필터를 적용했을 때 모두 학습데이터의 Accuracy Score가 1.00으로 가장 높게 나타났으며 검증데이터의 Accuracy Score는 0.98(Overlap), 0.85(Grayscale→Multiply), 0.84(Multiply) 순으로 나타나 VGG-19의 경우 Overlap 필터 하나만 적용했을 때 가장 좋은 성능을 나타내는 것으로 확인되었다. Inception ResNet V2의 경우 전처리 과정에서 필터를 Grayscale 하나만 적용한 경우와 Grayscale→Multiply 순으로 적용한 경우에 Accuracy Score가 0.94로 가장 높게 나타났고, Invert, Grayscale→Invert, Invert→Overlap, Invert→Multiply 순으로 2개의 필터를 적용한 경우와 Grayscale→CLAHE→Invert 순으로 3개의 필터를 적용한 경우에 Accuracy Score가 0.93으로 높게 나타났으며 검증데이터의 Accuray Score는 0.92(Multiply), 0.9(Grayscale→Multiply), 0.89(Grayscale→CLAHE, Grayscale→Invert, Grayscale→CLAHE→Invert) 순으로 나타나 Inception ResNet V2의 경우 Grayscale→Multiply 필터를 적용했을 때 가장 좋은 성능을 나타내는 것으로 확인되었다. Precision, Recall, F1 Score를 확인해본 결과 VGG-19에서는 Overlap, Grayscale→Overlap, Invert→Overlap, Invert→Multiply 전처리 조건에서 세 항목의 학습결과가 모두 1.0으로 나타났으나, 검증 결과는 Overlap이 가장 좋은 0.98로 확인되었으며, Inception ResNet V2에서는 Grayscale→CLAHE, Grayscale→CLAHE→Invert 전처리 조건에서 학습결과가 0.92 ~ 0.93, 검증결과가 0.88 ~ 0.89로 VGG-19에 비해서 낮게 확인되었다. 따라서 CNN 모델(VGG-19, Inception ResNet V2)에 대한 학습 및 검증 데이터의 Accuracy, Precision, Recall, F1 Score를 확인해본 결과 VGG-19가 Inception ResNet V2에 비해 성능이 우수한 것으로 나타났다. 또한 VGG-19 모델 적용을 위해 진행한 전처리 옵션 중 Overlap 하나만 적용한 경우가 가장 성능이 뛰어난 것으로 확인되었다. 이를 통해 CNN 모델(VGG-19, Inception ResNet V2)을 활용한 알츠하이머 MRI 분석 결과를 토대로 현장에 적용하기 위해서는 학습 데이터의 성능보다는 검증 데이터의 성능이 뛰어난 VGG-19모델이 적합한 모델이라는 것을 확인하였다.