국내 연구진이 인공지능(AI)을 활용한 주의력결핍과잉행동장애(ADHD) 진단법을 개발했다.

서울대병원 김붕년, 카이스트 정범석, 가톨릭대 유재현 교수팀은 기계학습 방법을 이용해 뇌 영상만으로 ADHD와 정상발달 아동을 구분할 수 있는 알고리즘을 개발했다고 지난 10일 밝혔다.

집중력 저하, 산만함, 충동성을 특징으로 하는 ADHD 진단은 다양한 발달력 평가, 평가척도활용, 진단면접도구의 사용 등 장시간의 전문적인 수련이 필요한 임상진단과정에 의해 이뤄진다.

각 증상의 평가과정에서 부모나 교사 보고에 의존하는 면이 많은데, 부모와 교사의 주관적인 판단이 개입될 여지가 있다.

불안이 높은 부모의 경우, 자녀의 문제에 대해서 심각성을 높게 보고할 가능성이 있으며, 반대일 가능성도 있어 정보의 신뢰도를 신중하게 고려하는 작업이 필요했다.

또 치료가 꼭 필요한 아이임에도 부모나 돌보는 사람들의 잘못된 믿음으로 인해 치료 의뢰가 안 되고 증상이 악화돼, 이차적인 합병증으로 고통 받는 경우도 상당 했다.

이러한 요소들로 인해, ADHD 진단과정은 임상가의 높은 숙련도가 요구되며, 다양한 신경심리학적 검사와 증상의 시간적 발달변화에 따른 추가적이 추적관찰이 필수적이었다.

하지만 연구팀이 개발한 복합뇌영상 자료를 기반으로 한 프로그램은 ADHD 아동 47명과 정상군 47명의 fMRI, DTI, aMRI 등 다양한 뇌 영상으로부터 데이터를 획득해 두드러지게 차이가 나는 요소(features)를 확인하고, 이후 기계학습을 통해 축적된 데이터로부터 반복 학습된 모델이 해당 뇌가 ADHD 환자의 뇌인지, 정상인의 뇌인지 가려낸다.

개발된 모델은 85% 정도의 정확도로 정상아동과 ADHD 아동을 구분할 수 있는데 이는 복합 뇌영상 자료만으로 확인된 것으로는 매우 높은 정확도다.

프로그램이 주목한 건 뇌의 몇몇 중요 부위에 발생한 발달적 이상이었다. ADHD 환자의 뇌는 ‘중요 자극을 선별하는 네트워크’와 ‘반응 억제를 담당하는 전전두엽’에 구조적인 결함이 뚜렷이 존재했는데 ADHD에서 흔히 관찰되는 부주의, 과잉행동-충동성 증상 또한 위의 구조적 뇌 네트워크 결함으로 볼 수 있다는 게 연구팀의 설명이다.

김붕년 교수는 “이번 연구에서 뇌영상 빅데이터를 활용해 정상적으로 발달하는 아이와 ADHD 환아를 구별할 수 있게 됐다”면서 “다양한 뇌 구조 및 기능영상은 AI 기반 플랫폼을 통해, 향후 ADHD행동의 원인을 완벽히 설명할 수 있는 근거가 될 수 있기에 잠재력이 무궁무진하다”고 전했다.

한편, 이번 연구는 ‘뇌 영상과 행동(Brain Imaging & Behavior)’ 최근호에 게재됐다.