생성형 가상 뇌 모델을 이용한 파킨슨병 신경 조절 치료 효과 예측

Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model

파킨슨병(PD)은 전 세계적으로 1000만 명 이상에게 영향을 미치는 질환입니다. 시간 간섭(TI)과 뇌 심부 자극(DBS)은 유망한 치료법이지만, 개인 간의 변동성이 치료 선택을 어렵게 만들어 수술과 관련된 위험 및 비용을 증가시킵니다. 기존 연구들은 제한적인 통계적 바이오마커를 사용하거나, 과적합 및 불투명성이 발생하기 쉬운 AI 기반 방법을 사용했습니다. 본 연구에서는 휴식 상태 fMRI 데이터를 기반으로 치료 결과를 직접 예측하는 사전 훈련-미세 조정 프레임워크를 제시합니다. 핵심적으로, 2707명의 피험자, 5621회의 세션으로 구성된 대규모 데이터 세트를 사용하여 보편적인 질환 패턴을 학습한 생성형 가상 뇌 기반 모델을 구축하고, 이를 파킨슨병 환자군(TI 그룹: 51명, DBS 그룹: 55명)에 대해 미세 조정하여 개인별 가상 뇌를 생성했습니다. 생성된 가상 뇌는 실제 기능적 연결성과 높은 상관관계(r=0.935)를 보입니다. 개인화된 모델 내에서 병리적 상태와 정상 상태 간의 가상 시뮬레이션을 통해 임상적 반응을 예측했으며(TI: AUPR=0.853; DBS: AUPR=0.915), 기존 방법보다 훨씬 우수한 성능을 보였습니다. 외부 및 전향적 검증(각각 14명, 11명)을 통해 임상 적용 가능성을 확인했습니다. 또한, 본 연구 프레임워크는 반응과 관련된 상태 의존적 영역 패턴을 제공하여, 메커니즘적 통찰력을 얻을 수 있는 가설을 제시합니다.

Parkinson's disease (PD) affects over ten million people worldwide. Although temporal interference (TI) and deep brain stimulation (DBS) are promising therapies, inter-individual variability limits empirical treatment selection, increasing non-negligible surgical risk and cost. Previous explorations either resort to limited statistical biomarkers that are insufficient to characterize variability, or employ AI-driven methods which is prone to overfitting and opacity. We bridge this gap with a pretraining-finetuning framework to predict outcomes directly from resting-state fMRI. Critically, a generative virtual brain foundation model, pretrained on a collective dataset (2707 subjects, 5621 sessions) to capture universal disorder patterns, was finetuned on PD cohorts receiving TI (n=51) or DBS (n=55) to yield individualized virtual brains with high fidelity to empirical functional connectivity (r=0.935). By constructing counterfactual estimations between pathological and healthy neural states within these personalized models, we predicted clinical responses (TI: AUPR=0.853; DBS: AUPR=0.915), substantially outperforming baselines. External and prospective validations (n=14, n=11) highlight the feasibility of clinical translation. Moreover, our framework provides state-dependent regional patterns linked to response, offering hypothesis-generating mechanistic insights.