[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,66 +2,159 @@
|
||||
id: wiki-2026-0508-neuropsychology
|
||||
title: Neuropsychology
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-NPSYC-001]
|
||||
aliases: [Clinical Neuropsychology, Cognitive Neuropsychology, Brain-Behavior]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, clinical-Psychology, brain-Behavior, Assessment]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [neuropsychology, cognition, brain, fmri, assessment, ai-diagnosis]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack: { language: Python, framework: nilearn/MNE }
|
||||
---
|
||||
|
||||
# [[Neuropsychology|Neuropsychology]]
|
||||
## 한 줄
|
||||
뇌-행동 관계를 평가-병변매핑-신경영상으로 정량화하고, 2026 현재 ML 분류기와 멀티모달 fMRI/MEG로 임상 진단을 보조한다.
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "행동으로 읽는 뇌의 지도: 손상된 뇌 기능을 평가하고 역추적하여 인간의 인지 구조를 밝혀내는 임상 심리학과 뇌과학의 접점."
|
||||
## 핵심
|
||||
- **평가 도구**: WAIS-IV (지능), WMS-IV (기억), Trail Making A/B (실행), Stroop (억제), BVMT-R (시공간).
|
||||
- **병변-행동 매핑**: VLSM (voxel-based lesion symptom mapping) — 병변 마스크 + 행동 점수 회귀로 영역 기여 추정.
|
||||
- **신경영상**: fMRI BOLD, DTI 백질 트랙, MEG 시간해상도 ms, EEG 임상 표준.
|
||||
- **임상 도메인**: 뇌졸중 인지 결손, TBI, 치매 (AD/FTD/LBD 감별), ADHD, 정신질환 인지 프로파일.
|
||||
- **AI 진단 보조**: 구조 MRI → AD/MCI 분류 (3D CNN), MEG → epilepsy spike detection, 자동 점수화.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
신경심리학(Neuropsychology)은 뇌의 구조 및 기능과 인간의 심리 과정(기억, 언어, 지각, 정서 등) 및 행동 사이의 관계를 연구합니다.
|
||||
## 💻 패턴
|
||||
|
||||
1. **신경심리 평가 (Assessment)**:
|
||||
* 다양한 인지 검사(언어 유창성, 기억력 테스트, 집행 기능 검사)를 통해 뇌 손상 부위와 정도를 추론.
|
||||
* **Double Dissociation (이중 해리)**: 특정 부위 A 손상 시 기능 1은 되고 2는 안 되지만, 부위 B 손상 시 반대 현상이 나타나는 것을 통해 인지 모듈의 독립성을 증명.
|
||||
2. **임상적 적용**:
|
||||
* 치매(알츠하이머, 혈관성), 외상성 뇌 손상(TBI), 뇌졸중 환자의 손상된 기능 평가 및 재활 계획 수립.
|
||||
3. **인지 재활**:
|
||||
* 손상되지 않은 뇌 영역을 활성화시켜 결손된 기능을 보완(Compensation)하거나, 가소성을 이용해 직접 회복 유도.
|
||||
```python
|
||||
# 1) 인지 평가 점수 정규화 (연령/교육 보정 z-score)
|
||||
import pandas as pd
|
||||
import numpy as np
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 초기 신경심리학은 국소론(특정 부위 = 특정 기능)에 치우쳤으나, 현대 신경심리학은 뇌 전체의 유기적인 네트워크 통합성(Integration)을 더 강조함.
|
||||
- **정책 변화(RL Update)**: 전통적인 종이-연필 검사에서 벗어나, VR(가상 현실) 환경에서의 일상 수행 능력을 평가하는 '생태적 타당도'가 높은 디지털 평가 도구 도입이 표준 정책으로 권장됨.
|
||||
def age_edu_adjusted_z(raw, age, edu, norms):
|
||||
"""norms: DataFrame with mean/sd per (age_band, edu_band)"""
|
||||
band = norms.loc[(norms.age_lo <= age) & (age <= norms.age_hi) &
|
||||
(norms.edu_lo <= edu) & (edu <= norms.edu_hi)].iloc[0]
|
||||
return (raw - band["mean"]) / band["sd"]
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related**: Executive Function, [[memory|memory]][[_system|system]]s, Aphasia, Visual Agnosia, [[Neuroplasticity|Neuroplasticity]]
|
||||
- **Modern Tech/Tools**: CANTAB (Cambridge Neuropsycho[[Logic|Logic]]al Test Automated Battery), WAIS.
|
||||
---
|
||||
# 손상 임계: z < -1.5 mild, z < -2.0 moderate
|
||||
```
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
```python
|
||||
# 2) VLSM (voxel-based lesion symptom mapping) — 단순 t-test 형
|
||||
import numpy as np
|
||||
from scipy import stats
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
def vlsm(lesion_masks, scores, min_overlap=5):
|
||||
# lesion_masks: (n_subj, X, Y, Z) binary; scores: (n_subj,)
|
||||
overlap = lesion_masks.sum(axis=0)
|
||||
valid = overlap >= min_overlap
|
||||
tmap = np.zeros_like(overlap, dtype=float)
|
||||
for idx in np.argwhere(valid):
|
||||
x, y, z = idx
|
||||
present = lesion_masks[:, x, y, z] == 1
|
||||
if present.sum() < min_overlap or (~present).sum() < min_overlap:
|
||||
continue
|
||||
tmap[x, y, z] = stats.ttest_ind(scores[present], scores[~present]).statistic
|
||||
return tmap
|
||||
```
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
```python
|
||||
# 3) 구조 MRI 기반 AD/MCI/CN 분류 (간단 3D CNN)
|
||||
import torch.nn as nn
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
class Brain3DCNN(nn.Module):
|
||||
def __init__(self, n_classes=3):
|
||||
super().__init__()
|
||||
self.features = nn.Sequential(
|
||||
nn.Conv3d(1, 16, 3, padding=1), nn.ReLU(), nn.MaxPool3d(2),
|
||||
nn.Conv3d(16, 32, 3, padding=1), nn.ReLU(), nn.MaxPool3d(2),
|
||||
nn.Conv3d(32, 64, 3, padding=1), nn.ReLU(), nn.AdaptiveAvgPool3d(4),
|
||||
)
|
||||
self.head = nn.Sequential(nn.Flatten(), nn.Linear(64 * 64, 128),
|
||||
nn.ReLU(), nn.Dropout(0.3), nn.Linear(128, n_classes))
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
def forward(self, x):
|
||||
return self.head(self.features(x))
|
||||
```
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
```python
|
||||
# 4) 인지 프로파일 클러스터링 (서브타입 발견)
|
||||
from sklearn.preprocessing import StandardScaler
|
||||
from sklearn.cluster import KMeans
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
X = patients[["wais_iq", "wms_mem", "tmt_b", "stroop", "bvmt"]].values
|
||||
Xs = StandardScaler().fit_transform(X)
|
||||
labels = KMeans(n_clusters=4, n_init=20, random_state=0).fit_predict(Xs)
|
||||
```
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
```python
|
||||
# 5) MEG epilepsy spike detection (MNE-Python)
|
||||
import mne
|
||||
raw = mne.io.read_raw_fif("subject_meg.fif", preload=True)
|
||||
raw.filter(1, 70).notch_filter(60)
|
||||
events = mne.preprocessing.find_eog_events(raw) # 예시: 이벤트 검출
|
||||
epochs = mne.Epochs(raw, events, tmin=-0.5, tmax=0.5, baseline=(None, 0))
|
||||
```
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
```python
|
||||
# 6) DTI 트랙토그래피로 백질 손상 정량 (FA 감소)
|
||||
import numpy as np
|
||||
def fa_deficit(patient_fa, control_fa, mask):
|
||||
# voxel-wise z-score, mask는 트랙 ROI
|
||||
mu, sd = control_fa[:, mask].mean(0), control_fa[:, mask].std(0) + 1e-6
|
||||
z = (patient_fa[mask] - mu) / sd
|
||||
return float(z.mean()), float((z < -2).mean()) # 평균 z, 손상 비율
|
||||
```
|
||||
|
||||
```python
|
||||
# 7) 자동 점수화: TMT-B 시간 → 손상 카테고리
|
||||
def tmt_b_severity(seconds, age):
|
||||
# Tombaugh 2004 norms 근사
|
||||
cutoffs = {(20, 39): (60, 90), (40, 59): (75, 110),
|
||||
(60, 79): (100, 150), (80, 100): (150, 240)}
|
||||
for (lo, hi), (mild, severe) in cutoffs.items():
|
||||
if lo <= age <= hi:
|
||||
if seconds <= mild: return "normal"
|
||||
if seconds <= severe: return "mild"
|
||||
return "severe"
|
||||
return "unknown"
|
||||
```
|
||||
|
||||
## 결정 기준
|
||||
|
||||
| 상황 | 도구 |
|
||||
|---|---|
|
||||
| 일반 인지 스크리닝 | MoCA, MMSE |
|
||||
| 정밀 평가 (법정/연구) | 풀 배터리 (WAIS+WMS+TMT+Stroop) |
|
||||
| 병변 위치 추정 | VLSM + 구조 MRI |
|
||||
| AD vs FTD 감별 | FDG-PET, 3D CNN on MRI |
|
||||
| 발작 초점 | MEG + EEG |
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Cognitive Science]], [[Clinical Psychology]]
|
||||
- 도구: [[fMRI]], [[MEG]], [[DTI]], [[MNE-Python]], [[nilearn]]
|
||||
- 모델: [[3D CNN]], [[Multimodal Fusion]]
|
||||
- 인접: [[Neuroimaging]], [[Dementia Diagnosis]], [[Stroke Recovery]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
- 평가 점수 표 → 손상 도메인 자동 요약 (실행기능/기억/시공간).
|
||||
- 임상 노트에서 인지 호소 추출 → 추천 배터리 매핑.
|
||||
- 다국어 번역된 표준 검사의 해석 차이 비교.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- 연령/교육 미보정 raw 점수로 손상 판단.
|
||||
- VLSM에서 min_overlap 너무 낮게 (<5) 잡고 가짜 영역 검출.
|
||||
- 구조 MRI 분류기를 단일 사이트로만 학습 → 스캐너 편향.
|
||||
- 자동 점수화로 임상가 판단 대체 (보조만 가능).
|
||||
|
||||
## 🧪 검증
|
||||
- VLSM: permutation test로 cluster-level 보정.
|
||||
- 분류기: 다중 사이트 leave-site-out CV.
|
||||
- 평가: test-retest 신뢰도 ICC > 0.7.
|
||||
|
||||
## 🕓 Changelog
|
||||
- 2026-05-08 Phase 1 자동 생성
|
||||
- 2026-05-10 Manual cleanup — house style 적용
|
||||
|
||||
Reference in New Issue
Block a user