뇌와 행동 데이터를 활용한 암시적 연관 검사에서 정신건강 변수 베이지안 추정

본 논문은 정신건강 평가에서 자가보고식 설문의 한계를 보완하기 위해, 암시적 연관 검사(IAT)를 데이터 생성 엔진으로 활용하고, 이 과정에서 수집되는 뇌파(EEG), 안구추적, 비디오(얼굴 표정) 등 다중모달 신경·행동 데이터를 통합해 정신건강 관련 심리측정 변수를 추정하는 새로운 방법론을 제시한다. 기존의 금본위 D‑score는 반응시간(RT)만을 이용해 효과 크기를 계산하는 단순한 지표로, AUC가 0.6~0.7 수준에 머물러 임상적 활용도가 낮았다. 이러한 한계를 극복하고자 연구팀은 ‘희소 계층 베이지안 모델’을 설계했으며, 이는 다음과 같은 핵심 특징을 가진다. 1. **멀티모달 특성 통합**: 각 시험 블록(일치·불일치)마다 RT와 함께 EEG 파워 스펙트럼, 주파수 밴드, 안구 움직임 속도, 동공 직경, 얼굴 행동 유닛(Face Action Units) 등을 추출한다. 이들 고차원 특징을 동일한 베이지안 프레임워크에 입력한다. 2. **희소성 정규화**: 라플라스(라쏘) 사전분포를 적용해 불필요한 특징 가중치를 0에 가깝게 수축시킨다. 이는 특히 표본이 30~40명 수준인 IAT 연구에서 과적합을 방지하고, 실제 신호가 포함된 변수만을 선택하도록 돕는다. 3. **계층 구조**: 개인별 파라미터와 전체 집단 수준의 하이퍼파라미터를 구분한다. 개인 파라미터는 정규분포 사전, 하이퍼파라미터는 변동성을 조절하는 메타‑사전분포를 갖는다. 이를 통해 개인 차이를 반영하면서도 전체 모델의 일반화 능력을 유지한다. 4. **베이지안 추론**: 변분 추정(Variational Inference)과 마코프 체인 몬테 카를로(MCMC)를 혼합해 효율적인 사후분포 추정을 수행한다. 교차검증을 통해 정규화 강도(λ)를 자동 선택함으로써 최적의 희소성을 확보한다. 연구는 두 가지 IAT 변형을 대상으로 진행되었다. 첫 번째는 자살 위험을 측정하기 위한 ‘E‑IAT’(n=39)이며, 두 번째는 정신병(조현병) 경험을 측정하는 ‘PSY‑IAT’(n=34)이다. 두 과제 모두 BIA‑T 형태를 변형해 12개의 블록(각 30~28 trial)으로 구성했으며, ‘not‑me’ 자극을 제외한 270(E‑IAT)·252(PSY‑IAT) trial을 모델에 입력하였다. 실험 결과, 제안 모델은 최적 모달리티 조합(EEG+안구추적+비디오)에서 E‑IAT AUC 0.73, PSY‑IAT AUC 0.76을 기록했다. 95% 신뢰구간은 각각 약 ±0.18로 넓었으며, FDR 보정 후 q값은 0.10으로 경계 유의 수준이었다. MDD 환자만을 대상으로 한 E‑IAT 서브분석에서는 AUC 0.79(