다중 피험자 fMRI 데이터의 안정적인 ICA를 위한 그룹 모델

초록

본 논문은 다중 피험자 fMRI 데이터에서 공간 독립 성분 분석(ICA)의 재현성을 높이기 위해, 계층적 혼합‑효과 모델을 도입하고, 이를 추정하는 CanICA(Canonical ICA) 절차를 제안한다. 개별 피험자 데이터를 확률적 차원 축소 후 정준 상관 분석으로 공통 서브스페이스를 찾고, 그 서브스페이스에서 ICA를 수행한다. 또한 교차 검증 기반 안정성 평가 방식을 도입해 그룹 수준에서 패턴의 신뢰성을 정량화한다. 두 개의 12명 피험자 데이터셋(휴식 상태와 과제 로컬라이저)에서 기존 방법보다 높은 재현성을 입증하였다.

상세 분석

CanICA는 기존 그룹 ICA 접근법의 두 가지 핵심 한계를 보완한다. 첫째, 개별 피험자마다 잡음 수준과 신호 차원이 다름에도 불구하고 단순히 시간축을 연결하거나 전체 데이터를 한 번에 PCA‑ICA에 투입하는 방식은 공통 신호와 개인 변이를 명확히 구분하지 못한다. CanICA는 각 피험자에 대해 확률적 PCA(Probabilistic PCA)를 적용해 잡음 공분산을 명시적으로 모델링하고, 남은 신호 서브스페이스를 정준 상관 분석(Canonical Correlation Analysis, CCA)으로 정렬한다. CCA는 여러 피험자 간에 가장 높은 상관을 보이는 선형 조합을 찾아, “공통 서브스페이스”를 정의한다. 이 단계에서 얻어지는 공통 성분은 실제 뇌 기능 네트워크에 해당할 가능성이 높으며, 개인별 잡음이나 비공통 변이를 효과적으로 억제한다.

둘째, 공통 서브스페이스가 확보된 뒤 수행되는 ICA는 기존 ICA와 동일한 독립성 기준을 사용하지만, 차원 선택이 자동화된다. CanICA는 서브스페이스 차원을 결정할 때 베이지안 정보 기준(BIC)이나 고정된 설명 분산 비율 대신, 교차 검증을 통해 재현성(reproducibility)을 직접 측정한다. 구체적으로, 전체 데이터를 K‑fold로 나누어 각 폴드에서 독립적으로 CanICA를 실행하고, 얻어진 성분들의 공간적 상관(또는 정규화된 상호 상관)을 비교한다. 평균 상관값이 사전에 설정한 임계값을 초과하는 경우 해당 성분을 “안정적”이라고 판단하고 최종 모델에 포함한다. 이 절차는 차원 과잉 선택으로 인한 과적합을 방지하고, 실제 뇌 네트워크가 데이터셋에 일관되게 나타나는지를 정량적으로 검증한다.

실험에서는 두 종류의 데이터셋을 사용하였다. 첫 번째는 전형적인 휴식 상태(fMRI) 데이터이며, 두 번째는 시각/청각 자극에 대한 전통적인 로컬라이저 과제 데이터이다. 각각 12명의 건강한 피험자를 대상으로 4 분 정도의 스캔을 수행했으며, 전처리 단계(실시간 교정, 정규화, 스무딩 등)는 표준 파이프라인을 따랐다. CanICA는 평균 20~25개의 안정적 성분을 추출했으며, 이들 성분은 기존 GIFT‑ConcatICA나 MELODIC‑Tensor ICA가 도출한 성분과 비교했을 때, 공간적 일관성(average Dice coefficient)과 시간적 재현성(average correlation) 모두에서 유의하게 높은 값을 보였다. 특히, 휴식 상태 데이터에서는 기본적인 기본 모드 네트워크(Default Mode Network), 시각 네트워크, 전두엽-두정엽 연결망 등이 높은 안정성을 보였고, 과제 데이터에서는 시각 피질, 청각 피질, 운동 피질에 대응하는 성분이 일관되게 재현되었다.

또한, 논문은 CanICA의 계산 복잡도도 분석한다. 확률적 PCA와 CCA는 각각 O(N · V · K)와 O(S · K²) 수준의 연산량을 요구한다(N: 시간 포인트, V: voxel 수, K: 차원, S: 피험자 수). 이는 전체 데이터에 직접 ICA를 적용하는 O(N · V · M) (M: ICA 차원)보다 효율적이며, 메모리 사용량도 크게 감소한다. 따라서 대규모 코호트(수백 명)에도 확장 가능하다는 장점이 있다.

결론적으로, CanICA는 (1) 개별 피험자 잡음 모델링, (2) 다중 피험자 간 공통 서브스페이스 추출, (3) 교차 검증 기반 차원 선택이라는 세 가지 혁신적인 요소를 결합함으로써, 그룹 수준 ICA의 재현성을 크게 향상시킨다. 이는 향후 임상 연구에서 ICA 기반 바이오마커를 신뢰성 있게 도출하고, 다양한 피험자 집단 간 비교 분석을 수행하는 데 중요한 기반이 될 것으로 기대된다.