조건별 뇌기능 연결망 분석을 통한 fMRI 네트워크 접근법

초록

본 연구는 fMRI 기반 전뇌 기능 연결성을 실험 조건별로 비교하기 위해 네트워크 분석 프레임워크를 제시한다. 각 조건의 연결 행렬을 클러스터링하여 기능적 뇌 영역 집단을 도출하고, 이를 특징으로 사용해 새로운 피험자의 데이터를 추론한다. 구체적·추상적 개념 처리 시 나타나는 토폴로지와 정보 흐름 차이를 규명하고, 이러한 차이를 기반으로 조건을 높은 정확도로 분류한다.

상세 요약

이 논문은 전통적인 ROI‑ROI 연결 행렬의 고차원성을 극복하기 위해 복합 시스템 이론에 기반한 네트워크 분석을 적용하였다. 먼저, 각 피험자와 조건별 fMRI 시계열을 상관계수 혹은 부분 상관을 이용해 전뇌 연결 행렬로 변환하고, 행렬의 희소성을 확보하기 위해 통계적 유의성 검정 후 임계값을 적용한다. 이후, 그래프 이론의 커뮤니티 탐지 알고리즘(예: Louvain, Infomap)을 활용해 네트워크를 기능적 클러스터(모듈)로 분할한다. 이 과정에서 모듈의 크기, 내부 연결 강도, 모듈 간 연결(브리지) 등을 정량화하여 ‘토폴로지 특징’과 ‘기능적 특징’ 두 축으로 정리한다.

특히, 구체적(concrete)과 추상적(abstract) 개념 처리 조건을 비교했을 때, 구체적 조건에서는 전두엽·두정엽 중심의 고밀도 모듈이 형성되는 반면, 추상적 조건에서는 전측두엽·전전두엽 영역이 더 큰 연결성을 보이며, 모듈 간 정보 흐름이 보다 분산되는 경향을 발견했다. 이러한 차이는 모듈 내 평균 연결 강도, 모듈 간 효율성(efficiency), 그리고 전역 효율성(global efficiency) 등 다양한 그래프 지표에서 통계적으로 유의하였다.

다음 단계에서는 각 피험자의 클러스터링 결과를 벡터화하여 머신러닝 분류기(SVM, Random Forest)에 입력하였다. 교차 피험자 검증(cross‑subject validation)에서 평균 정확도는 85 % 이상을 기록했으며, 특히 모듈 간 브리지 노드의 가중치가 분류 성능에 큰 기여를 하는 것으로 나타났다. 이는 뇌 기능 연결망이 실험 조건에 따라 구조적·동적 재구성을 겪으며, 이러한 재구성이 고차원 연결 행렬보다 더 해석 가능하고 예측력 있는 특징을 제공한다는 중요한 시사점을 제공한다.

전반적으로, 이 연구는 (1) 고차원 fMRI 연결 데이터를 네트워크 클러스터링으로 차원 축소, (2) 토폴로지·기능적 지표를 통합한 특징 추출, (3) 피험자 간 일반화 가능한 분류 모델 구축이라는 세 단계의 파이프라인을 제시함으로써, 조건별 뇌 기능 연결성 연구에 새로운 방법론적 기준을 제시한다.