다중 사이트 rs‑fMRI 연결성 연구의 통계적 힘과 예측 정확도

초록

본 연구는 8개 사이트에서 수집된 345명의 정상 성인 rs‑fMRI 데이터를 이용해 사이트 간 연결성 차이를 정량화하고, 이러한 차이가 그룹 비교(GLM)와 집단 예측(SVM)의 통계적 검정력 및 정확도에 미치는 영향을 Monte‑Carlo 시뮬레이션으로 평가한다. 결과는 사이트 효과가 평균 Cohen’s d < 0.5로 작으며, 표본 크기가 100명 이상이면 GLM 검정력 저하가 미미하고, 예측 정확도는 다소 감소하지만 충분히 큰 표본이면 실용적 수준을 유지한다는 것을 보여준다.

상세 분석

이 논문은 1000 Functional Connectome Project에서 추출한 8개 다중 사이트(총 345명)의 3 T rs‑fMRI 데이터를 기반으로, 사이트 간 시스템적 편향이 기능적 연결성 측정에 미치는 영향을 정량적으로 규명한다. 먼저 100개의 뇌 영역으로 파티셔닝한 후, 각 영역 쌍의 피어슨 상관을 Fisher 변환하여 100 × 100 연결 행렬을 구축하였다. 사이트 효과는 각 연결에 대해 평균 연결값 차이의 절대값으로 정의하고, 연령·성별·잔여 움직임을 공변량으로 포함한 GLM을 통해 β‑값과 p‑값을 추정하였다. 결과는 대부분의 연결에서 Cohen’s d가 0.5 이하, 즉 작은‑중간 정도의 효과 크기를 보였으며, 이는 기존 보고된 스캔 파라미터 차이보다 작다는 것을 시사한다.

그 다음 단계에서는 실제 데이터를 토대로 Monte‑Carlo 시뮬레이션을 설계하였다. 가상의 ‘병리학적’ 효과를 특정 연결에 지정하고, 효과 크기, 표본 크기(N = 40 ~ 200), 사이트별 그룹 비율을 다양하게 변조하였다. 두 가지 분석 파이프라인을 적용했는데, 첫째는 각 연결을 독립적으로 검정하는 일반선형모형(GLM)이며, 둘째는 전체 연결 행렬을 입력으로 하는 서포트 벡터 머신(SVM)이다. 동일한 총 표본 크기를 유지하면서 단일 사이트(모노사이트)와 8개 사이트(멀티사이트) 조건을 비교하였다.

시뮬레이션 결과, 멀티사이트 설계는 GLM 검정력에서 단일 사이트 대비 약 5 % 정도만 감소했으며, 특히 표본이 100명 이상이면 차이가 통계적으로 유의미하지 않을 정도로 작았다. 반면 SVM 기반 예측 정확도는 멀티사이트에서 더 큰 저하를 보였는데, 이는 사이트 간 시스템적 변이가 고차원 특징 공간에서 클래스 경계를 흐리게 만들기 때문이다. 그러나 표본을 120명 이상으로 확대하면 두 조건 간 정확도 차이가 2 % 이하로 수렴한다. 또한, 사전에 사이트 더미 변수를 회귀 제거하는 전처리(‘site‑regression’)가 예측 정확도를 향상시키지 못한다는 부수적 결과도 보고된다.

이러한 발견은 다중 사이트 rs‑fMRI 연구가 충분히 큰 표본을 확보한다면 통계적 검정력과 예측 모델의 실용성을 크게 손상시키지 않으며, 특히 GLM 기반 그룹 차이 검출에서는 사이트 효과가 제한적임을 뒷받침한다. 다만, 머신러닝 기반 다변량 분석에서는 사이트 편향을 최소화하기 위한 추가적인 harmonization 기법(예: ComBat) 적용이 필요할 수 있다.