청소년 뇌 연령 예측을 위한 다중모달 희소 학습기

초록

본 연구는 필라델피아 청소년 신경발달 코호트(PNC)에서 수집한 휴식기와 과제 기반 fMRI 데이터를 활용해, 전체 뇌 기능 연결성(FC) 정보를 기반으로 청소년의 뇌 연령을 예측하는 희소 학습 모델을 제안한다. 고차원·고상관 특성 문제를 해결하기 위해 잔차 기반 역전파를 이용한 극단 학습기(ELM) 구조인 RES‑ELM을 설계했으며, 기존 ELM 및 베이지안 희소 ELM에 비해 분류 정확도와 과적합 방지 측면에서 우수한 성능을 보였다.

상세 분석

이 논문은 청소년기의 뇌 발달을 정량화하기 위해 기능적 연결성(FC) 데이터를 다중모달로 결합한 뒤, 고차원 특성 공간에서 의미 있는 변수를 자동으로 선택하는 희소 학습 프레임워크를 제시한다. 데이터는 PNC 코호트에서 8,000명 가량의 청소년을 대상으로 수집된 rs‑fMRI, 작업 기억 과제(n‑back) fMRI, 정서 인식 과제(em‑fMRI) 세 종류이며, 각각 200 × 200 이상의 ROI 기반 상관 행렬을 전처리하여 약 40,000개의 연결 강도 특성을 만든다. 이러한 특성 수는 샘플 수보다 현저히 많아 전통적인 지도학습 모델은 차원의 저주와 과적합 위험에 직면한다.

저자들은 극단 학습기(ELM)의 기본 아이디어—입력‑은닉‑출력 3계층 구조에서 은닉층 가중치를 무작위로 고정하고, 출력 가중치만 최소제곱 해를 통해 빠르게 계산—를 활용한다. 그러나 일반 ELM은 모든 입력 특성을 동일하게 사용하므로, 불필요하거나 중복된 연결이 모델에 그대로 반영돼 일반화 성능이 저하된다. 이를 보완하기 위해 ‘잔차 기반 희소화(RES‑ELM)’를 도입했는데, 핵심 아이디어는 출력 가중치를 추정하는 과정에서 각 특성의 잔차(예측 오차) 크기를 평가하고, 큰 잔차를 보이는 특성을 단계적으로 제거(pruning)하는 것이다.

구체적인 절차는 다음과 같다. (1) 무작위 은닉 가중치와 편향을 설정하고, 입력 데이터를 은닉층 활성화 함수(주로 시그모이드)로 변환한다. (2) 정규화된 최소제곱 해를 통해 초기 출력 가중치 β₀를 구한다. (3) 각 특성 j에 대해 잔차 e_j = ‖Y − Hβ₀‖₂를 계산하고, e_j가 사전 정의된 임계값 θ보다 큰 경우 해당 특성을 ‘비활성화’한다(β_j를 0으로 설정). (4) 비활성화된 특성을 제외하고 다시 최소제곱 해를 수행해 새로운 β₁을 얻는다. (5) 위 과정을 수렴할 때까지 반복한다.

이 과정은 기존의 L₁ 정규화(라쏘)나 베이지안 희소 학습과 달리, 직접적인 잔차 기반 선택 메커니즘을 사용함으로써 연산 복잡도를 크게 낮춘다. 매 반복마다 행렬 H의 열 수가 감소하므로, 최종 역전파 단계에서의 연산량은 O(N·M_k) (N: 샘플 수, M_k: 남은 특성 수) 수준으로, 초기 고차원 상태에 비해 수십 배 가속된다. 또한, 잔차 기반 프루닝은 특성 간 상관관계가 높은 경우에도 실제 예측에 기여하지 않는 중복 특성을 효과적으로 제거한다는 장점이 있다.

성능 평가에서는 5‑fold 교차 검증을 통해 정확도, 정밀도, 재현율, F1‑score를 측정했으며, RES‑ELM은 기존 ELM(≈78 % 정확도)과 베이지안 희소 ELM(≈81 % 정확도) 대비 45 %p 상승한 8586 %의 정확도를 기록했다. 특히, 다중모달 데이터를 모두 결합했을 때 가장 높은 성능을 보였으며, 단일 모달(예: rs‑fMRI만) 대비 약 3 %p 향상이 관찰되었다. 이는 서로 다른 과제에서 얻은 기능 연결성이 보완적인 정보를 제공한다는 가설을 실증적으로 뒷받침한다.

한계점으로는 무작위 은닉 가중치에 대한 민감도가 존재한다는 점과, 잔차 임계값 θ를 경험적으로 설정해야 한다는 점을 들 수 있다. 향후 연구에서는 베이지안 최적화나 메타러닝을 통해 θ를 자동 튜닝하고, 딥러닝 기반 은닉층을 도입해 비선형 표현력을 강화하는 방향이 제안된다.

전반적으로 이 논문은 고차원 뇌 연결성 데이터를 효율적으로 다루는 새로운 희소 학습 프레임워크를 제시함으로써, 청소년 뇌 연령 예측이라는 임상·연구적 과제에 실용적인 도구를 제공한다는 점에서 의의가 크다.