3D CNN으로 본 인간 태아 뇌 연령 효과 해석

본 논문은 인간 태아 뇌의 연령 효과를 이해하기 위해, 기존에 주로 사용되던 기능적 연결성(Fisher z‑score) 기반 접근법을 넘어, 3차원 컨볼루션 신경망(3D CNN)을 직접 fMRI 영상에 적용하는 새로운 방법론을 제시한다. 연구 배경으로는 태아기의 급격한 뇌 발달이 출생 후 정신건강에 중요한 영향을 미치며, 최근 fMRI 기술이 태아 뇌 기능을 비침습적으로 탐색할 수 있게 되었지만, 대부분의 연구가 복잡한 전처리와 연결성 매트릭스 추출에 의존한다는 점을 지적한다. 이러한 한계를 극복하고자 저자들은 75명의 임산부(젊은군 26~29주, 노년군 34~37주)로부터 획득한 4D BOLD fMRI 데이터를 전처리하여 잔차 영상(residual fMRI)을 만든 뒤, 슬라이딩 윈도우(윈도우 크기 = 2~3, 스트라이드 = 1)로 평균화해 3D 볼륨 샘플을 생성한다. 결과적으로 약 9,300개의 학습 이미지와 1,200개의 검증·테스트 이미지가 확보되었다. CNN 모델은 두 개의 3D 컨볼루션 레이어와 맥스 풀링 레이어, 그리고 전결합 레이어로 구성된다. 첫 번째 Conv3D는 5×5×5 커널, 32채널을 사용하고, 두 번째는 3×3×3 커널, 32채널을 사용한다. 각 레이어 뒤에 ReLU와 맥스 풀링(2×2×2)이 적용되며, 최종 출력은 시그모이드 함수를 통해 연령군(young = 0, old = 1)의 확률을 예측한다. 손실 함수는 이진 교차 엔트로피에 L2 정규화를 추가한 형태이며, SGD(모멘텀 0.8)와 학습률 스케줄링(0.1→0.02→…)을 이용해 15 epoch까지 학습한다. 데이터는 피험자 단위로 80%/10%/10% 비율로 훈련·검증·테스트 셋으로 나누어, 동일 피험자의 이미지가 겹치지 않도록 했다. 모델 성능 평가는 F1 점수와 ROC‑AUC를 사용했으며, 10회 반복 실험에서 평균 F1 0.84 ± 0.05, AUC 0.91 ± 0.06을 기록했다. 이는 동일 데이터에 PCA 차원 축소 후 적용한 랜덤 포레스트, GBM, 로지스틱 회귀 등 전통적 머신러닝 모델보다 현저히 높은 결과이다. 모델 해석을 위해 저자들은 민감도 분석(sensitivity analysis)을 수행했다. 이는 출력에 대한 입력 픽셀의 제곱 그래디언트를 계산해 각 voxel의 중요도를 측정하는 방식이며, 한 번의 역전파만으로 구현된다. 분석 결과, 높은 민감도 점수를 받은 영역은 양쪽 연령군 모두에서 대칭적으로 나타났으며, 주요 부위는 양측 후두엽, 전외측 전전두피질(vlPFC), 시상, 내측 측두엽, 소뇌, 전대상피질(ACC), 시상하부, 섬엽 등이다. 이들 부위는 기존 PET 연구에서 신생아·영아기의 대사 활성이 높은 영역으로 알려져 있어, BOLD 신호 변동이 태아 뇌의 대사 및 기능적 성숙과 연관됨을 시사한다. 결론적으로, 3D CNN은 태아 fMRI 데이터에서 연령 관련 미세 패턴을 효과적으로 추출할 수 있음을 입증했으며, 민감도 분석을 통해 임상적으로 의미 있는 뇌 영역을 자동으로 식별했다. 향후 연구에서는 식별된 ROI를 기반으로 기능적 연결망(seed‑based) 분석을 진행하고, 더 큰 코호트와 다중 모달 영상(구조 MRI, 확산 MRI 등)을 통합해 모델의 일반화와 해석력을 강화할 계획이다. 또한, 윈도우 평균화 대신 시계열 모델(LSTM·Transformer)과 결합하거나, 데이터 증강 및 전이 학습을 적용해 표본 수 제한을 보완할 여지도 제시한다.