뇌 기능 연결을 1‑D 합성곱 신경망으로 간단히 분류하는 자폐 스펙트럼 연구

초록

본 논문은 고차원 rsfMRI 데이터를 뇌 영역별 평균 시계열로 축소한 뒤, 1‑D 합성곱 신경망(ConvNet)으로 자폐 스펙트럼 장애(ASD)와 정상 발달(TD)을 구분한다. ABIDE I+II 데이터(총 2,085명)를 사용해 AAL, Harvard‑Oxford, Schaefer‑100/400 등 네 가지 atlas를 적용했으며, Harvard‑Oxford atlas와 200시간점(≈4분) 시계열을 이용했을 때 10‑fold 교차검증에서 68 %의 정확도, 사이트‑별 leave‑one‑out 검증에서 평균 65 % 정확도를 달성했다. 모델은 1‑계층 1‑D Conv + Adaptive Avg‑Pooling + FC 구조로, 학습 시간 <2분, 전처리 최소화라는 장점을 가진다.

상세 분석

이 연구는 rsfMRI 데이터의 “시간‑차원은 유지하고 공간‑차원을 크게 압축한다”는 전략을 채택했다. 기존 방법들은 보통 ROI 간 상관행렬(또는 그 변형)을 특징벡터로 사용해 1‑차원 통계만을 반영했지만, 저자는 각 ROI의 원시 시계열 자체를 입력으로 삼아 비선형 상호작용을 보존하려 했다. 이를 위해 먼저 FSL 기반 표준 전처리(모션 보정, 슬라이스 타이밍 보정, 스무딩, 고역통과 필터링, confound 회귀 등)를 수행하고, 네 가지 atlas(AAL, Harvard‑Oxford, Schaefer‑100, Schaefer‑400)에서 ROI별 평균 시계열을 추출한다. 추출된 시계열은 (시간 × ROI) 형태의 2‑D 텐서이며, 여기서 ROI 차원을 채널로, 시간 차원을 1‑D Conv의 입력 길이로 사용한다.

네트워크 구조는 매우 단순하다. 1‑D Conv 레이어는 채널 수가 ROI 개수와 동일하며, 커널 크기와 스트라이드에 대한 상세 언급은 없지만, 이후 Adaptive Average Pooling이 각 채널 전체를 하나의 스칼라로 평균한다. 이렇게 축소된 피처는 flatten 후 0.2 dropout을 적용한 완전 연결층(FC)으로 전달되고, softmax를 통해 두 클래스 확률을 출력한다. 학습은 Adam 옵티마이저(lr = 1e‑4, weight_decay = 2e‑3)로 진행했으며, 데이터는 70 % 학습, 10 % 검증, 20 % 테스트로 분할했다.

성능 평가는 두 축에서 이루어졌다. 첫째, 10‑fold 교차검증을 통해 시간점 수(100~250)와 정확도의 관계를 조사했으며, 200시간점(≈4분)에서 최고 성능을 보였다. 이는 시간점이 적으면 신호가 충분히 포착되지 못하고, 너무 많으면 샘플 수가 감소해 과적합 위험이 커지는 현상을 반영한다. 둘째, 사이트‑별 leave‑one‑out 검증으로 다기관 데이터의 일반화 능력을 검증했으며, Harvard‑Oxford atlas가 평균 65.1 % 정확도로 가장 안정적인 결과를 냈다(분산이 가장 낮음).

또한, TSNR(Temporal SNR)과 정확도 사이의 상관관계를 Pearson 분석으로 확인했지만, p > 0.41로 유의미한 연관성을 찾지 못했다. 이는 전처리 단계에서 WM/CSF 회귀와 ICA‑AROMA 기반 모션 제거가 이미지 품질 차이를 충분히 보정했음을 시사한다.

전체적으로 이 접근법은 (1) 비선형 시계열 정보를 보존, (2) 복잡한 그래프 신경망이나 고차원 피처 엔지니어링 없이도 경쟁력 있는 정확도 달성, (3) 학습 시간과 구현 복잡도가 크게 감소한다는 장점을 제공한다. 다만, 65~68 % 수준의 정확도는 아직 임상 적용에 충분히 높은 편은 아니며, ROI 정의의 정교화, 멀티모달 통합, 데이터 증강 등 추가 개선 여지가 있다.