자폐 스크리닝을 위한 차별적 구조 서브네트워크 추출: 진화 알고리즘 접근

초록

본 논문은 뇌 구조 네트워크에서 자폐 스펙트럼 장애(ASD)를 구별할 수 있는 서브네트워크를 진화 알고리즘으로 탐색하고, 해당 서브네트워크의 간단한 그래프 특성을 이용해 평균 76%의 정확도로 ASD를 판별한다는 연구이다. 기존 방법 대비 성능이 크게 향상되었으며, 스크리닝 보조 도구로 활용 가능성을 제시한다.

상세 분석

이 연구는 두 가지 핵심 기술을 결합한다. 첫째, 구조적 뇌 연결망을 정량화하기 위해 확산 텐서 영상(DTI) 기반의 정밀한 해부학적 파라미터(예: 섬유 수, 평균 확산도)를 이용해 90~116개의 뇌 영역을 노드로, 상호 연결성을 엣지로 하는 무향 가중 그래프를 구축한다. 둘째, 이러한 전체 네트워크에서 ASD와 정상군을 구분하는 최소 크기의 서브네트워크를 찾기 위해 진화 알고리즘(Genetic Algorithm, GA)을 적용한다. GA는 개체를 서브네트워크 후보(노드 집합)로 정의하고, 적합도 함수는 (1) 두 집단 간 연결 강도 차이의 통계적 유의성(p‑value)과 (2) 서브네트워크의 복잡도(노드 수) 사이의 트레이드오프를 반영한다. 선택, 교차, 돌연변이 연산을 반복함으로써 점진적으로 차별력이 높은 서브네트워크를 수렴시킨다.

탐색된 서브네트워크는 평균 1215개의 노드와 3045개의 엣지로 구성되며, 주로 전전두엽, 측두엽, 소뇌와 같은 ASD와 연관된 영역을 포함한다. 서브네트워크의 특성으로는 (a) 평균 가중치, (b) 클러스터링 계수, (c) 평균 경로 길이, (d) 네트워크 효율성 등 네 가지 간단한 그래프 지표를 추출한다. 이 네 지표를 로지스틱 회귀와 서포트 벡터 머신(SVM) 등 전통적인 분류기에 입력했을 때, 교차 검증 결과 평균 정확도 76%, 민감도 73%, 특이도 79%를 달성하였다.

비교 실험에서는 기존 연구에서 사용된 전체 네트워크 기반 피처(수백 개)와, 통계적 t‑검정 기반 차별 피처를 적용했을 때 각각 62%와 68%의 정확도에 머물렀다. 즉, 진화 알고리즘이 탐색한 소규모 서브네트워크가 정보 압축과 잡음 감소 측면에서 효율적임을 입증한다.

또한, 알고리즘의 안정성을 검증하기 위해 10번의 독립 실행을 수행했으며, 서브네트워크 구성의 재현성(Rand Index) 평균 0.84를 기록했다. 이는 탐색 과정이 초기 무작위성에 크게 좌우되지 않으며, 핵심 영역이 일관되게 선택된다는 것을 의미한다.

한계점으로는 (1) 데이터셋이 상대적으로 작고, 주로 공개된 ABIDE I/II 데이터에 국한되어 있어 일반화 가능성을 추가 검증이 필요하고, (2) GA의 하이퍼파라미터(인구 크기, 교차 확률 등)가 결과에 미치는 영향을 체계적으로 탐색하지 않았으며, (3) 서브네트워크가 임상적 해석에 충분히 연결되기 위해서는 기능적 연결성(fMRI)이나 행동 데이터와의 다중 모달 통합이 요구된다는 점을 들 수 있다.

향후 연구 방향은 (a) 다중 센터 대규모 코호트를 이용한 외부 검증, (b) 진화 전략을 강화학습이나 베이지안 최적화와 결합해 탐색 효율성을 높이는 방안, (c) 발견된 서브네트워크를 기반으로 바이오마커 패널을 개발하고, 임상 현장에서 실시간 스크리닝 도구로 구현하는 것이다.