의료 영상에서 기능적 선형 구조 방정식 모델을 통한 인과 추론

초록

본 논문은 의료 영상의 함수형 노출과 임상 결과 사이의 인과 효과를 추정하기 위해, 스칼라 도구변수를 활용한 기능적 선형 구조 방정식 모델(FLSEM)을 제안한다. L0 패널티 기반 변수 선택 알고리즘(FGS‑DAR)을 도입하고, 선택 일관성·추정 정확도·함수형 계수 검정에 대한 이론적 보장을 제공한다. 시뮬레이션과 UK Biobank 데이터 분석을 통해 모델의 실효성을 검증한다.

상세 분석

이 연구는 기존의 기능적 데이터 인과 추정 방법이 직면한 두 가지 핵심 난관—무한 차원의 노출 함수와 고차원 스칼라 도구변수·공변량 집합—을 동시에 해결한다는 점에서 혁신적이다. 먼저, 저자는 임상 결과 Y와 함수형 노출 Z(t) 사이의 구조 방정식을 Y = Xᵀβ + ∫ Z(t)B(t)dt + ε 로 설정하고, Z(t) 자체를 X와의 비선형 함수 f(X,t)와 오차 E(t)로 모델링한다. 여기서 X는 유전형, 성별, 연령 등 스칼라 공변량을 포함한다. 중요한 점은 Z(t)와 ε가 상관될 수 있는 내생성을 인정하고, 이를 해소하기 위해 X 중 일부를 도구변수(I)로, 일부를 혼동변수(C)·정밀변수(P)·무관변수(S)로 구분한다.

식별 조건은 두 단계로 제시된다. 첫째, 함수형 노출 모델에서 도구변수 집합 I가 생성하는 연산자 K가 주입(injective)해야 한다는 ‘연산자 주입 조건’이다. 이는 K의 영공간이 오직 영함수만 포함한다는 의미이며, Mercer 전개를 이용해 모든 고유값 λ_k가 양수임을 요구한다. 저자는 Ornstein‑Uhlenbeck, Brownian motion 등 실용적인 커널이 이 조건을 만족함을 증명한다. 둘째, 선형 경우에는 K가 충분히 풍부한 정보를 제공하도록 도구변수의 수와 다양성을 확보해야 함을 강조한다.

변수 선택 알고리즘은 FGS‑DAR(Funtional Group Support Detection and Root Finding)으로, 먼저 함수‑대‑스칼라 모델을 RKHS 프레임워크 안에서 L0 패널티를 적용해 도구변수와 정밀변수를 동시에 식별한다. L0 패널티는 L1·L2와 달리 수축 편향이 없으며, 정확한 스파스 구조를 복원한다. 선택된 도구변수로 Z(t)의 예측값을 얻은 뒤, 이를 사용해 부분 함수형 선형 모델에서 B(t)를 추정한다.

이론적 결과는 네 가지 주요 정리를 포함한다. (1) 선택 일관성: 샘플 수 n→∞일 때, FGS‑DAR가 진짜 도구변수·정밀변수를 정확히 복원한다. (2) 추정 수렴률: 함수형 계수 B(t)의 L2 오차는 O_p(n^{-1/2})에 수렴하고, 스칼라 β̂는 동일한 속도를 가진다. (3) 영함수 검정 통계량: B(t)=0인 귀무가설에 대해 제안된 검정통계는 표준 정규분포(또는 χ²)로 수렴한다. (4) 강건성: 고차원 X와 복합적인 상관구조 하에서도 위 정리들이 유지된다.

시뮬레이션에서는 도구변수 비율, 신호대잡음비, 함수형 노출의 복잡도 등을 변형시켜 알고리즘의 민감도를 평가했으며, 기존 FPCA‑IV, GMM‑IV 등과 비교해 변수 선택 정확도와 추정 편향이 현저히 낮음을 보였다. 실제 UK Biobank 데이터에서는 뇌 fMRI 영역별 활성 패턴을 노출로, 알츠하이머 진단을 결과로 설정해, 특정 유전 변이와 연령·성별을 조정한 후 B(t) 추정값이 통계적으로 유의함을 확인했다. 이는 기능적 뇌 이미지가 임상 결과에 미치는 인과적 영향을 정량화한 최초 사례라 할 수 있다.

전반적으로 이 논문은 함수형 데이터와 고차원 도구변수 사이의 복합 구조를 명시적으로 모델링하고, L0 기반 정확한 변수 선택과 강력한 이론적 보장을 제공함으로써 의료 영상 인과 추론 분야에 새로운 방법론적 표준을 제시한다.