뇌 네트워크 잠재적 통신 경로 탐색: 적응형 흐름 라우팅 모델

초록

본 논문은 구조적 연결망(SC)을 전도성 네트워크로 해석하고, 기능적 연결망(FC)의 요구에 따라 흐름을 최적화하는 물리 기반 모델 AFR‑Net을 제안한다. 차별화된 그래프 구축, 폐쇄형 미분 흐름 솔버, 흐름‑가이드 어그리게이션을 통해 SC‑FC 결합을 전역적인 정보 흐름 문제로 재정의하고, 질병 진단에서 최첨단 성능과 해석 가능성을 동시에 달성한다.

상세 분석

AFR‑Net은 기존 GNN 기반 다중모달 융합 방법이 구조와 기능을 단순히 지역 수준에서 결합하고, 정적 토폴로지와 동질성 가정에 머무르는 한계를 극복한다는 점에서 혁신적이다. 첫 번째 단계인 Physics‑Informed Graph Construction에서는 효과적 저항 거리(Effective Resistance Distance, ERD)를 이용해 노드 간 전송 가능성을 정량화하고, 엣지 용량을 학습 가능한 게이트 파라미터 c₍ᵢⱼ₎ 로 매핑한다. 이는 전통적인 최단 경로 거리 대신 전기 회로 이론의 전도성 개념을 차용함으로써, 실제 신경 신호가 여러 병렬 경로를 통해 전파되는 ‘중간’ 라우팅 메커니즘을 모델링한다는 의미다.

두 번째 단계인 Differentiable Information Flow Solver는 구조적 라플라시안 L₍flow₎ = Bᵀ C B 형태로 표현된 가중 그래프 라플라시안을 기반으로, FC에서 관측되는 상관관계 행렬 L₍fc₎ 를 ‘수요’로 간주한다. 폐쇄형 해(Closed‑form solution)를 통해 전위 차이와 흐름 강도를 동시에 구하고, 각 엣지에 대한 정보 부하(Information Load)를 P = c₍ᵢⱼ₎·(ΔV)² 형태로 계산한다. 이 과정은 미분 가능하도록 설계되어 역전파가 가능하며, 학습 과정에서 흐름 패턴 자체가 최적화 목표에 포함된다.

세 번째 단계인 Pattern‑Guided Aggregation은 위에서 얻어진 흐름 강도 행렬을 어텐션 가중치로 활용한다. 즉, 메시지 패싱 시 고부하 경로에 더 큰 가중치를 부여해, 신경 회로 수준에서 의미 있는 정보 전달 경로를 강조한다. 이는 기존 GNN이 단순히 인접 이웃을 평균화하는 것과 달리, 전역적인 전도성 구조를 반영한 비선형 집합을 구현한다는 점에서 차별화된다.

실험에서는 ABCD와 PPMI 등 네 개의 대규모 뇌 영상 데이터셋을 대상으로, 알츠하이머·파킨슨병 등 신경퇴행성 질환 분류와 연령·인지 점수 예측 과제를 수행하였다. AFR‑Net은 평균 3~7%p의 정확도 향상을 보였으며, 특히 ‘핵심 라우팅 경로’를 시각화했을 때 기존 문헌에서 보고된 병변 부위와 높은 일치도를 나타냈다. 이는 모델이 단순히 성능을 높이는 것이 아니라, 생물학적 해석 가능성을 제공한다는 강점을 입증한다.

한계점으로는 흐름 용량 C를 학습 가능한 파라미터로 두었지만, 실제 신경 전도성(예: 축삭 직경·미엘린화 정도)과의 정량적 매핑이 부족하다는 점이다. 또한 폐쇄형 라플라시안 해는 그래프가 큰 경우 메모리·연산 비용이 급증할 수 있어, 스파스 근사나 멀티‑GPU 분산 전략이 필요할 것으로 보인다. 향후 연구에서는 실제 전기생리학적 측정값을 정규화 기준으로 도입하고, 비선형 저항 모델(예: 온도·활동 의존성)까지 확장함으로써 물리‑신경학적 일치를 더욱 강화할 수 있을 것이다.

요약하면, AFR‑Net은 SC‑FC 결합을 전역 흐름 최적화 문제로 재정의하고, 물리‑기반 그래프 구성·미분 흐름 솔버·패턴‑가이드 어그리게이션이라는 세 가지 핵심 모듈을 통해 성능과 해석 가능성을 동시에 달성한 최초의 딥러닝 프레임워크라 할 수 있다.