시간에 따른 뇌 연결망 분석을 위한 행렬 응답 혼합 모델

초록

본 논문은 장기간에 걸친 뇌 영상에서 얻은 네트워크 행렬을 종속 변수로 하는 일반화 선형 혼합 모델(MR‑GLMM)을 제안한다. 저차원(저‑랭크) 구조의 고정 효과와 희소한 회귀 텐서를 동시에 추정하기 위해 Monte Carlo EM 알고리즘과 Metropolis‑within‑Gibbs 샘플링을 이용한다. 시뮬레이션과 실제 DTI·fMRI 데이터 분석을 통해 변수 선택 정확도와 추정 효율성이 기존 방법보다 우수함을 입증한다.

상세 분석

본 연구는 기존의 정적(단일 시점) 뇌 네트워크 회귀 모델이 직면한 두 가지 근본적인 한계를 극복한다. 첫째, 시간에 따라 반복 측정된 인접 행렬을 직접 모델링함으로써 개인별 이질성을 반영하는 랜덤 인터셉트를 도입한다. 이는 전통적인 GLMM이 스칼라 혹은 벡터 응답에만 적용되는 점을 확장한 것으로, 행렬‑값 응답을 요소별 링크 함수(g)와 결합해 η = g(μ) = Θ + θ_i + B ×₃ x_it 형태로 표현한다. 여기서 Θ는 전체 집단 수준의 저‑랭크 연결 패턴, θ_i는 피험자별 랜덤 효과, B는 p 차원의 공변량이 각 엣지에 미치는 영향을 담은 3차원 텐서이다.

두 번째 핵심은 파라미터 추정 전략이다. Θ를 U Vᵀ 형태의 Burer‑Monteiro 분해로 재표현함으로써 매 반복마다 전치‑특이값 분해(SVD)를 수행할 필요를 없앤다. 이는 고차원 행렬에 대한 연산 복잡도를 크게 낮추면서도 저‑랭크 제약을 유지한다. B에 대해서는 L₀ 제약을 적용해 정확히 희소한 해를 추구한다. L₀ 제약은 L₁ 패널티보다 편향을 감소시키지만 최적화가 NP‑hard이므로, 본 논문은 MCEM 프레임워크 내에서 근사적인 M‑step을 설계한다.

E‑step에서는 θ_i의 사후 분포를 직접 적분하기 어려우므로, Metropolis‑within‑Gibbs 샘플러를 이용해 M개의 독립 샘플을 추출한다. 이 샘플들을 이용해 Q‑함수의 기대값을 Monte Carlo 방식으로 근사하고, M‑step에서는 기대값에 기반한 손실 함수에 대해 교대 최소화(Alternating Minimization)를 수행한다. 구체적으로, (i) U와 V에 대한 저‑랭크 정규화 항 ‖UᵀU − VᵀV‖_F²를 최소화하고, (ii) B에 대해서는 선택된 s개의 비제로 원소만 남기도록 하드 임계값을 적용한다. 이 과정은 수렴 보장을 위해 단계별 학습률과 샘플 수 M을 점진적으로 증가시키는 스케줄을 채택한다.

시뮬레이션에서는 (a) 네트워크 차원 n = 50100, 시간 포인트 T = 35, 공변량 p = 1020인 설정을 다양하게 변형해 변수 선택 정확도(F1‑score)와 추정 오차(‖Θ̂ − Θ‖_F, ‖B̂ − B‖_F)를 평가하였다. 결과는 제안 모델이 특히 희소성 수준이 높고 랜덤 효과 분산이 큰 경우에 기존의 요소별 GLMM(각 엣지를 독립적으로 모델링)보다 1530% 높은 F1‑score와 20~40% 낮은 추정 오차를 보였다. 또한, Monte Carlo 샘플 수 M을 500에서 2000으로 늘려도 추정 정확도는 크게 변하지 않아 알고리즘의 안정성을 확인했다.

실제 데이터 적용에서는 ADNI DTI와 HCP fMRI 두 가지 공개 데이터셋을 분석하였다. ADNI에서는 연령, 성별, APOE4 보유 여부, 진단 상태(정상·MCI·AD) 네 가지 공변량이 구조적 연결성에 미치는 영향을 탐색했으며, 저‑랭크 Θ는 전두엽‑측두엽 간 장거리 연결을, 희소 B는 특정 전두‑해마 경로와 APOE4 상호작용을 강조하였다. HCP fMRI에서는 작업 수행 전후의 휴식 상태 네트워크 변화를 모델링했으며, 시간‑변화 공변량이 전전두피질‑기저핵 연결에 유의미한 영향을 미치는 것으로 나타났다. 두 사례 모두 기존 연구에서 보고된 주요 연결 패턴과 일치하면서도, 개별 엣지 수준에서의 정량적 효과 크기를 제공한다는 점에서 차별성을 가진다.

전반적으로 이 논문은 (1) 고차원 행렬‑값 종속 변수를 직접 다루는 GLMM 프레임워크를 제시하고, (2) 저‑랭크와 희소성을 동시에 활용한 효율적인 파라미터 추정 알고리즘을 개발했으며, (3) 장기간 뇌 네트워크 데이터에 대한 통계적 해석 가능성을 크게 확장했다는 점에서 학문적·실용적 기여가 크다.