뇌 손상 지도와 LLM 해석의 새로운 연결고리

초록

본 논문은 인간 뇌졸중 후 실어증 환자들의 병변‑증상 매핑을 활용해 대형 언어 모델(LLM)의 구조적 중요성을 외부 기준으로 검증하는 BLUM 프레임워크를 제안한다. 410명의 환자 데이터를 기반으로 증상‑병변 모델을 학습하고, 변형된 LLM의 오류 프로파일을 동일한 임상 과제에 투입해 예측된 병변이 실제 환자 병변과 통계적으로 유의하게 일치함을 보였다.

상세 분석

이 연구는 기존 LLM 해석 방법이 내부 메트릭(예: 토큰 예측 정확도, 프루닝 비율)에 의존해 왔던 한계를 극복하고, 인간 뇌의 손상‑증상 관계라는 ‘골드 스탠다드’를 외부 검증 수단으로 도입했다는 점에서 혁신적이다. 먼저, 410명의 만성 뇌졸중 실어증 환자를 대상으로 사진 명명(PNT)과 문장 완성(WAB‑R) 과제를 수행하게 하고, 오류를 의미적, 음운적, 혼합형 등 정밀하게 분류하였다. 이러한 오류 분포는 다변량 회귀와 머신러닝 기반 symptom‑to‑lesion 모델에 입력돼, 각 오류 유형이 뇌의 어느 부위(ventral stream, dorsal stream 등)와 연관되는지를 고해상도로 예측하도록 훈련되었다.

다음 단계에서는 13 B 파라미터 트랜스포머 모델에 층별, 비율별, 노이즈 레벨별 교란을 가해 다양한 ‘손상’ 상황을 만들었다. 교란된 모델에 동일한 임상 과제를 적용하고, 인간과 동일한 오류 분류 체계를 사용해 오류 프로파일을 수집했다. 여기서 핵심은 인간 오류와 LLM 오류가 동일한 차원(의미, 음운, 혼합)으로 매핑된다는 가정이다.

수집된 LLM 오류 프로파일을 인간 데이터로 학습된 symptom‑to‑lesion 모델에 투입하면, 가상의 뇌 병변 맵이 생성된다. 이 가상 병변을 실제 환자들의 병변과 Pearson 상관계수로 비교했으며, 무작위 샘플링을 통한 2,000번 퍼뮤테이션 검정에서 67 % (picture naming)와 68.3 % (sentence completion)의 경우가 통계적으로 유의한 수준(p < 10⁻²³, 10⁻⁶¹)으로 나타났다. 특히 의미 오류가 ventral stream(측두-전두 연결) 병변과, 음운 오류가 dorsal stream(두정-전두 연결) 병변과 강하게 대응함을 확인했다.

이 결과는 LLM의 특정 층이나 파라미터가 인간 뇌의 언어 처리 네트워크와 기능적으로 유사한 역할을 할 가능성을 시사한다. 즉, LLM 내부의 구조적 손상이 인간 뇌의 손상과 유사한 행동적 결함을 초래한다면, 해당 구조가 ‘언어 필수 요소’라는 외부 근거를 제공한다는 것이다. 반대로, 특정 교란이 인간 병변과 전혀 일치하지 않을 경우, 그 층은 언어 기능과 무관하거나, 현재의 임상 과제에 민감하지 않은 다른 계산을 수행하고 있음을 추론할 수 있다.

연구는 몇 가지 제한점도 명시한다. 첫째, 오류 분류가 인간 언어학적 틀에 의존하므로 LLM이 생성할 수 있는 새로운 오류 유형을 포착하지 못한다. 둘째, 현재는 13 B 규모의 단일 트랜스포머에만 적용했으며, 더 큰 모델이나 다른 아키텍처(RNN, 혼합형)에서는 결과가 달라질 수 있다. 셋째, 병변‑증상 매핑 자체가 통계적 연관에 기반하므로, 인과관계의 미세한 차이를 완전히 반영하지 못한다. 그럼에도 불구하고, BLUM은 LLM 해석에 ‘외부 검증’이라는 새로운 패러다임을 제시하며, 신경과학과 인공지능의 교차점에서 향후 연구가 나아갈 방향을 제시한다.