공간·네트워크 이미지 통합 딥 생성 모델: 설명 가능한 AI 접근법

초록

본 논문은 청소년 뇌발달 연구(ABCD)에서 구조적 MRI와 다중과제 fMRI 네트워크를 결합해 정지 상태 fMRI의 저주파 진폭(ALFF)을 예측하는 두 단계 딥 생성 모델을 제안한다. 공간적 부드러움과 피험자 이질성을 고려하고, Monte Carlo dropout을 이용해 불확실성을 정량화함으로써 기존 통계·딥러닝 방법보다 해석 가능하고 계산 효율적인 XAI 프레임워크를 제공한다.

상세 분석

이 연구는 이미지‑온‑이미지 회귀라는 고차원 다변량 문제에 대한 새로운 베이지안 딥러닝 접근법을 제시한다. 첫 번째 단계에서는 피험자별 뇌 네트워크 행렬(Z)에서 각 노드의 잠재 효과를 저차원 잠재 벡터와의 내적 형태로 모델링한다. 이는 네트워크의 복잡한 상호작용을 파라미터 수를 크게 늘리지 않고 압축할 수 있게 해준다. 두 번째 단계에서는 공간적 입력 이미지(피질 두께와 회백질 대비)와 첫 단계에서 추정된 노드 효과를 결합해 반응 이미지(ALFF)의 로그 변환값을 예측한다. 여기서 공간적 효과는 위치별 비선형 계수 함수로, 네트워크 효과는 노드별 비선형 함수로 각각 딥 뉴럴 네트워크(DNN)에 의해 학습된다.

모델은 dropout 레이어를 삽입한 DNN 구조를 사용하고, 학습 및 추론 시 Monte Carlo dropout을 반복 적용해 파라미터의 사후 분포를 근사한다. 이는 깊은 가우시안 프로세스와 동일시될 수 있어, 예측값뿐 아니라 각 회귀 계수(공간·네트워크)의 불확실성도 동시에 제공한다. 따라서 연구자는 특정 ROI에서 구조적 변수가 ALFF에 미치는 영향을 통계적 유의성 수준과 함께 시각화할 수 있다.

계산 복잡도 측면에서, 제안 모델은 샘플 수와 ROI 수에 대해 선형적으로 확장되며, 전통적인 베이지안 신경망이나 스플라인 기반 공간 베이지안 모델에 비해 메모리와 시간 소모가 현저히 낮다. 실험에서는 시뮬레이션을 통해 회귀 계수 복원 정확도와 불확실성 커버리지를 검증했으며, ABCD 데이터에 적용했을 때 기존 선형 혼합 모델, 일반 딥러닝 회귀, 그리고 최신 BIRD‑GP와 비교해 예측 정확도는 동등하거나 약간 우수하고, 불확실성 정량화는 크게 개선되었다. 또한, GPU 기반 구현으로 전체 파이프라인을 수시간 내에 완료할 수 있어 대규모 코호트 연구에 실용적이다.

한계점으로는 네트워크 입력을 정규화하고 잠재 차원을 사전에 지정해야 하는 점, 그리고 dropout 기반 근사법이 진정한 베이지안 사후와 차이가 있을 수 있다는 점을 들 수 있다. 향후 연구에서는 변분 추론이나 흐름 기반 모델을 도입해 근사 정확도를 높이고, 다중 시간점 fMRI 데이터를 시계열적으로 확장하는 방안을 모색한다.