뇌 활동 시계열을 활용한 행동 점수 예측: 딥 상태공간 모델링 접근

초록

본 연구는 알츠하이머 초기 진단에 활용되는 MoCA 등 행동 점수를, 전통적인 기능적 연결성 대신 BOLD 시계열을 직접 입력으로 하는 딥 상태공간 모델로 예측한다. 281명의 피험자를 대상으로 전처리·ROI 파싱·시간‑공간 정규화를 수행했으며, 제안 모델은 희소한 뇌 영역 선택과 시계열 특징 추출을 통해 기존 기능적 연결성 기반 커널 릿지 회귀 대비 예측 정확도를 크게 향상시켰다. 또한, 기억·언어 하위 점수와 연관된 특정 ROI(예: DMN, 해마, 편도체)를 밝혀 알츠하이머 병리 초기 단계의 신경생물학적 마커를 제시한다.

상세 분석

이 논문은 알츠하이머 질환의 조기 진단을 위한 행동 점수(MoCA, 기억, 언어) 예측에 있어, 기존의 정적 기능적 연결성(Funtional Connectivity Matrix, FCM) 접근법이 시간 정보를 무시한다는 한계를 정확히 짚고 있다. 저자들은 BOLD 시계열 자체를 입력으로 하는 딥 상태공간 모델(Deep State Space Modeling, D-SSM)을 설계했으며, 이는 전통적인 선형/비선형 회귀보다 시계열의 동적 패턴을 효율적으로 포착한다.

데이터 전처리는 fmriprep와 CONN 툴박스를 이용해 표준화, 모션 보정, 잡음 제거, 0.008‑0.09 Hz 밴드패스 필터링을 수행하고, Power atlas에 8개의 추가 ROI(편도체·해마)까지 포함해 총 272개의 ROI로 파싱하였다. 이렇게 얻어진 (X_i \in \mathbb{R}^{T \times B}) (T=570, B=272)는 모델의 입력이다.

기존 베이스라인으로는 (1) Pearson 상관 기반 FCM → 상위 절반 벡터화 → 커널 릿지 회귀(KRR, RBF 커널)와 (2) 개별 ICA(I‑ICA) → 추출된 독립 성분을 KRR에 적용하는 방법을 사용했다. 두 방법 모두 평균 Pearson R이 0.07~0.15 수준에 머물러 시계열 정보를 충분히 활용하지 못함을 보여준다.

제안된 D-SSM은 상태공간 모델을 딥러닝으로 확장한 구조로, 관측된 BOLD 시계열 (x_t)를 잠재 상태 (z_t)에 매핑하고, (z_t)를 통해 행동 점수 (s)를 예측한다. 핵심은 (a) 희소성 정규화를 통해 중요한 ROI만을 선택하도록 가중치를 제한하고, (b) 시계열 인코더(예: GRU/LSTM 기반)로 시간적 의존성을 학습한다는 점이다. 손실 함수는 예측 오차(MSE)와 L1 정규화(희소성) 항을 결합해 과적합을 방지한다.

실험 결과, D-SSM은 MoCA 예측에서 평균 R≈0.42(±0.03)를 기록했으며, 이는 FCM‑KRR(R≈0.15)과 I‑ICA‑KRR(R≈0.07)보다 2‑3배 높은 상관성을 보였다. 기억·언어 하위 점수에서도 유사한 개선이 관찰되었다. 모델이 선택한 상위 ROI는 기본 모드 네트워크(DMN) 핵심 영역(전전두피질, 후두측두피질)과 해마·편도체 등 기억·감정 처리에 관여하는 구조였으며, 이는 알츠하이머 초기 병변이 이들 네트워크에 집중된다는 기존 문헌과 일치한다.

한계점으로는 (1) 단일 기관(MADRC) 데이터에 국한돼 일반화 검증이 부족하고, (2) ROI 기반 파싱이 공간 해상도를 제한해 미세한 신경활동을 놓칠 가능성이 있다. 또한, 모델 해석성을 높이기 위해 attention 메커니즘이나 베이지안 상태공간 모델을 도입하면 더욱 신뢰성 있는 바이오마커 도출이 가능할 것으로 보인다.

전반적으로, 시계열을 직접 활용한 딥 상태공간 모델이 알츠하이머 조기 진단용 행동 점수 예측에 강력한 도구가 될 수 있음을 실증했으며, 뇌 영역 선택과 동적 특징 추출이 예측 성능을 크게 좌우한다는 중요한 교훈을 제공한다.