뿌리인과 뇌활동을 찾아내는 새로운 rs‑fMRI 분석법

초록

본 논문은 정신질환의 증상과 직접 연결되는 “뿌리‑인과적” BOLD 변화를 식별하기 위해, 두 단계 구조적 인과 모델을 제안하고 이를 구현한 SOURCE 알고리즘을 소개한다. SOURCE는 독립적인 잠재 소스를 추출하고, 각 소스에 대한 직접‑효과(루트‑프록시멀) 지도와 증상 축을 동시에 학습함으로써, 기존 ICA·NMF·딕셔너리 학습 대비 해부학적 특이성과 해석성을 크게 향상시킨다.

상세 분석

이 연구는 정신병리학에서 흔히 발생하는 “증상‑뇌영상” 연관성의 확산성을 비판하고, 원인‑결과 관계를 명확히 규정하기 위한 새로운 인과 모델을 설계한다. 저자는 먼저 피험자 수준의 잠재 변수 S를 도입하고, 이를 통해 뇌 voxel‑level 데이터 X와 증상 매트릭스 Y 사이의 인과 흐름을 두 단계(between‑subject, within‑subject)로 구분한다. between‑subject 단계에서는 S가 X에 직접(Γ) 및 간접(B)으로 영향을 미치고, X가 Y에 직접(Φ) 연결되는 선형 구조 방정식을 제시한다. within‑subject 단계에서는 전통적인 LiNGAM의 가정을 완화해, 모든 voxel에 독립적인 외생 교란을 두는 대신 K개의 독립적인 잠재 소스 F를 가정하고, 각 소스가 공간적으로 국한된 매핑 Γ를 통해 voxel에 직접 작용하도록 설계한다. 이렇게 하면 voxel‑to‑voxel 전파(B)는 노이즈 항으로 처리되어 인과 추정의 주요 대상이 아니다.

알고리즘은 세 단계로 구현된다. 1) 전처리 후 전체 피험자 데이터를 결합해 ICA를 수행, 잠재 소스 F를 복원한다. 2) 각 voxel i에 대해 소스와 voxel 시계열 간의 조건부 상관을 계산하고, 자기‑리크(자기‑누설) 효과를 보정한 후, η와 θ라는 두 종류의 상관값을 곱해 초기 효과 맵을 만든다. 이 초기 맵을 그래프 기반 TV 정규화와 ℓ1 정규화(λ1, λ2)를 적용한 IRLS 절차로 희소하고 연속적인 “루트‑프록시멀” 지도 ζ로 변환한다. 3) 증상 축 α를 찾기 위해, S와 Y 사이의 상관을 최대화하면서 β(소스 가중치)의 ℓ0 제약을 두어 최소한의 소스만 선택한다. 이렇게 도출된 α는 해석 가능한 증상 점수이며, β는 해당 증상에 직접적인 인과적 기여를 하는 소스 집합을 나타낸다.

실험에서는 두 대규모 공개 데이터셋(조현증 BSNIP2, 주요우울증 EMBARC)을 사용해 기존 ICA·NMF·딕셔너리 학습 방법과 비교했다. 평가 지표는 예측 정확도(Pearson r), “상관 밀도”(Correlation Density, CD), 그리고 효과의 공간적 집중도(Compactness)이다. 결과는 SOURCE가 예측 정확도에서는 기존 방법과 동등하거나 약간 우수했지만, CD와 Compactness에서는 현저히 높은 점수를 기록했다. 조현증에서는 오른쪽 dorsolateral prefrontal cortex(rDLPFC)와 연관된 소스가, 우울증에서는 오른쪽 inferior parietal lobule와 연관된 소스가 각각 뿌리‑프록시멀 맵으로 도출되었으며, 이는 기존 문헌에서 해당 영역이 증상 조절에 관여한다는 보고와 일치한다. 또한 ablation study를 통해 루트‑프록시멀 맵 추출과 증상 축 최적화가 각각 성능 향상에 기여함을 확인했다. 알고리즘 실행 시간도 2~4시간 수준으로 실용적이었다.

이 논문은 (1) voxel‑to‑voxel 전파를 nuisance로 전환하고 소스‑to‑voxel 직접 효과에 집중함으로써 인과 해석 가능성을 높인 점, (2) 증상과 직접 연결되는 소스 집합을 자동으로 선택해 임상 해석을 용이하게 만든 점, (3) 정량적 공간 집중도 지표를 도입해 “뿌리‑인과적” 뇌 영역을 명확히 식별한 점에서 의미가 크다. 향후 다중 모달(구조 MRI, PET) 데이터와 비선형 인과 모델을 결합한다면, 보다 정교한 정신병리 메커니즘 모델링이 가능할 것으로 기대된다.