뇌 그래프 기반 대규모 사전학습 모델 BrainGFM: 다중 아틀라스와 장애에 대한 프롬프트 튜닝

초록

BrainGFM은 fMRI 데이터를 그래프 형태로 변환해 대규모 사전학습을 수행하고, 그래프·언어 프롬프트와 메타‑러닝 기반 그래프 프롬프트 튜닝을 결합해 다양한 뇌 파셀레이션과 정신·신경 질환에 대해 few‑shot·zero‑shot 전이학습을 가능하게 하는 최초의 그래프 기반 뇌 기초 모델이다.

상세 분석

본 논문은 기존의 시계열 기반 혹은 ROI‑level 연결강도(FC) 기반 뇌 기초 모델이 갖는 두 가지 한계를 동시에 해결하고자 한다. 첫 번째는 데이터 이질성이다. 저자들은 27개의 공개 fMRI 데이터셋(총 2만5천 명, 6만 스캔)에서 8개의 서로 다른 파셀레이션(기능적 Schaefer 100/200/300, AAL 116/3v1, SHEN 268, Power 264, Gordon 333)을 적용해 각 피험자당 8배에 달하는 그래프 샘플을 생성하였다. 이는 단일 파셀레이션에 비해 공간 해상도와 기능적 특성이 상보적으로 결합될 수 있음을 의미한다. 두 번째는 사전학습 효율성이다. 그래프 트랜스포머를 백본으로 채택하고, Random Walk Structural Encoding(RWSE) 기반 위치 인코딩을 도입해 노드 간 상대적 구조를 저비용으로 표현한다. 사전학습 목표는 (1) 그래프 대비 학습(GCL) – 노드·엣지 드롭아웃을 통한 양·음 쌍 생성 후 대조 손실 최소화, (2) 그래프 마스크 자동인코더(GMAE) – 무작위 마스크 후 복원 손실 최소화, 두 가지를 공동으로 최적화함으로써 표현력과 효율성을 동시에 확보한다.

프롬프트 설계는 두 축으로 나뉜다. (a) 그래프 프롬프트는 메타‑러닝(MAML) 프레임워크 안에서 다중 태스크(다양한 질환·데이터셋·파셀레이션)별로 소수의 파라미터만 학습한다. 백본은 고정하고, 그래프 프롬프트(태스크/질환 토큰, 파셀레이션 토큰, 위치 토큰)를 최적화함으로써 few‑shot 상황에서도 빠른 적응이 가능하도록 설계되었다. (b) 언어 프롬프트는 자연어 기반 토큰(예: “Schaefer200”, “MDD”)을 삽입해 사전학습된 BrainGFM을 zero‑shot으로 새로운 파셀레이션이나 질환에 적용한다. 이는 LLM에서 차용한 프롬프트 튜닝 개념을 그래프 신경망에 성공적으로 이식한 사례이다.

실험에서는 (1) 동일 파셀레이션 내에서 기존 시계열/FC 기반 모델 대비 35% 이상의 정확도 향상을 보였으며, (2) 파셀레이션을 교차할 때도 성능 저하가 최소화돼 파셀레이션‑불변 특성을 학습했음을 확인했다. 또한, 메타‑러닝 기반 그래프 프롬프트는 510개의 샘플만으로도 기존 전체 파라미터 fine‑tuning 수준에 근접한 성능을 달성했고, 언어 프롬프트를 이용한 zero‑shot 전이에서는 사전 학습에 포함되지 않은 신규 질환(예: PTSD)에서도 평균 70% 이상의 AUC를 기록했다.

이러한 설계는 (i) 데이터 이질성을 활용한 대규모 그래프 사전학습, (ii) 효율적인 위치·파셀레이션 인코딩, (iii) 메타‑러닝 기반 프롬프트 튜닝이라는 세 축을 결합해 뇌 영상 AI의 범용성을 크게 확장한다는 점에서 학술적·실용적 의의가 크다. 특히, 그래프 기반 접근이 시계열 모델의 계산 비용을 크게 낮추면서도 표현력은 유지한다는 점은 향후 클라우드·엣지 환경에서의 실시간 뇌 상태 추정에 유용할 것으로 기대된다.