스펙트럴 그래프 기반 차동 기능 연결성 분석 프레임워크 SpARCD

초록

SpARCD는 거리 상관(distance correlation)을 이용해 두 실험 조건의 뇌 기능 연결성을 가중 그래프로 변환하고, 정규화 라플라시안의 차동 연산자를 스펙트럴 필터링으로 구성한다. 주요 고유벡터를 비교해 네트워크 변화를 탐지하고, 퍼뮤테이션 검정을 통해 영역 수준의 유의성을 제공한다. 시뮬레이션에서 기존 방법보다 높은 검정력을 보였으며, PTSD 환자 113명을 대상으로 한 감정 얼굴 매칭 과제 fMRI 분석에서 정서 반응 및 조절에 관련된 별도 네트워크를 밝혀냈다.

상세 분석

SpARCD는 기능적 연결성(Fc) 분석의 핵심 문제인 고차원성, 다중 비교, 비선형 의존성 탐지를 동시에 해결한다. 첫 단계에서 각 조건(예: 감정 vs. 중립)마다 ROI‑별 BOLD 시계열을 추출하고, 두 시계열 사이의 거리 상관을 계산한다. 거리 상관은 전통적인 피어슨 상관과 달리 선형·비선형 관계를 모두 포착하므로, 뇌 영역 간 복잡한 상호작용을 더 정확히 반영한다. 이렇게 얻은 R×R 대칭 가중 행렬 W_X, W_Y를 기반으로 정규화 라플라시안 L_X = I – C_X^{-1/2} W_X C_X^{-1/2} 를 구성한다. 여기서 C_X는 각 노드의 총 연결 강도를 담은 대각 행렬이며, 정규화 과정은 노드 간 연결 강도의 상대적 차이를 강조한다.

다음으로 두 라플라시안의 차동 연산자 ˜L = L_X – L_Y 를 정의하고, 스펙트럴 필터링을 적용해 고주파·저주파 성분을 조절한다. 핵심 아이디어는 차동 연산자의 선도 고유벡터(v^{(k)})가 두 조건 사이의 구조적 변화를 가장 크게 설명한다는 점이다. 따라서 각 영역에 대한 통계량 s(r)=‖v_X^{(k)}(r) – v_Y^{(k)}(r)‖ 를 계산하고, 퍼뮤테이션 기반의 귀무분포를 구축해 p값을 추정한다. 이 절차는 데이터 종속성을 보존하면서 영역 수준의 유의성 맵을 제공한다.

시뮬레이션에서는 (1) 선형·비선형 의존성 혼합, (2) 노이즈 수준 변화, (3) 네트워크 규모 변동 등 다양한 시나리오를 설정했다. 결과는 기존의 엣지‑와이즈 t‑검정, NBS, PPI 대비 검정력이 15~30% 상승했으며, 특히 비선형 의존성을 포함한 경우 차별력이 크게 향상되었다.

실제 데이터 적용에서는 PTSD 환자 113명을 대상으로 감정 얼굴 매칭 과제와 중립 도형 과제를 비교했다. SpARCD는 전전두피질·편도체·전측 대상피질 등 정서 반응에 관여하는 서브넷워크와, 전측 전두엽·후두엽·기저핵 등 조절 메커니즘에 관련된 서브넷워크를 각각 강조하였다. 이러한 결과는 기존 PPI가 포착하지 못한 비국소적·비선형적 연결 변화를 드러내며, 임상적 해석에 새로운 통찰을 제공한다.

전반적으로 SpARCD는 (i) 거리 상관을 통한 비선형 의존성 포착, (ii) 정규화 라플라시안을 이용한 구조적 균형, (iii) 스펙트럴 차동 연산자를 통한 효율적 차이 검출, (iv) 퍼뮤테이션 기반의 강력한 통계 검증이라는 네 가지 핵심 요소를 결합한다. 계산 복잡도는 그래프 라플라시안 고유값 분해에 의해 O(R^3) 수준이지만, R≈100~200 정도의 일반적인 뇌 파셜레이션에서는 실시간 처리 가능하다. 향후 확장은 (a) 다조건(>2) 비교를 위한 다중 라플라시안 공통 공간 구축, (b) 시간‑주파수 결합 거리 상관, (c) 그래프 신경망과의 연계 등을 포함한다.