뇌 연령을 지역별로 예측하는 약한 지도 학습 프레임워크, ReBA‑Pred‑Net

초록

본 논문은 전체 뇌 연령(Whole Brain Age)만을 이용해 학습되는 기존 방법의 한계를 극복하고, MRI에서 직접 지역별 뇌 연령(Regional Brain Age, ReBA)을 추정하는 ReBA‑Pred‑Net을 제안한다. Teacher‑Student 구조와 기능적 일관성 제약을 통해 약한 전체 연령 라벨만으로도 신뢰성 있는 지역별 연령 추정이 가능하도록 설계했으며, 이를 검증하기 위해 Healthy Control Similarity(HCS)와 Neuro Disease Correlation(NDC)라는 두 가지 간접 평가 지표를 도입하였다. 실험 결과, 제안 모델은 다양한 백본 네트워크에서 기존 방법 대비 통계적·사실적 일관성을 크게 향상시켰다.

상세 분석

ReBA‑Pred‑Net은 “전체 뇌 연령”이라는 단일 라벨만을 이용해 지역별 연령을 추정한다는 근본적인 약한 지도 학습 문제에 접근한다. 핵심 아이디어는 Teacher 모듈이 전체 연령을 예측한 뒤, 파라미터를 고정하고 뇌를 사전 정의된 기능적/해부학적 아틀라스(예: Harvard‑Oxford)로 파셀레이션하여 각 영역별 초기 ReBA를 얻는 것이다. 여기서 단순히 영역을 입력해 예측하는 것만으로는 “모드 붕괴”(모든 영역이 동일한 연령값을 갖는 현상)가 발생할 위험이 있다. 이를 방지하기 위해 저자는 ‘지역 교정 신호’를 도입한다. 구체적으로, 특정 영역을 작은 노이즈로 가려(occlude) 전체 연령 예측값이 얼마나 변하는지를 측정하고, 그 변화량을 각 영역의 초기 ReBA에 더한다. 이는 해당 영역이 전체 연령에 기여하는 정도를 정량화한 보정값으로, 초기 ReBA를 지역별 특성을 반영하도록 조정한다.

Student 모듈은 Teacher와 동일한 백본을 공유하면서, 각 영역에 대해 학습 가능한 프롬프트 임베딩을 삽입하고 FiLM(Feature‑wise Linear Modulation) 방식을 적용한다. 이렇게 변조된 특징은 경량 어댑터(adapter)를 거쳐 최종 지역별 연령을 출력한다. 학습 목표는 두 가지 손실 함수의 결합이다. 첫 번째는 Teacher가 제공한 ‘soft ReBA’와의 디스틸레이션 손실로, 약한 라벨을 효과적으로 전이한다. 두 번째는 기능적 일관성 손실로, 같은 기능 네트워크(예: 시각, 운동) 내의 영역들이 유사한 연령 변화를 보이도록 제약한다. 이는 과도한 평균화(over‑averaging)를 억제하고, 뇌의 실제 발달·노화 패턴을 보존한다.

평가 측면에서 기존의 MAE·MSE와 같은 전통적 지표는 지역별 라벨이 없으므로 적용이 불가능하다. 저자는 이를 보완하기 위해 HCS와 NDC라는 두 가지 간접 메트릭을 설계했다. HCS는 훈련에 사용된 건강 대조군(HC)과 별도 테스트 집합의 HC에서 지역별 Brain Age Gap(ΔReBA = ReBA – Chronological Age) 분포를 비교한다. 두 분포가 통계적으로 일치하면 모델이 HC에 대해 과적합되지 않았으며, 전반적인 캘리브레이션이 잘 이루어졌다고 판단한다. NDC는 임상적으로 알려진 질환(예: 파킨슨병, 알츠하이머병)의 관련 영역에 대해 ΔReBA가 비정상군보다 유의하게 크게 나타나는지를 검증한다. 즉, ‘해당 질환에서 오래된 것으로 기대되는 영역이 실제로 오래된지’ 여부를 확인함으로써 모델의 사실적 타당성을 평가한다.

실험에서는 3D CNN, Vision Transformer 등 다양한 백본을 적용했으며, 모든 경우에서 HCS 점수가 향상되고, NDC 테스트에서 질환 특이 영역의 ΔReBA가 통계적으로 유의하게 증가함을 보였다. 특히 기능적 일관성 제약을 제거했을 때는 영역 간 연령 차이가 급격히 감소하고, NDC 성능이 크게 저하되는 등 제안된 구성 요소들의 필요성이 실증적으로 확인되었다.

이 논문은 (1) 약한 전체 연령 라벨만으로도 지역별 연령을 추정할 수 있는 효과적인 Teacher‑Student 설계, (2) 지역별 라벨이 부재한 상황에서 모델을 검증할 수 있는 HCS·NDC 메트릭, (3) 기능적 일관성을 통한 공간적 정합성 확보라는 세 가지 핵심 기여를 제공한다. 향후 연구에서는 다중 모달(MRI, PET 등) 통합, 개인 맞춤형 기능 네트워크 정의, 그리고 실제 임상 워크플로우에의 적용을 통해 ReBA‑Pred‑Net을 더욱 확장할 여지가 있다.