뇌 상태 분류를 위한 fMRI 데이터의 앙상블 기반 그래프 표현

초록

본 논문은 fMRI 시계열을 이용해 각 뇌 영역 쌍마다 확률 기반 분류기를 학습하고, 두 상태에 대한 사후 확률 차이를 엣지 가중치로 하는 앙상블 그래프를 제안한다. 7개의 HCP 작업에서 평균 97100%의 정확도를 달성했으며, 전통적인 피어슨 상관 그래프보다 GNN 적용 시 6298% 대비 88~99%로 일관된 성능 향상을 보였다. 엣지 가중치가 상태 증거를 직접 의미하므로 해석 가능성도 높다.

상세 분석

이 연구는 fMRI 데이터의 기능적 연결성을 표현하는 새로운 패러다임을 제시한다. 기존의 피어슨 상관계수 기반 그래프는 단순히 선형 상관성을 측정하지만, 본 논문의 앙상블 그래프는 각 엣지를 독립적인 이진 확률 분류 문제로 전환한다. 구체적으로, 두 뇌 영역 i와 j의 시계열에서 추출한 k개의 간단한 특징(예: 평균, 표준편차, 상관계수 등)을 입력으로 로지스틱 회귀, 나이브 베이즈 등 경량 모델을 학습시켜 P(state = 2|features)와 P(state = 1|features)를 추정한다. 두 확률의 차이 w_ij = P2 – P1은 –1에서 +1 사이의 값으로, 양수는 상태 2에, 음수는 상태 1에 대한 증거를 의미한다. 이렇게 각 엣지마다 독립적인 모델을 학습한 뒤 평균을 취해 하나의 “앙상블” 그래프를 만든다.

그래프 구축 단계는 두 가지 파셜레이션 전략(전체 영역 평균 시계열, 첫 번째 주성분)과 두 종류의 그래프(앙상블 vs 상관)로 나뉜다. 이후 두 가지 다운스트림 모델을 적용한다. 첫 번째는 각 노드의 평균 인시던트 엣지 가중치 d_i = (1/(N‑1))∑_j w_ij 로 차원을 N(=379)으로 축소한 뒤 로지스틱 회귀를 학습한다. 이 방법은 O(N²) 정보를 O(N)으로 압축하면서도 높은 정확도를 유지한다. 두 번째는 전체 완전 그래프를 그대로 입력으로 하는 Graph Neural Network(GCN 기반)이다. 동일한 GNN 아키텍처를 앙상블 그래프와 상관 그래프에 적용했을 때, 앙상블 그래프가 전반적으로 10~30 퍼센트포인트 높은 정확도를 보였다.

통계적 검증은 4‑fold 교차검증과 부트스트랩 신뢰구간을 활용해 모델 간 차이가 우연이 아님을 확인하였다. 특히 감정 처리(task)와 도박(task)에서 가장 큰 성능 격차가 나타났으며, 이는 두 상태 간 뇌 활성 차이가 뚜렷해 확률 기반 엣지 가중치가 더 민감하게 반응했기 때문으로 해석된다.

해석 가능성 측면에서, w_ij가 직접적인 상태 증거를 제공하므로 특정 영역이나 연결이 어떤 상태에 기여하는지 시각화가 용이하다. 논문에서는 평균 엣지 가중치 행렬 히트맵과 Fruchterman–Reingold 레이아웃을 이용해 “story” vs “math” 조건을 비교했으며, 특정 영역이 양극화된 가중치를 보이는 것을 확인했다. 이는 기존 상관 그래프에서는 발견하기 어려운 미세한 차이를 드러낸다.

한계점으로는 현재 이진 분류에 초점을 맞추었으며, 다중 클래스나 회귀 문제에 대한 실험이 부족하다. 또한 베이스 모델이 경량이므로 복잡한 비선형 관계를 충분히 포착하지 못할 가능성이 있다. 향후 연구에서는 더 강력한 베이스 모델(예: 작은 신경망)과 동적 윈도우 기반 특징을 도입해 시간‑변화성을 반영하거나, GNN 구조를 최적화해 성능을 더욱 끌어올릴 여지가 있다.