뇌발달 장애 진단을 위한 라플라시안 통합 메커니즘 LUMINA

본 연구는 기능적 자기공명영상(fMRI)을 이용한 신경발달 장애(ADHD, ASD) 진단에 그래프 신경망(GNN) 적용 시 발생하는 구조적 한계를 극복하고자 한다. 기존 GCN은 그래프 라플라시안을 기반으로 한 저역통과 필터 특성 때문에 노드 간 특성의 스무딩을 반복적으로 수행한다. 이 과정에서 뇌 연결망의 고주파 성분, 즉 지역 간 급격한 차이나 부호(양/음) 정보가 소실되어, 질환 구별에 중요한 이질적 패턴을 놓치게 된다. 이를 해결하기 위해 저자들은 LUMINA(Laplacian‑Unifying Mechanism for Interpretable Neurodevelopmental Analysis)라는 새로운 프레임워크를 제안한다. 1. **데이터 전처리 및 입력 구성** - 각 피험자의 rs‑fMRI 시계열(111 ROI, 140 타임포인트)을 HO(Harvard‑Oxford) atlas 기반으로 평균화하고, 피어와이즈 피어슨 상관을 계산해 N×N(111×111) 기능 연결 행렬 R을 만든다. - R을 양극형 ReLU 두 번 적용해 양성 연결 A₊=ReLU(R)와 음성 연결 A₋=ReLU(−R)로 분리한다. 이는 기존 연구에서 절대값(|R|)이나 양성 임계값(max(0,R))만 사용해 사라진 부호 정보를 복원한다. 2. **이중 스펙트럼 라플라시안 필터링** - 정규화 라플라시안 𝐿̂=I−D^{−1/2}AD^{−1/2}를 기반으로 두 종류의 필터를 정의한다. * **스무딩 필터(L_smooth = I + 𝐿̂)** : 저역통과 역할, 노드 특성의 평균화. * **차별 필터(L_diff = I − 𝐿̂)** : 고역통과 역할, 이웃 간 차이 강조. - 각각을 A₊와 A₋에 적용해 네 개의 라플라시안 맵(L_smooth⁺, L_diff⁺, L_smooth⁻, L_diff⁻)을 생성한다. 이 네 스트림은 “양극·음성 × 저역·고역”이라는 2×2 구조를 이루며, 뇌 연결망의 모든 스펙트럼 정보를 보존한다. 3. **멀티스케일 지역 믹서** - 1D dilated convolution을 d={1,2,5}로 설정해 ROI 간 장·단거리 상관을 동시에 포착한다. 이는 전통적인 GCN이 전역 평균에만 의존하는 한계를 보완한다. 4. **Quad‑Stream GCN 및 뷰 어텐션** - 네 개의 라플라시안 맵 각각에 독립적인 GCN 스트림을 적용한다. 각 스트림은 입력 특징 H(ROI × d_in)와 라플라시안 L_k를 곱해 Z_k = L_k·H·W_k 로 변환한다. - Z_k에 대해 2‑layer MLP와 tanh 활성화를 거쳐 어텐션 스코어 e_k를 계산하고, softmax를 통해 가중치 α_k를 얻는다. 최종 공간 특징 H_spatial은 α_k·Z_k의 가중합으로 합성된다. 이 과정은 각 스펙트럼 스트림이 데이터에 따라 동적으로 중요도를 조정하도록 만든다. 5. **Edge Attention Pooling 및 분류** - H_spatial을 Edge Attention Pooling 레이어에 입력해 노드 수준 특징을 그래프 수준 벡터로 집계한다. 이후 2‑layer MLP를 통해 ADHD와 ASD 라벨을 예측한다. 6. **실험 설정 및 결과** - 데이터: ADHD‑200(N=144)와 ABIDE(N=579) rs‑fMRI, 각각 5‑fold 교차검증, 라벨 균형 유지. - 비교 모델: 기본 GCN, GAT, BrainNetCNN, BrainGNN. 입력은 |R| 절대값 처리. - 하이퍼파라미터: d_in=d_out=d_hidden=48, 레이어 L=3, 학습률 2e‑4, Adam, weight decay 1e‑2. - 성능: LUMINA는 ADHD‑200에서 84.66% (F1 0.861), ABIDE에서 88.41% (F1 0.936)를 달성, 모든 베이스라인을 앞선다. 특히 GAT와 BrainNetCNN이 83% 수준에 머물렀던 반면, LUMINA는 4~5%p 상승했다. 7. **소거 실험(Ablation)** - **B/R 제거**(절대값 사용): ADHD 정확도 25.76% 감소, ABIDE는 큰 변화 없음. - **D/L 제거**(단일 라플라시안): 두 데이터셋 모두 2~3%p 감소. - **NeuroGraph Block 제거**: ADHD 21.96%p, ABIDE 18.01%p 감소. - **전체 제거**(Baseline): 가장 큰 성능 저하를 보이며, 각 구성 요소가 상호 보완적임을 입증한다. 8. **사후 해석(Integrated Gradients)** - ADHD: 상위 5개 가장 큰 연결은 주로 Somatosensory Network(SMN)와 Central Executive Network(CEN) 사이의 과잉 연결을 나타낸다. 이는 기존 연구에서 ADHD 환자의 억제 기능 저하와 일치한다. - ASD: 상위 5개는 CEN, Limbic Network(LN) 등에서 저연결이 관찰되며, 사회·정서 통합에 관련된 네트워크의 이질적 파괴를 시사한다. 9. **결론 및 향후 연구** - LUMINA는 라플라시안 기반 이중 스펙트럼 필터와 양극형 비선형성을 결합해 뇌 연결망의 모든 주파수·부호 정보를 보존한다. 이는 진단 정확도 향상뿐 아니라, 각 스트림에 대한 어텐션 가중치를 통해 모델 해석성을 제공한다. - 향후 연구에서는 다른 신경정신 질환(예: 조현증, 양극성 장애)으로 확장하고, 멀티모달(구조 MRI, 유전 데이터) 통합을 통해 더욱 정교한 바이오마커 탐색을 목표로 할 수 있다.