뇌 기능 연결을 위한 집단 기반 공분산 선택: 개인 모델의 일반화 향상

본 논문은 인간 뇌의 자발적 활동을 측정하는 fMRI 데이터에서 전뇌 수준의 기능적 연결을 확률적 그래프 모델로 정량화하고, 이를 개인별로 일반화 가능한 형태로 추정하는 방법을 제시한다. 연구 배경으로는 자발적 뇌 활동이 재현 가능한 구조를 가지며, 이는 뇌의 모듈성 및 네트워크 특성을 반영한다는 점이 있다. 그러나 기존 연구에서는 제한된 샘플 수와 높은 잡음 수준 때문에 전체 뇌의 정밀한 공분산(또는 정밀도) 행렬을 추정하기가 어려웠으며, 특히 개인별 모델을 다른 피험자와 공유하기 어려웠다. 이를 해결하기 위해 저자들은 두 가지 핵심 전략을 채택한다. 첫 번째는 뇌 기능 연결을 다변량 정규 모델, 즉 정밀도 행렬 K로 표현하고, 이 행렬의 영 원소를 조건부 독립성으로 해석한다. 두 번째는 다중 피험자 데이터를 동시에 활용해 모든 피험자에게 공통된 희소 구조(즉, 동일한 영 원소 위치)를 강제하는 ℓ₂₁ 정규화(그룹 라소)를 도입한다. 수식 (2)에서 보듯, 각 피험자 s에 대해 K^{(s)}_{ij}를 같은 (i,j) 위치에 대해 ℓ₂ 노름으로 묶어 전체 손실에 추가함으로써, 특정 연결이 전체 집단에서 일관되게 존재하거나 사라지도록 만든다. 이는 “집단 사전”이라고 부를 수 있는 강력한 구조적 제약을 제공한다. 데이터는 20명의 건강한 피험자를 두 번씩 스캔한 휴식 상태 fMRI이며, 각 세션당 244개의 볼륨을 수집했다. 뇌 영역 정의는 해부학적 변동성을 반영한 확률적 아틀라스를 사용해 137개의 회백질 영역을 지정하였다. 전처리 단계에서는 화이트 매터, CSF, 움직임 회귀 등을 제거하고, 0.1 Hz 이하의 저주파 성분만을 보존하도록 저역통과 필터링을 적용했다. 필터링 컷오프 주파수는 Ledoit‑Wolf ℓ₂ 수축 추정기를 이용한 교차 검증으로 0.3 Hz가 최적임을 확인하였다. 모델 학습 및 평가 방법은 두 단계 교차 검증이다. 한 세션을 학습에 사용하고, 다른 세션의 로그우도(likelihood)를 측정한다. 정규화 파라미터 λ는 내부 교차 검증을 통해 최적화한다. 비교 대상은 (1) 샘플 상관행렬, (2) Ledoit‑Wolf ℓ₂ 수축, (3) ℓ₁ 라소, (4) 전체 데이터를 단순히 연결(concatenate)한 후 ℓ₁/ℓ₂ 추정, (5) 제안된 ℓ₂₁ 공동 정규화이다. 실험 결과, ℓ₂₁ 모델이 평균 로그우도 점수에서 가장 높은 성능을 보였으며, 특히 개인 데이터가 제한적인 상황에서 집단 사전이 큰 이점을 제공한다는 점이 강조된다. ℓ₁ 라소는 희소성을 부여하지만, 샘플 수가 부족할 때 과적합 위험이 크고, ℓ₂ 수축은 모든 연결을 균일하게 약화시켜 뇌 구조 해석에 부적합함을 확인했다. 추정된 정밀도 행렬을 기반으로 그래프 커뮤니티 탐지를 수행한 결과, 모듈성 높은 구조가 도출되었으며, 이 모듈들은 기존 연구에서 정의된 기본 인지 네트워크(시각, 전두엽, 기본 모드 등)와 높은 일치도를 보였다. 이는 조건부 독립성 기반 그래프가 뇌의 기능적 모듈성을 자연스럽게 포착한다는 중요한 증거이다. 알고리즘적 측면에서는 ℓ₂₁ 정규화를 볼록 최적화 문제로 전환하고, SPICE 알고리즘을 변형해 모든 피험자에 대해 O(S p³) 복잡도로 효율적으로 해결한다. 이는 기존의 NP‑hard 그래프 구조 선택 문제를 실용적인 수준으로 낮춘다. 또한, ℓ₂₁ 정규화가 ℓ₂ 수축보다 연결의 존재·부재를 명확히 구분해 뇌 구조 해석에 더 유용함을 실증한다. 결론적으로, 이 연구는 (1) 다중 피험자 데이터를 활용한 공동 희소성 사전, (2) 엄격한 교차 검증 기반 모델 선택, (3) 해부학적 변동성을 반영한 고품질 아틀라스 사용이라는 세 축을 결합해, 제한된 fMRI 데이터에서도 신뢰할 수 있는 전뇌 기능 연결 모델을 구축할 수 있음을 보여준다. 이러한 방법은 임상 연구에서 개인별 연결 패턴을 정량화하고, 조현증, 알츠하이머 등 뇌 질환에 특이적인 변화를 탐지하는 기반 기술로 활용될 가능성을 제시한다.