다중 사이드뷰를 활용한 뇌 네트워크 서브그래프 선택 및 신경질환 진단

본 논문은 뇌 네트워크와 같은 복합 구조 데이터를 분석할 때, 그래프 자체 정보만을 이용하는 전통적 서브그래프 마이닝 접근법의 한계를 지적한다. 특히 신경질환 진단과 같이 데이터 샘플 수가 제한적인 상황에서는 그래프만으로는 충분한 판별력을 확보하기 어렵다. 저자들은 이러한 문제를 해결하기 위해 ‘사이드뷰’라 불리는 다중 부가 정보를 활용한다. 사이드뷰는 임상 기록, 면역·혈청 검사, 인지 테스트 등 벡터 형태로 제공되는 다양한 의료 측정치를 의미한다. 논문 초반에서는 이러한 사이드뷰가 라벨(질병 여부)과 통계적으로 유의미한 연관성을 갖는지를 두 표본 t‑검정으로 검증한다. 모든 뷰에서 p‑값이 매우 낮게 나타나, 동일 라벨을 가진 피험자 간 유사성이 높다는 가설이 입증된다. 이후 저자들은 서브그래프 선택을 위한 최적화 문제를 공식화한다. 그래프 데이터 D={G₁,…,Gₙ}와 라벨 y, 그리고 v개의 사이드뷰 Z^{(p)}(p=1…v)를 정의하고, 각 사이드뷰에 대해 RBF 커널 κ^{(p)}를 적용해 유사도 행렬을 만든다. 서브그래프 g_i의 존재 여부를 나타내는 이진 벡터 f_i를 사용해, 서브그래프 집합 S의 평가 점수인 gSide를 다음과 같이 정의한다: gSide(g_i)=∑_{p=1}^{v} λ^{(p)}·f_i^T·L^{(p)}·f_i, 여기서 L^{(p)}는 κ^{(p)} 기반 라플라시안 행렬이며 λ^{(p)}는 뷰 가중치이다. gSide는 서브그래프가 사이드뷰와 라벨 구분에 얼마나 기여하는지를 정량화한다. 효율적인 탐색을 위해 저자들은 gSide의 하한을 유도하고, 이를 이용해 브랜치‑앤‑바운드 탐색을 수행하는 gMSV 알고리즘을 설계한다. 알고리즘은 빈도 기준(minsup)으로 초기 후보 서브그래프를 제한하고, 탐색 트리에서 현재 노드의 gSide 하한이 목표 상한보다 낮으면 해당 서브트리를 전면 차단한다. 이렇게 함으로써 전체 서브그래프 공간을 완전 열거하지 않고도 최적에 근접한 서브그래프 집합 T*를 찾는다. 실험은 시카고 초기 HIV 감염 연구 데이터를 사용한다. 56명의 HIV 양성 환자와 21명의 음성 대조군을 대상으로 fMRI와 DTI 기반 90노드 뇌 네트워크를 구축했으며, 7개의 사이드뷰(신경심리 검사, 흐름 세포측정, 플라즈마 리우멕스, freesurfer, 전체·국소 뇌 미세구조, 뇌 부피)를 수집했다. 각 사이드뷰는 min‑max 정규화 후 RBF 커널을 적용하였다. gMSV는 기존의 gSpan 기반 서브그래프 마이닝, 그리고 사이드뷰를 단순히 뒤에 결합하는 방식에 비해 평균 5.3%~8.1% 높은 분류 정확도를 기록했으며, 탐색 시간도 평균 38% 감소하였다. 또한 선택된 서브그래프는 의학적 해석이 가능하여, 특정 뇌 영역 간 연결 변화가 임상·면역·인지 지표와 연관됨을 보여준다. 결론적으로, 본 연구는 다중 사이드뷰를 활용한 서브그래프 선택이 그래프 기반 질병 진단의 성능을 크게 향상시킬 수 있음을 실증한다. gSide와 gMSV는 사이드뷰와 그래프 구조 사이의 상호 보완적 정보를 효율적으로 통합하는 프레임워크로, 향후 다른 의료 그래프 데이터나 소규모 샘플 환경에서도 적용 가능성이 높다.