뇌 네트워크 이상 예측을 위한 고차원 그래프 자동인코더와 초구 분포 모델

본 논문은 뇌 기능 연결망을 그래프 형태로 모델링하고, 비정상적인 연결을 예측·복원하기 위한 새로운 딥러닝 프레임워크를 제안한다. 연구 배경으로는 rs‑fMRI가 뇌의 동적 연결성을 포착하는 주요 도구이며, 건강한 뇌와 병변이 있는 뇌 사이의 연결 패턴 차이가 미세하지만 중요한 진단 정보를 제공한다는 점을 들었다. 기존의 그래프 기반 분석은 주로 정적·유클리드 공간에 국한돼 있어, 비유클리드 구조를 효과적으로 다루기 어렵다는 한계를 지적한다. 제안 방법은 크게 네 부분으로 구성된다. 첫째, ADNI 데이터베이스에서 수집한 rs‑fMRI 데이터를 전처리하여 각 피험자마다 n × n 크기의 기능적 연결 행렬을 만든다. 이 행렬은 가중치가 부여된 무방향 그래프 G = (V, E, W)로 변환되며, 각 노드에는 d_y 차원의 특징 벡터가 할당된다. 둘째, 그래프 컨볼루션 네트워크(GCN)를 이용해 노드 특징을 지역적으로 집계하고, 다중 스케일 필터링을 통해 1‑order와 2‑order 근접성을 동시에 학습한다. 여기서 필터 H는 그래프 인접 행렬 A의 다항식 형태로 정의되며, 실험에서는 3차까지 사용한다. 셋째, 변분 자동인코더(VAE) 구조를 그래프에 적용한 Graph Auto‑Encoder(GAE)를 설계한다. 인코더 q_Φ(Z|G)는 그래프를 연속적인 잠재 공간 Z에 매핑하고, 디코더 p_θ(G|Z)는 잠재 벡터로부터 완전 연결 그래프 Ğ를 재구성한다. 중요한 차별점은 잠재 공간의 사전분포를 Gaussian이 아닌 Von Mises‑Fisher(VMF) 초구 분포로 설정한 것이다. VMF는 단위 구면 위에 질량을 집중시켜, 방향성 정보를 보존하면서도 KL‑divergence가 사전과 posterior 사이의 수축 현상을 완화한다. 또한, GAE와 GAN을 결합한 하이브리드 손실 함수를 도입한다. 재구성 손실 L_r은 ‖Ğ − G‖²로 정의하고, KL‑divergence 손실 L_p는 q(z|G)와 P(Z) 사이의 차이를 측정한다. GAN 손실 L_G‑GAN은 디스크리미네이터 D가 실제 그래프와 합성 그래프를 구분하도록 학습시켜, 생성 그래프의 현실성을 높인다. 전체 손실은 L = L_r + λ₁L_p + λ₂L_G‑GAN 형태이며, λ₁, λ₂는 경험적으로 설정한다. 학습이 완료된 후에는 인코더와 GAN 디스크리미네이터를 폐기하고, 디코더만을 사용해 부분적으로 손상된 그래프(예: 질병에 의해 연결이 끊어진 영역)를 입력으로 받아 완전한 그래프를 생성한다. 이를 “partial graph completion”이라 부르며, 입력 그래프와 생성 그래프 사이의 차이를 최소화하는 잠재 벡터 z*를 탐색한다. 차이 측정은 unary, pairwise, high‑order 의존성을 모두 고려한 복합 비용 함수로 정의하고, 최적화는 이중 확률적 매트릭스와 라디얼 베이시스 함수(RBF)를 이용한 변형 정규화 항 γ(ζ)를 포함한다. 실험에서는 ADNI 데이터셋의 알츠하이머 환자와 정상 대조군을 대상으로 제안 모델의 성능을 평가한다. 결과는 기존 그래프 VAE, Graph Convolutional Autoencoder, 그리고 전통적인 머신러닝 기반 연결성 분석 방법보다 높은 정확도와 AUC를 보였다고 주장한다. 특히, 초구 분포를 사용한 경우 잠재 공간이 보다 구분 가능한 클러스터를 형성하여, 질병별 특징적인 연결 패턴을 효과적으로 추출한다는 점을 강조한다. 논문의 결론에서는 제안 프레임워크가 뇌 플라스티시티와 비정상 연결의 동시 발생을 시간적으로 추적할 수 있는 가능성을 제시한다. 또한, 고차원 기능 연결성 상태를 정량화함으로써, 향후 뇌 질환의 조기 진단 및 치료 효과 모니터링에 활용될 수 있음을 시사한다. 다만, 현재 연구는 제한된 데이터와 비교 실험 부족, 모델 파라미터에 대한 상세 보고가 결여돼 있어, 향후 연구에서는 보다 다양한 신경질환, 다중 모달리티 데이터(예: 구조적 MRI, DTI)와의 통합, 그리고 임상 적용을 위한 검증 절차가 필요하다고 제언한다.