뇌 연결망 통합을 위한 계층적 다중스케일 구조기능 결합 프레임워크

이 연구는 구조적 연결망(SC)과 기능적 연결망(FC)의 통합을 위해 뇌의 계층적 모듈러 구조를 명시적으로 모델링하는 HiM‑SFC라는 새로운 그래프 신경망 프레임워크를 제안한다. 기존의 다중모달 연결망 통합 방법들은 주로 ROI 수준에서 단순히 특징을 결합하거나, 고정된 모듈 템플릿을 사용해 개인별 뇌 조직의 변이를 반영하지 못했다. 이를 해결하기 위해 저자들은 세 가지 핵심 구성 요소를 설계하였다. 첫 번째는 Prototype‑based Modular Pooling(PMPool)이다. 각 모달리티별로 독립적인 GNN 인코더를 두고, 그래프의 노드들을 프로토타입 ROI와의 거리 기반으로 클러스터링한다. 차별화 가능한 모듈러티 손실을 도입해 각 피험자의 연결망 특성에 맞는 최적의 커뮤니티 구조를 학습함으로써, 전통적인 고정 파라미터 기반 커뮤니티 탐지의 한계를 극복한다. 두 번째는 Attention‑based Hierarchical Coupling Module(AHCM)이다. 이 모듈은 두 단계의 주의 메커니즘을 사용한다. bidirectional attention은 같은 계층 내 SC와 FC 사이의 정렬을 강화하고, cross‑attention은 상위‑하위 계층 간의 상호작용을 포착한다. 결과적으로 구조와 기능이 서로 영향을 주고받으며, 다중스케일 결합 표현을 생성한다. 세 번째는 Coupling‑guided Clustering loss(CgC‑Loss)이다. AHCM에서 추출한 결합 강도를 이용해 SC와 FC의 커뮤니티 할당 행렬을 동시에 정규화한다. 이는 구조와 기능이 서로의 커뮤니티 형성을 제약하도록 하여, 개인화된 모듈 정렬을 가능하게 만든다. 실험에서는 네 개의 독립 코호트(노인 인구, 청년 인구, 알츠하이머 병, 조현병)에서 뇌 연령 예측, 인지 점수 회귀, 질병 분류라는 세 가지 과업을 수행하였다. HiM‑SFC는 기존의 Multi‑view GCN, Joint‑GCN, IMG‑GCN 등과 비교해 평균 3~7%p의 정확도 향상을 보였으며, 특히 알츠하이머와 조현병 데이터에서 구조‑기능 결합이 약화된 영역을 시각화함으로써 신경과학적 해석 가능성을 제공하였다. Ablation 실험에서는 PMPool, AHCM, CgC‑Loss 각각을 제거했을 때 성능이 크게 감소함을 확인했으며, 민감도 분석을 통해 프로토타입 수, 계층 깊이, 손실 가중치 등이 모델 성능에 미치는 영향을 정량화하였다. 최종적으로 저자들은 코드와 학습된 모델을 공개함으로써, 향후 다양한 뇌 연결망 연구와 임상 적용에 활용될 수 있는 기반을 제공한다.