End-to-end Stroke imaging analysis, using reservoir computing-based effective connectivity, and interpretable Artificial intelligence

인간의 뇌는 정적인 부품들의 집합체가 아니라, 서로 다른 영역 사이로 정보가 끊임없이 이동하는 역동적이고 흐르는 네트워크입니다. 뇌가 어떻게 작동하는지, 그리고 부상 시 어떻게 기능이 저하되는지를 이해하기 위해 과학자들은 세 가지 유형의 연결성을 살펴봅니다. 구조적 연결성(Structural connectivity)은 도로 그 자체와 같은 물리적 배선입니다. 기능적 연결성(Functional connectivity)은 서로 다른 영역들이 얼마나 자주 동시에 활성화되는지를 측정하며, 이는 우연히 일치하는 교통 패턴과 유사합니다. 유효 연결성(Effective connectivity)은 한 단계 더 나아가, 어떤 영역이 실제로 다른 영역에 신호를 보내는지, 즉 정보의 흐름 속에서 인과관관계(cause-and-effect relationship)를 확립하는 것을 묻습니다. 뇌의 일부로 가는 혈류가 차단된 뇌졸중 환자의 경우, 이러한 네트워크가 교란됩니다. 손상은 단순히 조직에 구멍이 생기는 것과 같은 단순한 현상이 아닙니다. 그것은 전체 시스템으로 파동처럼 퍼져나가며, 뇌의 한쪽에서 다른 쪽으로 이동하는 정보의 방식을 변화시킵니다. 이러한 방향성과 타이밍의 구체적인 변화를 이해하는 것은 뇌졸중의 심각도를 진단하고 환자의 회복 가능성을 예측하는 데 매우 중요하지만, 전통적인 도구들은 이러한 복잡한 일방향적 흐름을 정확하게 매핑하는 데 어려움을 겪곤 합니다.

새로운 연구에서, 크라쿠프 AGH 대학교와 사노 계산 의학 센터(Sano Center for Computational Medicine)의 연구진은 이러한 인과적 흐름을 매핑하고 이를 사용하여 건강한 뇌와 뇌졸중으로 손상된 뇌를 구별할 수 있는 완전한 파이프라인을 개발했습니다. 연구팀은 104명의 뇌졸중 환자와 26명의 건강한 대조군으로부터 얻은 자기공명영상(MRI) 데이터를 사용했습니다. 이 스캔 데이터는 100개의 서로 다른 영역으로 나누어진 뇌의 활동을 시간에 따라 포착했습니다. 두 영역 사이의 단순한 양방향 관계를 가정하는 일반적인 방법 대신, 연구진은 '레저보어 컴퓨팅(reservoir computing)'이라는 특화된 계산 기법을 채택했습니다. 이 접근 방식은 뇌의 활동을 복잡한 시간 기반 시스템으로 취급하여, 컴퓨터가 한 영역의 신호가 다른 영역의 신호에 어떻게 영향을 미치는지 학습하게 함으로써 정보 흐 흐름의 방향을 효과적으로 재구성하도록 합니다. 그 결과, 각 개인의 '유효 연결성'을 나타내는 상세한 지도가 만들어졌으며, 이는 화살표를 통해 어떤 뇌 영역이 다른 영역의 활동을 주도하는지를 정확히 보여주는 유향 그래프(directed graph) 형태로 표현되었습니다.

이러한 지도들이 생성된 후, 연구진은 네트워크를 분석하도록 설계된 인공지능의 일종인 '그래프 합성곱 신경망(graph convolutional neural network)'에 이들을 입력했습니다. 목표는 컴퓨터가 오직 이러한 방향성 지도만을 근거로 뇌졸중 환자의 뇌 네트워크와 건강한 대조군의 뇌 네트워크를 구별해낼 수 있는지 확인하는 것이었습니다. 시스템은 성공적이었으며, 표준 성능 척도에서 0.69의 점수로 그룹을 정확히 식별해 냈습니다. 이 수치가 다소 낮게 들릴 수도 있지만, 그랜저 인과관계(Granger causality)와 같이 더 낮은 점수를 기록했던 기존의 통계 기술들에 비하면 이는 상당한 개선입니다. 연구는 새로운 레저보어 컴퓨팅 접근 방식이 전통적인 방식보다 뇌의 교란된 네트워크의 미묘한 차이를 더 잘 포착했으며, 특히 좌우 반구 사이의 균형이 환자들에게서 어떻게 깨졌는지를 밝혀내는 데 탁월했음을 명시적으로 보여주었습니다.

이 연구에서 가장 가치 있는 부분은 단순히 분류를 해낸 것이 아니라, 컴퓨터가 왜 그러한 결정을 내렸는지 설명할 수 있다는 점이었습니다. 연구진은 LIME이라는 도구를 사용하여 인공지능의 '사고 과정' 내부를 들여다보고, 어떤 특정 뇌 연결이 뇌졸중을 식별하는 데 가장 중요한지를 확인할 수 있었습니다. 그들은 환자들에게서 가장 뚜렷한 장애 징후가 뇌의 주의력 시스템의 상단과 하단 모두에 위치한 네트워크에서 발견된다는 것을 발견했습니다. 반면, 건강한 대조군은 시각 및 언어 네트워크의 온전함에 의해 식별되었습니다. 이러한 발견은 실어증(aphasia)과 같이 언어 처리 능력이 손상되는 뇌졸중 증상에 대한 알려진 사실과 일치합니다. 이 연구는 뇌졸중의 위치가 매우 중요하다는 점을 시사합니다. 즉, 우측 뇌에 손상을 입은 환자들은 양측 반구 간의 대칭적 의사소통에서 더 심각한 단절을 보였는데, 이는 우측 뇌가 언어와 관련성이 적고 부상의 여파로 인한 영향을 더 많이 받기 때문인 것으로 보입니다.

연구진은 이것이 '엔드 투 엔드(end-to-end)' 프레임워크라는 점을 강조합니다. 즉, 인간 전문가가 모든 연결을 수동으로 추적할 필요 없이 원시 뇌 스캔 데이터를 명확하고 해석 가능한 진단으로 변환한다는 의미입니다. 뇌의 여러 위치에서 뇌졸중이 발생하는 이질적인 데이터셋이었음에도 불구하고, 시스템은 장애의 공통된 실마리를 찾아냈습니다. 이 연구는 뇌졸중 진단을 해결했다고 주장하거나 이 도구가 병원에서 즉시 사용될 준비가 되었다고 제안하는 것이 아닙니다. 대신, 이 연구는 고급 인과 모델링과 설명 가능한 인공지능을 결적으로 결합함으로써 뇌 손상의 숨겨진 메커니즘을 밝혀낼 수 있는 실행 가능한 경로를 보여준다는 점을 입증합니다. 복잡한 신경 영상 데이터를 단절된 연결의 시각적 지도로 변환함으로써, 이 작업은 뇌가 어떻게 기능 부전에 빠지는지를 이해하는 새로운 방법을 제시하며, 향-후 환자를 분류하고 맞춤형 치료를 제공하는 데 있어 더 나은 방식을 제안합니다.