기술 요약: PRISM – 해석 가능한 형상 모델링을 위한 3D 확률적 신경 표현

1. 문제 정의

통계적 형상 모델링(SSM)은 해부학적 기하학의 분포를 포착하여 생물학적 변이를 정량화하는 것을 목표로 한다. 의료 연구에서 중요한 과제는 연속적인 공변량(예: 연령 $t$)에 반응하여 해부학적 구조가 어떻게 진화하는지 모델링하면서, 동시에 공간적으로 변화하는 불확실성을 정량화하는 것이다. 기존 방식들은 다음과 같은 중대한 한계점을 가진다:

• 결정론적 모델: NAISR와 같은 방법들은 고정밀 조건부 생성을 달성하지만, 근본적으로 결정론적이어서 신뢰도나 집단 분산을 정량화할 수 없는 점 추정치만을 제공한다.
• 고전적 통계적 아틀라스: 미분 동형 사상(예: LDDMM)에 기반한 접근 방식은 파라미터 공간(예: 초기 모멘텀)에서 변이성을 모델링한다. 그러나 이 불확실성을 이미지 도메인으로 전파하여 해부학적 구조 상의 점 단위 알레아토릭(aleatoric) 불확실성 지도를 얻는 것은 분석적으로 다루기 어려우며, 일반적으로 계산 집약적인 수치적 리샘플링(예: 몬테카를로 방법)을 필요로 한다.
• 공백: 이론적으로 근거가 있고, 공변량에 따라 매핑된 형태의 내재적 생물학적 모호성을 해부학적 공간으로 직접 투영하여, 공변량에 조건화된 공간 해상도의 불확실성 정량화를 가능하게 하는 폐쇄형(closed-form) 정식화 프레임워크가 부재하다.

2. 방법론

PRISM(Probabilistic Interpretable Shape Modeling)은 암시적 신경 표현(implicit neural representations)과 정보 기하학(information geometry)을 결합한다. 이 프레임워크는 형상의 진화를 공변량 $t$(예: 연대기적 연령)에 조건화된 연속적인 **이종 분산 가우시안 장(heteroscedastic Gaussian field)**으로 모델링한다.

2.1. 조건부 형상 분포

프레임워크는 공통 템플릿 $T$로부터의 변위 필드 $\phi$로 표현되는 형상을 다룬다. 템플릿 지점 $p$와 공변량 $t$에 대하여, 변위 $d$는 다음과 같이 모델링된다:
$$d | p, t \sim \mathcal{N}(\mu(p, t), \Sigma(p, t))$$
여기서 $\mu(p, t)$는 평균 발달 궤적이며, $\Sigma(p, t)$는 전체 집단 변동성을 포착한다.

• 아키텍처: 좌표 기반 신경망 $f(\cdot)$가 $\mu$와 $\Sigma$의 촐레스키 인자(Cholesky factor) $L$ ($\Sigma = LL^\top$ 임을 만족하는)를 매개변수화한다.
• 분해: 식별 가능성(identifiability)을 보장하기 위해 모델은 공변량에 의해 유도된 항과 공변량 독립적인 잔차를 분리한다.
• 학습: 분산 가중 그래디언트에 의한 평균 추정 편향을 피하기 위해, PRISM은 2단계 커리큘럼을 채택한다. 이는 평균 브랜치($\mu$)를 $\ell_1$ 손실로 학습시키고, 공분산 브랜치($\Sigma$)를 음의 로그 가능도(NLL) 손실로 학습시켜 그래디언트 전파를 격리하며, 공동 최적화 전 웜업 단계를 거친다.

2.2. 내재적 시간 추정

프레임워크는 연대기적 시간 $t$와 구별되는 실제 발달 진행을 나타내는 잠재 변수인 내재적 시간(intrinsic time) $\tau$를 도입한다.

• 역 인코더: 암모티즈된 역 인코더(amortized inverse encoder) $g(\cdot)$는 국소적 관측값(템플릿 지점 $p$와 변위 $d$)을 직접 추정된 내재적 시간 $\hat{\tau}$로 매핑하도록 학습된다.
• 학습: 인코더는 순방향 모델에 의해 생성된 합성 삼중항 $(p, d, \tau)$를 사용하여 $\ell_1$ 손실을 최소화하며 학습된다. 이를 통해 반복적인 테스트 타임 최적화 없이도 해부학 전반에 걸쳐 조밀한 시간적 추론이 가능하다.

2.3. 시간적 불확실성 정량화

PRISM은 피셔 정보(Fisher Information) 메트릭을 사용하여 내재적 시간 추정의 불확실성을 정량화한다.

• 이론적 기초: 집단 평균 내재적 시간이 연대기적 시간과 같다($E[\tau] = t$)는 가정하에, 크라메르-라오(Cramér-Rao) 부등식은 추정량의 분산이 피셔 정보의 역수로 제한됨을 명시한다: $\text{Var}(\tau) \geq 1/I(p, t)$.
• 폐쇄형 메트릭: 이종 가우시안 모델에 대해, 피셔 정보는 다음 두 가지 항으로 분해되는 폐쇄형 표현을 갖는다:
  1. $I_\mu$ (평균 항): 평균 궤적의 진화로부터 오는 정보.
  2. $I_\Sigma$ (공분산 항): 집단 분산의 변화로부터 오는 정보.
• 선택: 저자들은 내재적 시간의 불확실성 메트릭으로 $I_\mu$만을 유지한다. 그들은 $I_\Sigma$가 집단의 다양성에 대해서는 통계적으로 유익하지만, 개별 개체를 평균 발달 궤적 상의 위치로 국소화하려는 목적에는 직교(orthogonal)한다고 주장한다.
• 계산: 메트릭은 자동 미분을 통해 학습된 평균 궤적 $\frac{\partial \mu}{\partial t}$와 공분산 $\Sigma^{-1}$을 통해 분석적으로 계산되며, 샘플링 분산을 피한다.

2.4. 응용 분야

통합된 프레임워크는 다음을 지원한다:

• 연속적 형상 궤적: 임의의 시공간 해상도에서 규범적 집단 분포를 생성한다.
• 내재적 시간 추정: 전역적 또는 국소적 발달 단계를 추론한다.
• 개인화된 종단적 예측: 피험자의 시간적 z-score가 일정하게 유지된다고 가정하여 미래의 형상을 예측한다.
• 분포 외(OOD) 탐지: 국소적 내재적 시간이 해부학 전체 중앙값보다 현저히 뒤처지는 영역(예: 성문 하 협착)을 식별함으로써 이상 징후를 탐지한다.

3. 주요 기여

1. 조건부 확률적 암시적 장(Conditional Probabilistic Implicit Field): 횡단적 데이터로부터 평균 발달 궤적과 공간적으로 변화하는 집단 변동성을 공동으로 모델링하는 프레임워크.
2. 폐쇄형 피셔 정보 메트릭: 자동 미분을 통한 효율적인 국소 불확실성 정량화를 위한 분석적 추적 가능 방법을 제공하여, 몬테카를로 리샘플링의 필요성을 제거함.
3. 암모티즈된 역 인코더: 테스트 타임 최적화 없이 국소적 형상으로부터 내재적 발달 시간을 추정하는 메커니즘을 제공하여 조밀한 시간적 추론을 가능하게 함.

4. 실험 결과

실험은 세 가지 합성 데이터셋(Starman G/L, ANNY)과 하나의 임상 데이터셋(소아 기도)에서 수행되었다.

• 평균 궤적 재구성: PRISM은 재구성 오차(Chamfer, Hausdorff, Earth Mover's Distance) 측면에서 베이스라인 A-SDF 및 NAISR와 대등하거나 우수한 성능을 보였다. 또한 희소한 데이터로부터 전역적 추세를 효과적으로 회복했다.
• 내재적 시간 추정:
  • 전역적: PRISM의 암모티즈된 추론은 테스트 타임 최적화(TTO) 베이스라인보다 10배 이상 빨랐으며, 정확도는 대등한 수준을 유지했다.
  • 국소적: Starman (L) 데이터셋에서, PRISM은 베이스라인이 갖지 못한 능력인 공간적으로 변화하는 내재적 시간(팔 vs 다리)의 거의 완벽한 추정을 독보적으로 달성했다.
• 불확실성 정량화: 정답(ground truth)이 있는 합성 데이터에서, PRISM이 예측한 95% 신뢰 구간은 실제 조건부 분포와 밀접하게 일치했다. 임상 기도 데이터에서도 불확실성 밴드가 공간적으로 변화하며, 혀 기저부와 같이 변동성이 높은 연조직 영역을 정확히 식별했다.
• 개인화된 예측: PRISM은 종단적 예측 작업에서 베이스라인보다 우수한 성능을 보였으며, 훈련 범위를 벗어난 영역에서도 견고한 외삽 능력을 입증했다.
• OOD 탐지: 국소 스코어링(local scoring)을 적용한 PRISM은 병리적 기도 협착을 탐지하는 데 있어 모든 전역 시간(global-time) 방식보다 유의미하게 높은 성능(AUC 0.875 vs 0.605 for NAISR)을 보였다. 이는 국소적 발달 편차를 포착하는 데 있어 전역적 접근 방식의 한계를 강조한다.

5. 의의 및 주장

본 논문은 PRISM이 불확실성을 고려한 통계적 형상 분석을 위한 최초의 암시적 신경 표현 프레임워크라고 주장한다. 그 의의는 다음과 같다:

• 해석 가능성: 해부학적 구조 위에 직접적으로 공간적으로 연속적이고 임상적으로 의미 있는 불확실성 추정치를 제공한다.
• 효율성: 수치적 리샘플링에 비해 계산적으로 효율적인 시간적 불확실성에 대한 폐쇄형 솔루션을 제공한다.
• 다양성: 단일 확률 모델 내에서 형상 진화 모델링부터 개인화된 예측, 이상 탐지에 이르기까지 다양한 작업을 처리할 수 있는 통합된 프레임워크임을 입증한다.
• 임상적 유용성: 생리적 변이와 병리적 상태를 구분하는 것이 중요한 소아 기도 분석에 이러한 개념들을 성공적으로 적용하였다.

저자들은 단일 스칼라 공변량에 대한 현재의 의존성과 퇴행성 질환에 대한 장기 예측을 위한 추가 검증의 필요성 등 한계점을 언급하였다. 또한 임상적 적용을 위해서는 대상 인구에 대한 외부 검증이 필요하며, 개별 변이가 공변량에 의한 변이에 근접할 때 예측 결과를 주의 깊게 해석해야 한다고 강조한다.