Improving clinical interpretability of linear neuroimaging models through feature whitening

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 선형 모델 (Linear Models) 은 뇌 영상 데이터에서 질병과 관련된 생체 표지자 (Biomarker) 를 식별하기 위해 계산 신경영상 분야에서 널리 사용됩니다.
• 문제점: 학습된 가중치 (Weights) 를 해석하는 것이 어렵습니다. 뇌 영역 간의 강한 상관관계 (예: 좌우 반구의 대칭 구조, 같은 부위 내의 회백질 (GM) 과 뇌척수액 (CSF) 부피 간의 역상관) 로 인해 선형 가중치가 특정 부위의 고유한 기여도보다는 공유된 분산 (Shared Variance) 을 반영하게 됩니다.
• 결과: 이로 인해 임상적으로 의미 있는 통찰을 얻기 어렵고, 기존 "Forward Models"와 같은 사후 해석 기법들은 뇌 구조에 대한 사전 지식 (예: 반구 간 상관관계) 을 모델 적합 과정에서 명시적으로 반영하지 못한다는 한계가 있습니다.

2. 제안된 방법론 (Methodology)

이 연구는 뇌 영역 간의 알려진 상관관계를 활용하여 특성 백색화 (Feature Whitening) 기법을 도입하여 모델의 해석 가능성을 높이는 새로운 프레임워크를 제안합니다.

• 핵심 기법: ZCA-cor Whitening (Zero-Phase Component Analysis with Correlation)
  • 기존 PCA 나 ICA 와 달리, 차원 축소 (Dimensionality Reduction) 가 아닌 특성 해석 (Feature Interpretation) 을 목적으로 합니다.
  • 입력 신호를 유지하면서 상관관계를 제거 (Decorrelate) 하되, 원래 데이터의 구조를 최대한 보존하는 ZCA-cor 를 사용합니다.
  • 적용 대상:
    1. 좌우 반구 대칭 영역: 예를 들어, 좌측 편도체와 우측 편도체 간의 상관관계를 제거하여 반구별 고유 기여도를 분리합니다.
    2. 동일 부위 내 GM 과 CSF: 같은 뇌 영역 내 회백질과 뇌척수액 부피 간의 역상관 관계를 제거합니다.
• 정규화된 백색화 (Regularized Whitening):
  • 완전한 백색화 ($\alpha=1$) 가 질병 특유의 뇌 구조 연결 패턴 (예: 환자군에서 더 강한 좌우 상관관계) 을 제거할 수 있다는 우려를 해소하기 위해, $\alpha \in [0, 1]$ 파라미터를 도입하여 부분 백색화를 가능하게 합니다.
  • 이를 통해 클래스 관련 상관 구조를 보존하면서 불필요한 공선성만 제거합니다.
• 가중치 매핑 (Weight Mapping):
  • 백색화된 공간에서 학습된 가중치 ($\beta$) 를 원래 특성 공간으로 다시 투영하여 해석 가능한 가중치 ($\theta$) 를 도출합니다.
  • 수식: $\theta = W_{ZCA-cor}^T \beta$. 이 변환은 백색화 공간에서의 가중치 순서가 원래 공간에서도 유지되도록 보장합니다.
• 데이터셋 및 실험 설정:
  • 데이터: 양극성 장애 (BD) 및 조현병 (SCZ) 환자 vs 건강한 대조군 (HC) 분류를 위한 다기관 MRI 데이터 (BIOBD, BSNIP, SCHIZCONNECT-VIP).
  • 특성: CAT12 툴박스를 통해 추출된 140 개의 관심 영역 (ROI) 의 GM 및 CSF 부피 (총 280 개 특성).
  • 모델: 해석 가능성이 높은 로지스틱 회귀 (Logistic Regression) 사용.

3. 주요 기여 (Key Contributions)

1. 신경해부학적 지식을 활용한 백색화: 뇌의 해부학적 구조 (좌우 대칭, GM/CSF 역관계) 를 사전 지식으로 활용하여, 기존에 사용되지 않았던 신경영상 맥락에서 ZCA-cor 백색화를 적용했습니다.
2. 해석 가능성과 예측 성능의 동시 달성: PCA/ICA 와 달리 전체 입력 신호를 유지하면서 상관관계를 제거하므로, 예측 성능을 저하시키지 않으면서 모델 가중치의 임상적 타당성을 높였습니다.
3. 정규화 백색화 기법 제안: 질병에 따른 뇌 연결 패턴의 차이를 보존하기 위해 조절 가능한 정규화 파라미터 ($\alpha$) 를 포함한 새로운 백색화 변형을 제안했습니다.
4. ENIGMA 메타분석과의 정합성 향상: 도출된 모델 가중치가 기존 대규모 메타분석 (ENIGMA) 결과와 더 잘 일치하도록 개선되었습니다.

4. 실험 결과 (Results)

• 분류 성능 (Predictive Performance):
  • 백색화를 적용한 모델과 적용하지 않은 모델 간의 분류 성능 (ROC-AUC, Balanced Accuracy) 에 통계적으로 유의미한 차이가 없었습니다 (BD 및 SCZ 모두 $p > 0.05$).
  • 결론: 백색화는 예측 정확도를 해치지 않습니다.
• 특성 분리 (Feature Disentanglement):
  • 상관 행렬 분석 결과, 백색화 후 좌우 반구 대칭 영역 간의 상관관계가 현저히 감소했고, GM 과 CSF 간의 역상관도 완화되었습니다.
  • 분산이 반구 간에 더 균일하게 분포하고 구형 (Spherical) 분포를 따르게 되었습니다.
• 해석 가능성 향상 (Interpretability):
  • BD (양극성 장애): 백색화 후 가중치가 문헌 (ENIGMA) 에서 보고된 피질 및 피하 영역 (뇌실, 해마, 시상, 편도체 등) 과의 상관관계를 강화했습니다.
  • SCZ (조현병): 해마, 하측 측두회, 방추형회, 측뇌실 등 핵심 영역의 순위가 개선되었습니다.
  • 전체적으로 백색화를 통해 모델이 도출한 ROI 중요도가 생물학적 타당성 (Biological Plausibility) 을 갖추게 되었습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 임상적 의의: 선형 신경영상 모델의 가중치를 단순히 통계적 유의성으로만 보는 것을 넘어, 실제 신경생물학적 메커니즘과 연결할 수 있는 견고한 프레임워크를 제공합니다.
• 방법론적 확장: 현재는 선형 모델에 적용되었으나, 이 접근법은 심층 신경망 (Deep Neural Networks) 과 같은 복잡한 아키텍처로 확장될 수 있는 잠재력을 가집니다.
• 차별점: 기존 신경영상에서의 백색화 (EEG/fMRI 노이즈 제거 또는 PCA 기반 차원 축소) 와 달리, 특성 해석 (Feature Interpretation) 을 목적으로 뇌 구조 지식을 통합하여 적용한 최초의 연구 중 하나입니다.

이 연구는 뇌 영상 기반 머신러닝 모델의 "블랙박스" 문제를 해결하고, 임상적으로 신뢰할 수 있는 생체 표지자를 발견하는 데 중요한 기여를 합니다.