기술 요약: 알츠하이머병 진행의 단계 인지적 인과 모델링을 위한 잠재 시간 임베딩 기반 베이지안 네트워크

1. 문제 정의

알츠하이머병(AD)의 진행은 전통적으로 아밀로이드-타우-신경퇴행(AT(N)) 캐스케이드(cascade)를 통해 개념화됩니다. 그러나 기존의 종단적 모델들은 두 가지 주요 한계점에 직면해 있습니다:

1. 고정된 순서 대 블랙박스 예측: 대부분의 모델은 AT(N) 캐스케이드를 고정된 순서로 보거나, 혹은 "블랙박스" 형태의 예측 작업으로 취급합니다. 이는 생물학적으로 유도된 관계가 미래의 국소적 병리 현상에 언제 영향을 미치는지에 대한 정보를 가립니다.
2. 단계 인지적 구조적 해석의 부재: 질병 단계를 잠재 축(latent axes)에 따라 정렬하는 모델들은 존재하지만, 이들은 일반적으로 기저(baseline) 바이오마커 프로필과 이후의 국소적 타우 변화 사이를 연결하는 사후 방향 효과(posterior-directed effects)를 추정하는 데 실패합니다. 반대로, 생물물리학적 전파 모델은 정적 역학을 가정하며, 머신러닝 모델은 단계별 메커니즘에 대한 생물학적 해석력을 결여하고 있습니다.

핵심 과제는 (미래 결과물을 사용하지 않고) 환자를 질병 단계별로 정렬하고, 초기 다중 모달 프로필을 미래의 국소적 타우 축적과 연결하며, 바이오마커 관계가 질병 타임라인에 따라 어떻게 변하는지를 명확히 하는 모델을 개발하는 것입니다.

2. 방법론: BN-LTE

저자들은 단계 인지적 모델링을 위해 설계된 베이지안 구조적 프레임워크인 **BN-LTE(Bayesian Networks with Latent Time Embedding)**를 제안합니다. 이 방법론은 세 가지 연결된 구성 요소로 이루어집니다.

A. 잠재 질병 시간 추정 (Latent Disease Time Estimation)

BN-LTE는 각 피험자에게 지표 방문 시점의 기저 바이오마커 프로필만을 사용하여 도출된 스칼라 질병 단계 좌표 $Z_i \in [0, 1]$를 할당합니다.

• 주요 접근법: 정규화된 훈련 행렬의 주성분(SVD를 통해)을 사용하여 점수를 [0, 1] 의사 시간(pseudotime) 척도로 매핑하며, 높은 값이 더 큰 병리적 부담을 나타내도록 방향을 설정합니다. 데이터 누수(data leakage)를 방지하기 위해 지역적 타우-PET 타겟과 pTau217은 이 과정에서 제외됩니다.
• 대안 변형: 생물학적 방향성과 AT(N) 순서에 의해 제약된 매끄러운 궤적을 추정하는 AT(N)-단조 잠재 시간 모델이 평가되어, 선형 스테이징 축에 대한 메커니즘적 감사를 수행합니다.

B. AT(N) 제약 조건이 있는 전이 그래프 (AT(N)-Constrained Transition Graph)

이 프레임워크는 생물학적으로 허용 가능한 AT(N) 순서에 의해 제약된 유향 비순환 그래프(DAG)를 정의합니다.

• 계층화: 변수들은 $Root \prec Fluid \prec Pathology \prec Neurodegeneration \prec Clinical$ 순으로 정렬됩니다.
• 구조: 루트 변수(연령, 성별, 교육, APOE $\varepsilon$4)와 체액성 바이오마커는 잠재적 부모(parent) 역할을 합니다. 임상 변수는 싱크(sink)로 취급됩니다. 지역적 자기 이력($Y^0_{ij}$)은 별도로 모델링됩니다.
• 인수분해: 모델은 지역적 타우 축적률($R_{ij}$)의 확률을 기저 측정값, 자기 이력 및 잠재 질병 시간($Z_i$)에 대해 조건부로 인수분해합니다.

C. 사후 스플라인 가변 구조 방정식 (Posterior Spline-Varying Structural Equations)

고정된 계수 대신, BN-LTE는 질병 시간에 따른 부모 변수의 효과를 함수로 모델링합니다.

• 방정식: $R_{ij} = a_j(Z_i) + c_j(Z_i)Y^0_{ij} + b_j(Z_i)^\top X^0_{i, pa(j)} + \epsilon_{ij}$.
• 구현: 계수 함수($a_j, c_j, b_j$)는 큐빅 스플라인 기저(cubic spline bases)를 사용하여 확장됩니다. 이를 통해 바이오마커 관계가 잠재 질병 타임라인에 따라 부드럽게 강화되거나 약화될 수 있습니다.
• 추론: 공액 베이지안 회귀(Conjugate Bayesian regression)를 사용하여 구조 방정식의 해석적 사후 분포를 얻고, 이를 통해 효과 곡선과 엣지 활성(edge activity)의 불확실성을 정량화합니다.

D. 예측 및 개입 (Forecasting and Intervention)

모델은 미래의 타우 부담($\hat{Y}^1_i$)을 예측하며, 적합된 구조 방정식 내에서 참조 값을 사용하여 g-formula를 통한 **모델 함의적 개입(model-implied interventions)**을 지원합니다. 부모 변수를 참조 값으로 대체함으로써, 모델은 단계별 타우 축적률의 변화를 추정합니다.

3. 주요 기여

1. AT(N)-제약 베이지안 전이 네트워크: 사후 스플라인 가변 부모 효과가 잠재 질병 시간에 따라 바이오마커 관계가 어떻게 진화하는지를 특징짓는 프레임워크를 도입했습니다. 이는 AT(N) 캐스케이드를 고정된 순서가 아닌, 테스트 가능한 단계 가변적 구조 시스템으로 취급합니다.
2. 포괄적 평가: 반복적인 피험자 불일치 분할(repeated subject-disjoint splits)을 포함한 ADNI1 종단적 타우-PET 데이터(541명, 796쌍)로 BN-LTE를 평가했습니다. 여기에는 생물물리학, 머신러닝, 딥러닝, 그래프 학습 범주를 아우르는 12개의 최첨단 베이스라인과의 비교가 포함됩니다.
3. 단계 의존적 메커니즘의 발견: BN-LE는 미래 타우 축적에 대한 **아밀로이드 민감도의 중간 의사 시간 창(mid-pseudotime window)**을 실증적으로 식별했습니다. 이 결과는 사후 g-formula 대조, 루트 조정 AIPW(Augmented Inverse Probability Weighting), 메커니즘 민감도 절제 실험 및 스플라인과 사전 분포 사양에 대한 강건성 분석을 통해 검증되었습니다.

4. 실험 결과

정량적 성능

• 공간적 재구성: ADNI 벤치마크에서 BN-LTE는 최고의 델타 맵 스피어만 상관계수($\rho_\Delta = 0.84$)를 달성했으며, 평균 절대 오차(MAE) 및 Top-3 진행 포착 능력에서 2위를 기록했습니다.
• 비교: BN-LTE는 고정된 생물물리학적 전파 모델(예: Network Diffusion Model) 및 경쟁적인 딥러닝/그래프 학습 베이스라인보다 미래 타우 변화의 해부학적 조직과 방향을 보존하는 데 있어 우수한 성능을 보였습니다.
• 강건성: 규모가 더 작은 OASIS3 코호트에서도 BN-LTE 변형 모델은 매칭된 쌍이 적고 바이오마커 채널이 누락되었음에도 불구하고 경쟁력 있는 순위 기반 진행 신호를 유지했습니다.

메커니즘 통찰

• 중간 의사 시간 아밀로이드 창: 모델은 아밀로이드 민감도가 일정하지 않으며, 질병의 중간 단계에서 정점에 도달한다는 것을 식별했습니다. 이는 다음을 통해 확인되었습니다:
  • 절제 실험(Ablations): 의사 시간을 무작위로 섞거나 역전시키면 이 신호가 약화되었으나, AT(N)-단조 변형 모델은 이를 보존했습니다.
  • 개입 대조: 모델 함의적 아밀로이드 저하는 중간 의사 시간에서 가장 큰 축적률 감소($-0.0082$ SUVR/year)를 나타냈습니다.
  • 관측 검증: 단계별로 층화된 AIPW는 중간 의사 시간 층에서 가장 강력한 관측적 아밀로이드 연관성(ATE 0.0366)을 보여주었으며, 이는 개입 창과 일치합니다.
• 안정성: 아밀로이드 창 신호는 스플라인 기저 크기($K_B=3-6$) 및 사전 분포 척기의 변화에도 양의 값을 유지했으나, 부모 변수 선택(생물학적 경로)에는 민감했습니다.

캘리브레이션 (Calibration)

불확실성 캘리브레이션은 잔차 구조 가정(예: 노드별 대각 행렬 대 저계수 행렬)에 따라 달라졌으나, 점 예측(MAE, $\rho_\Delta$)은 안정적이었습니다. 모델은 표본 중첩이 충분한 초기-중기 질병 단계에서 신뢰할 수 있는 커버리지를 보여주었습니다.

5. 의의 및 주장

본 논문은 BN-LTE를 알츠하이머병 진행의 공간적 예측과 메커니즘적 해석 사이의 간극을 메우는 베이지안 구조적 프레임워크로 자리매김합니다.

• 블랙박스를 넘어: 오직 에러 지표만을 최적화하는 지도 학습 기반 예측기와 달리, BN-LTE는 단계 의존적인 구조적 모델로서의 바이오마커 효과를 드러냅니다.
• 테스트 가능한 가설: AT(N) 캐스케이드를 계산적으로 테스트 가능한 시스템으로 취로함으로써, 이 프레임워크는 특히 타우에 미치는 아밀로이드의 영향 시기와 관련하여 해부학적 및 생물학적으로 해석 가능한 가설을 생성합니다.
• 제한적 범위: 저자들은 후기 단계 층의 데이터 지원이 제한적(12쌍)이라는 점을 언급하며, 후기 단계 역학에 대한 결정적인 결론을 내리는 데는 한계가 있음을 명시했습니다. 주요 기여는 일관된 중간 단계 진행 신호와 단계 의전적 효과를 정적 상관관계로부터 분리하는 방법론적 능력을 입증한 데 있습니다.

관찰 기반 종단적 신경 영상 데이터의 추가적인 구조적 모델링을 돕기 위해 코드가 공개되었습니다.