Protocol Update: The Normative Modelling Paradigm for Computational Psychiatry

이 논문은 뇌 성장 차트링을 통한 개인 수준의 분석을 가능하게 하는 계산정신의학의 규범적 모델링 방법론을 개편된 PCNtoolkit 과 함께 최신 발전 사항 (비가우시안 모델, 종단 모델, 연합 학습 등) 을 반영하여 재정의하고, 신경영상 데이터 분석을 위한 표준화된 프로토콜과 실용적 가이드를 제시합니다.

핵심

이 논문은 **"뇌의 성장 지도를 그리는 새로운 방법"**에 대한 업데이트된 사용 설명서입니다.

기존의 정신의학 연구가 "정상인 그룹"과 "환자 그룹"을 딱 나누어 비교하는 방식이었다면, 이 논문은 **"모든 사람은 각자 다른 성장 궤적을 가진다"**는 아이디어를 바탕으로, 개별적인 뇌의 상태를 '통계적 기준선'과 비교하여 얼마나 벗어났는지 정밀하게 측정하는 방법을 소개합니다.

이 복잡한 내용을 이해하기 쉽게 일상적인 비유로 설명해 드리겠습니다.

---

1. 핵심 개념: "뇌의 성장 차트 (Brain Growth Chart)"

비유: 키 성장 차트
여러분은 아기가 태어날 때부터 키가 얼마나 자랐는지 기록하는 '성장 차트'를 본 적이 있으실 겁니다.

• 기존 방식: "키가 150cm 인 아이는 정상이고, 140cm 인 아이는 병이 있다"라고 딱 잘라 말하던 방식입니다. (이건 너무 단순해서 아이의 성장 속도나 유전적 배경을 무시합니다.)
• 이 논문의 방식 (규범적 모델링): "이 아이는 10 세인데, 같은 나이, 같은 성별, 같은 키를 가진 아이들 100 만 명 중에서 **어떤 백분위수 (Percentile)**에 위치하는가?"를 봅니다.
  • 예를 들어, "이 아이의 뇌는 같은 나이의 아이들 중 상위 5% 에 속하는 두뇌 크기를 가졌지만, 정작 이 아이는 우울증 증상을 보이고 있어. 그래서 뇌의 실제 크기와는 다르게 '기능적'으로 큰 차이가 있구나"라고 파악할 수 있습니다.

이 논문의 목적은 바로 수만 명의 건강한 뇌 데이터를 모아 '정교한 뇌 성장 차트'를 만들고, 그 차트를 통해 개별 환자의 뇌가 얼마나 '비정상적으로' 혹은 '특이하게' 발달했는지 숫자로 딱 떨어지게 알려주는 것입니다.

2. 이 논문의 주요 업데이트 (무엇이 새로워졌나요?)

이 논문은 2022 년에 나온 이전 버전의 사용 설명서를 **2025 년 최신 버전 (PCNtoolkit 1.x)**으로 업그레이드한 것입니다. 마치 스마트폰의 OS 가 업데이트된 것과 같습니다.

① 더 정교한 측정 도구 (비유: 자와 줄자)

• 이전: 뇌 데이터가 '정규 분포' (종 모양) 를 따른다고 가정하고 단순하게 측정했습니다.
• 이제: 뇌는 사람마다 다르고 데이터도 꼬리가 길거나 비대칭일 수 있습니다. 그래서 더 다양한 통계 모델을 도입하여, 데이터의 모양이 어떻게 생겼든 정확하게 측정할 수 있게 되었습니다. (예: 비대칭인 데이터도 잘 잡는 'SHASHb' 같은 모델)

② 시간의 흐름을 쫓는 기능 (비유: 타임랩스 카메라)

• 이전: 한 번 찍은 사진 (단면 데이터) 으로만 분석했습니다.
• 이제: 같은 사람을 **시간이 지나며 여러 번 찍은 영상 (종단 데이터)**을 분석할 수 있습니다.
  • "이 환자의 뇌가 1 년 사이에 정상적인 성장 속도보다 훨씬 빠르게 줄어들었구나 (차트 선을 가로질렀구나)"라고 변화의 속도까지 측정할 수 있게 되었습니다.

③ 비밀 유지가 가능한 협력 (비유: 비밀스러운 요리 대회)

• 문제: 병원 A 와 병원 B 가 환자 데이터를 합치려면 개인정보가 유출될까 봐 서로 데이터를 주고받기 싫어합니다.
• 해결 (연방 학습): 데이터를 합치지 않고, 각 병원에서 모델 (지식) 만 서로 주고받습니다.
  • "내 병원 데이터로 배운 지식을 요약해서 당신에게 주고, 너도 네 데이터를 바탕으로 지식을 업데이트해서 나에게 줘."
  • 이렇게 하면 개인정보는 절대 유출되지 않으면서 전 세계의 데이터를 합친 것처럼 강력한 모델을 만들 수 있습니다.

3. 이 도구를 어떻게 쓰나요? (간단한 워크플로우)

이 논문은 이 작업을 하는 연구자들을 위해 레시피를 제공합니다.

1. 재료 준비 (데이터 선택): 건강한 사람들과 환자들의 뇌 스캔 데이터를 모읍니다. (나, 성별, 촬영한 병원 등 정보를 함께 기록합니다.)
2. 재료 손질 (전처리): 데이터에서 이상치 (잘못 찍힌 데이터) 를 제거하고, 모든 데이터를 같은 기준 (규격) 으로 맞춥니다.
3. 요리 (모델 학습): 컴퓨터에 "이 데이터를 바탕으로 뇌 성장 차트를 그려줘"라고 명령합니다. 컴퓨터는 수만 명의 데이터를 학습하여 "정상적인 뇌"의 범위를 계산합니다.
4. 맛보기 (평가): 만든 차트가 정확한지 확인합니다. (예: "이 차트로 계산한 값이 실제 데이터와 얼마나 잘 맞는가?")
5. 결과 확인 (진단): 환자 데이터를 이 차트에 대입합니다. "이 환자의 뇌는 정상 범위의 하위 1% 에 속하네. 이는 질병의 징후일 수 있다"라고 개별적인 진단을 내립니다.

4. 왜 이것이 중요한가요?

• 개인 맞춤 의학: "모든 우울증 환자는 똑같다"가 아니라, "이 환자의 뇌는 A 라는 이유로, 저 환자의 뇌는 B 라는 이유로" 각각 다른 원인을 가질 수 있음을 보여줍니다.
• 정밀한 진단: 단순히 "병이다/아니다"가 아니라, "정상 범위에서 얼마나 벗어났는지"를 수치로 알려주어 치료 효과를 정밀하게 추적할 수 있습니다.
• 공유와 협력: 병원 간 데이터 장벽을 넘어서, 전 세계의 데이터를 모아 더 정확한 뇌 지도를 만들 수 있게 합니다.

요약

이 논문은 **"뇌의 건강 상태를 측정하는 새로운 자 (규범적 모델링)"**를 더 정교하게 다듬고, 시간에 따른 변화를 추적하며, 개인정보 보호를 지키면서 전 세계가 협력할 수 있는 방법을 제시한 최신 사용 설명서입니다.

이 도구를 통해 정신의학은 더 이상 막연한 진단에서 벗어나, 개개인의 뇌에 딱 맞는 정밀한 지도를 그리는 시대로 나아가고 있습니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 전통적 방법론의 한계: 정신의학 연구는 전통적으로 '사례 - 대조군 (Case-Control)' 분석에 의존해 왔습니다. 그러나 정신질환은 이분법적이기보다 연속적이고 이질적인 특성을 가지므로, 이러한 경직된 범주적 가정이 생물학적 연속성과 부합하지 않아 의미 있는 통찰을 제공하지 못합니다.
• 개인 수준의 분석 부재: 기존 접근법은 집단 간 평균 차이에 초점을 맞추어, 개별 환자의 편차 (deviation) 를 정량화하는 데 한계가 있었습니다.
• 기술적 필요성: 규범적 모델링 (Normative Modelling, NM) 은 건강한 참조 집단에서 생물학적 및 행동적 변이의 백분위수 (centiles) 를 매핑하여 개인이 정상 범위에서 얼마나 벗어났는지를 통계적으로 추론하는 방법론으로 자리 잡았습니다. 그러나 최근 비가우시안 (non-Gaussian) 데이터, 종단적 (longitudinal) 데이터, 분산 학습 (federated learning) 등 새로운 방법론적 발전이 이루어졌음에도 불구하고, 이를 통합하고 표준화된 프로토콜을 제공하는 가이드가 부족했습니다.

2. 방법론 (Methodology)

이 논문은 PCNtoolkit (Predictive Clinical Neuroscience toolkit) 의 최신 버전 (v1.x.x) 을 기반으로 한 표준화된 분석 프로토콜을 제시합니다.

• 핵심 도구: PCNtoolkit (Python 기반 오픈소스 패키지)
• 주요 워크플로우:
  1. 데이터 선택 및 준비: 건강한 참조 집단 (Reference cohort) 선정, 결측치 처리, 이상치 제거, 배치 효과 (site/scanner effects) 보정, 학습/테스트 세트 분할.
  2. 모델링 기법:
     • 계층적 베이지안 회귀 (HBR): MCMC (Markov Chain Monte Carlo) 를 사용하여 평균 ($\mu$) 과 분산 ($\sigma$) 을 동시에 모델링합니다.
     • 우도 함수 (Likelihood Functions): 데이터 특성에 따라 정규 분포 (Normal), SHASHb (비대칭/무한대), Beta (유계 데이터) 등 다양한 분포를 지원합니다.
     • 비선형성 처리: B-스플라인 (B-spline) 기반 함수를 사용하여 공변량 (예: 나이) 에 따른 비선형 관계를 포착합니다.
  3. 병렬 처리: 대규모 데이터셋을 위해 Slurm 또는 Torque 기반의 HPC 클러스터에서 모델을 병렬로 학습할 수 있는 Runner 클래스를 제공합니다.
  4. 심화 기능 (Secondary Workflows):
     • 종단적 모델링: Z-diff 점수 (두 시점 간 백분위수 교차 통계) 및 속도 모델 (velocity modelling) 을 통해 시간에 따른 뇌 발달/퇴행 경로를 추적합니다.
     • 연방 학습 (Federated Learning): 데이터를 공유하지 않고도 모델을 전이 (Transfer), 확장 (Extend), 병합 (Merge) 하는 세 가지 전략을 지원합니다.
     • 모델 비교: WAIC (Watanabe-Akaike Information Criterion) 를 사용하여 모델의 적합도를 비교합니다.

3. 주요 기여 (Key Contributions)

1. 프로토콜 업데이트 (2022 년 버전 대비): 2022 년에 발표된 이전 프로토콜을 업데이트하여, 비가우시안 모델, 종단적 모델링, 연방 학습 등 최신 방법론을 통합했습니다.
2. PCNtoolkit v1.x.x 리팩토링: 사용자 친화적인 인터페이스를 제공하고, 모델 추정 및 추론 기법을 정교화하여 유지보수와 확장을 용이하게 했습니다.
3. 실무 가이드 및 코드 예제: 초보자부터 숙련된 연구자까지 활용할 수 있도록 데이터 전처리, 모델 피팅, 평가, 시각화 (Centile plot, QQ plot) 에 대한 구체적인 코드 예제와 Jupyter Notebook 을 제공합니다.
4. 새로운 참조 모델 공개: 피질 두께 (cortical thickness), 부피 (volumetric), 확산 가중 영상 (diffusion-weighted imaging), 종단 데이터에 대한 대규모 참조 모델을 커뮤니티에 공개했습니다.
5. 커뮤니티 참여 체계: PCNPortal 을 통한 모델 공유 및 GitHub 를 통한 코드 기여 가이드라인을 제시하여 오픈 사이언스 생태계를 강화했습니다.

4. 결과 (Results)

• 모델 성능 및 검증: FCON1000 및 OpenNeuro 의 임상 데이터를 사용하여 프로토콜을 검증했습니다.
  • 수렴 진단: MCMC 샘플링의 안정성을 확인하기 위해 $\hat{R}$ (1.01 이하), ESS (1000 이상) 등의 지표를 통해 모든 모수에서 수렴이 잘 되었음을 확인했습니다.
  • 정량적 평가: $R^2$, RMSE 와 같은 평균 기반 지표뿐만 아니라, MSLL (평균 표준화 로그 손실) 과 MACE (평균 절대 백분위수 오차) 를 통해 확률적 예측의 정확성을 평가했습니다.
  • 시각적 검증: 예측된 백분위수 곡선과 관측 데이터의 일치도, 그리고 잔차의 QQ 플롯을 통해 모델의 보정 (calibration) 이 우수함을 확인했습니다.
• 실행 시간: 제시된 하드웨어 환경 (MacBook Pro M3, 18GB RAM) 에서 평가 및 시각화를 포함한 전체 프로토콜 실행은 약 57~72 분이 소요되었습니다.

5. 의의 및 중요성 (Significance)

• 정밀 의학 (Precision Medicine) 실현: 개인별 뇌 발달 및 노화 궤적을 건강한 참조 집단과 비교하여 정량화함으로써, 정신질환 및 신경질환의 생물학적 표지자 (biomarker) 개발에 기여합니다.
• 데이터 프라이버시 보호: 연방 학습 기능을 통해 민감한 의료 데이터를 공유하지 않고도 다기관 협력 연구를 가능하게 합니다.
• 재현성 및 표준화: 오픈소스 도구와 표준화된 프로토콜을 제공함으로써, 전 세계 연구자들이 동일한 방법론으로 결과를 재현하고 비교할 수 있는 기반을 마련했습니다.
• 미래 지향성: 단순한 교차 분석을 넘어, 개인의 시간에 따른 변화 (longitudinal deviation) 를 추적하고 다양한 데이터 모달리티에 적용 가능한 유연한 프레임워크를 제시했습니다.

이 논문은 계산 정신의학 분야에서 규범적 모델링을 적용하려는 연구자들에게 현재 가장 포괄적이고 최신의 기술적 로드맵을 제공하는 중요한 문서입니다.