Light on Broken Networks: Resting-State fNIRS as a Tool for Connectivity Mapping

이 연구는 fMRI 와 비교하여 fNIRS 가 휴식 상태 뇌 네트워크의 주요 특징을 포착할 수 있음을 입증함으로써, fNIRS 가 뇌 연결성 매핑을 위한 유망한 번역 도구임을 보여주었으나, 부분 상관분석이 엣지 수준의 일치도를 높이는 대신 노드 및 모듈 수준의 회복력을 약화시켰다는 점을 발견했습니다.

핵심

🧠 핵심 주제: "뇌의 인터넷"을 보는 두 가지 방법

우리의 뇌는 수많은 뉴런들이 서로 연결된 거대한 인터넷과 같습니다. 이 연결망이 어떻게 작동하는지, 혹은 질병으로 인해 어떤 부분이 끊어졌는지를 보는 것이 '기능적 연결성 (RSFC)' 연구입니다.

기존에 이 뇌의 인터넷을 가장 잘 보는 방법은 **fMRI(자기공명영상)**입니다. 하지만 fMRI 는 다음과 같은 단점이 있습니다:

• 비싸고 크고 시끄럽습니다: 거대한 MRI 기계 안에 들어가야 합니다.
• 움직임을 싫어합니다: 조금만 움직여도 화상 (이미지) 이 흐려집니다.
• 자주 찍기 어렵습니다: 병원에서 자주 찍으려면 시간과 비용이 많이 듭니다.

그래서 연구자들은 더 작고, 저렴하고, 움직여도 괜찮은 **fNIRS(근적외선 분광법)**라는 새로운 도구를 개발했습니다. 이는 마치 휴대용 헤드폰처럼 머리에 얹고 빛을 쏘아 뇌의 활동을 측정하는 장치입니다.

이 연구의 질문은 다음과 같습니다:

"휴대용 fNIRS 로 그린 뇌 연결 지도가, 거대한 fMRI 로 그린 지도와 얼마나 비슷할까? 정말로 fMRI 를 대신할 수 있을까?"

---

🔍 연구 방법: 두 지도를 비교해보다

연구진은 건강한 사람 31 명을 대상으로 두 가지 실험을 동시에 (또는 별도로) 진행했습니다.

1. fMRI 그룹: 거대한 기계 안에서 15 분간 눈을 감고 쉬게 함.
2. fNIRS 그룹: 휴대용 장치를 머리에 쓰고 5 분간 쉬게 함.

그리고 두 장치가 측정한 데이터를 컴퓨터로 분석하여 **"뇌의 연결 지도"**를 만들었습니다. 이때 중요한 건, 단순히 한두 줄의 연결만 본 게 아니라, 전체 네트워크의 구조를 여러 단계로 나누어 꼼꼼히 비교했다는 점입니다.

---

📊 주요 발견: "큰 그림은 비슷하지만, 세부 사항은 다름"

연구 결과는 매우 흥미로운 세 가지 사실을 보여줍니다.

1. "세부적인 연결선 (Edge) 은 서로 달라요"

• 비유: 두 사람이 같은 도시의 지도를 그렸는데, **작은 골목길 (세부 연결선)**의 위치나 길이를 보면 서로 많이 다릅니다.
• 결과: fMRI 와 fNIRS 가 측정한 개별 연결선의 강도는 50~60% 정도 서로 달랐습니다. 즉, "A 와 B 가 얼마나 잘 연결되었나?"라는 아주 구체적인 숫자를 비교하면 두 도구는 다른 이야기를 합니다.
• 예외: 하지만 통계적으로 '직접적인' 연결만 따져보면 (부분 상관관계), 이 차이가 3% 로 줄어들어 훨씬 비슷해졌습니다.

2. "전체적인 도시 구조 (네트워크) 는 비슷해요"

• 비유: 골목길은 달라도, **전체 도시의 구획 (네트워크)**을 보면 비슷합니다. 예를 들어, "상업 지구 (주의 네트워크)"나 "주거 지구 (기본 모드 네트워크)"가 어디에 있는지 두 지도 모두 비슷하게 찾아냈습니다.
• 결과: 두 장치가 그린 전체적인 연결 패턴의 유사성은 약 37% 로, 통계적으로 의미 있는 수준이었습니다. 즉, 큰 틀에서는 fNIRS 가 fMRI 와 같은 뇌의 구조를 잘 포착했습니다.

3. "중요한 건물 (노드) 의 역할은 비슷해요"

• 비유: 도시에서 가장 중요한 **광장이나 교차로 (뇌의 핵심 부위)**가 어디인지 두 지도가 비슷하게 지적했습니다.
• 결과: 뇌의 특정 부위가 네트워크에서 얼마나 중요한지 (강도, 효율성 등) 를 계산했을 때, fNIRS 도 fMRI 와 유사한 결과를 보여줬습니다. 특히 '정규화된 연결 강도' 같은 지표는 매우 잘 일치했습니다.

---

💡 이 연구가 우리에게 주는 메시지

이 연구는 **"fNIRS 는 fMRI 의 완벽한 대용품은 아니지만, 훌륭한 파트너가 될 수 있다"**는 결론을 내립니다.

• 개인 진단에는 조심해야: 한 사람의 아주 미세한 뇌 연결 상태를 진단할 때는 아직 fMRI 가 더 정확할 수 있습니다. (두 지도의 세부 골목이 다르기 때문)
• 집단 연구와 치료 모니터링에는 강력함: 하지만 환자 집단 전체의 경향을 보거나, 치료를 받으며 뇌가 어떻게 변하는지 장기적으로 추적할 때는 fNIRS 가 훨씬 유용합니다.
  • 이유: fNIRS 는 저렴하고, 움직여도 되며, 병실이 아닌 집이나 요양원에서도 쉽게 사용할 수 있기 때문입니다.

🚀 결론: "빛으로 보는 뇌의 연결망"

이 논문은 **"휴대용 fNIRS 가 뇌의 거대한 연결 지도를 그리는 데 충분히 쓸모 있는 도구"**임을 증명했습니다.

비유하자면, fMRI 는 고해상도 위성 사진이고, fNIRS 는 드론으로 찍은 현장 사진입니다. 위성 사진처럼 미세한 지형까지 완벽하게 보여주지는 못하지만, 어디에 어떤 건물이 있는지, 도시의 흐름이 어떻게 변하는지를 파악하는 데는 드론 사진도 충분히 훌륭하고, 훨씬 더 접근하기 쉽습니다.

이 기술이 발전하면, 뇌종양이나 뇌졸중 환자들이 병원에 가지 않고도 집에서 뇌의 회복 상태를 꾸준히 체크할 수 있는 날이 올 것입니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 휴식 상태 기능적 연결성 (RSFC) 과 휴식 상태 네트워크 (RSN) 는 뇌의 대규모 조직과 신경학적 질환에서의 변화를 이해하는 데 필수적입니다. 현재 RSN 매핑의 표준은 기능적 자기공명영상 (fMRI) 이지만, 고비용, 움직임 민감성, 반복 측정의 어려움, 병원 환경 제한 등으로 임상 적용에 한계가 있습니다.
• 대안: 기능적 근적외선 분광법 (fNIRS) 은 휴대성, 저비용, 움직임 허용성, 반복 측정 용이성 등의 장점이 있어 임상적 대안으로 주목받고 있습니다.
• 문제: fNIRS 가 fMRI 와 비교하여 대규모 RSFC 패턴과 RSN 을 얼마나 신뢰성 있게 재현할 수 있는지에 대한 명확한 증거가 부족합니다. 기존 연구들은 제한된 영역, 작은 표본, 또는 단일 분석 수준 (예: 에지 간 상관관계만) 에 국한되어 있었으며, 전두부 (near whole-head) fNIRS 데이터와 fMRI 간의 체계적인 다중 스케일 비교는 이루어지지 않았습니다.

2. 연구 방법론 (Methodology)

이 연구는 두 개의 독립적인 코호트 (각각 31 명) 를 대상으로 fNIRS 와 fMRI 데이터를 비교 분석했습니다.

• 데이터 수집 및 전처리:

  • fNIRS: 건강한 성인 31 명 (평균 연령 28.25 세) 을 대상으로 5 분간 휴식 상태 데이터를 수집 (NIRSport2 장치 사용). 32 개의 광원, 28 개의 검출기, 134 개 채널 (단거리 채널 포함) 로 구성된 전두부 커버리지 설정.
  • fMRI: 인간 연결체 프로젝트 (HCP) 의 공개 데이터에서 연령과 성별이 매칭된 31 명의 휴식 상태 fMRI 데이터 (15 분) 를 사용.
  • 전처리: fNIRS 는 짧은 채널 회귀 (short-channel regression) 를 통해 두피 노이즈 제거, 모션 보정, 대역 통과 필터링 (0.01–0.1 Hz) 수행. fMRI 는 HCP 표준 파이프라인 사용.
  • 매핑: fNIRS 채널을 MNI 좌표로 변환하여 fMRI ROI(관심 영역) 와 매칭 (82 개 ROI).

• 연결성 분석:

  • 상관관계 계산: 이변량 상관관계 (bivariate correlation) 와 편상관관계 (partial correlation) 를 모두 사용하여 연결성 행렬 생성.
  • 신호: fNIRS 의 산소화 헤모글로빈 (HbO) 과 탈산소화 헤모글로빈 (HbR) 신호를 각각 분석.

• 다중 스케일 비교 분석:

  1. 에지 수준 (Edgewise): 개별 연결 강도의 차이 (t-test) 와 동등성 (TOST) 분석.
  2. 행렬 수준 (Matrix-level): 그룹 평균 연결성 행렬 간의 전체적 유사성 (퍼뮤테이션 테스트를 통한 피어슨 상관).
  3. 노드 수준 (Nodal-level): 네트워크 중심성 지표 (순 강도, 정규화된 강도, 어소레이티, 국소 효율성, 경로 길이 등) 의 분포 비교.
  4. 모듈 수준 (Modular-level): Louvain 알고리즘을 사용한 커뮤니티 구조 (네트워크 모듈) 식별 및 fMRI 와 fNIRS 간의 모듈 중첩 (Jaccard 유사도) 분석.

3. 주요 결과 (Key Results)

• 에지 수준 (Edge-level):

  • 이변량 상관관계: fMRI 와 fNIRS 간 연결 강도에서 상당한 차이가 관찰됨 (HbO: 50.29%, HbR: 61.43% 의 에지에서 유의미한 차이).
  • 편상관관계: 편상관관계를 사용할 경우 에지 간 차이가 극적으로 감소 (HbO: 2.14%, HbR: 1.26%). 이는 편상관관계가 공통된 노이즈를 제거하여 직접적인 연결 패턴을 더 잘 포착함을 시사.

• 행렬 수준 (Matrix-level):

  • 그룹 평균 연결성 행렬 간의 전체적 유사성은 중간 정도 (r ≈ 0.37~0.39) 로 유의미하게 확인됨. 이는 두 모달리티가 대규모 연결성 구조를 공유하고 있음을 보여줌.

• 노드 수준 (Nodal-level):

  • 차이: 순 강도 (Net strength), 국소 효율성 (Local efficiency), 경로 길이 (Path length) 는 모달리티 간에 큰 차이를 보임 (특히 편상관관계에서 모든 노드가 유의미하게 다름).
  • 유사성: 정규화된 강도 (Normalized strength) 와 어소레이티 (Assortativity) 는 이변량 상관관계에서 두 모달리티 간에 높은 유사성을 보임 (rho ≈ 0.27~0.5). 이는 fNIRS 가 특정 그래프 지표에서는 fMRI 와 일관된 패턴을 포착할 수 있음을 의미.

• 모듈 수준 (Modular-level):

  • fNIRS 로부터 도출된 모듈은 fMRI 의 주요 RSN(기본 모드 네트워크, 주의 네트워크, 실행 네트워크, 감각 운동 네트워크, 시각 네트워크 등) 과 유의미하게 중첩됨 (Jaccard ≈ 0.27~0.5).
  • 이변량 상관관계가 편상관관계보다 모듈 구조의 재현성 (특히 HbO 신호에서) 이 더 높았음.
  • 시각 네트워크의 세부 분할 (중앙/주변) 은 fNIRS 에서 fMRI 만큼 명확하게 분리되지 않음.

4. 주요 기여 및 의의 (Contributions & Significance)

• 첫 번째 체계적 비교: fNIRS 와 fMRI 간의 RSFC 비교를 에지, 노드, 그래프, 모듈 등 다중 스케일 (Multi-scale) 에서 최초로 종합적으로 평가함.
• 임상적 유효성 입증: fNIRS 가 개별 피험자 수준의 정밀한 연결성 분석에는 한계가 있을 수 있으나, 집단 수준 (Group-level) 에서 대규모 뇌 네트워크의 조직화와 주요 하위 네트워크를 신뢰성 있게 포착할 수 있음을 입증.
• 방법론적 통찰:
  • 이변량 vs 편상관: 에지 수준의 일치도를 높이기 위해 편상관관계를 사용할 수 있으나, 이는 노드 및 모듈 수준의 재현성을 저하시킬 수 있음. 따라서 연구 목적 (전체 네트워크 특성화 vs 특정 연결성 분석) 에 따라 분석 방법을 신중히 선택해야 함.
  • 신호 선택: HbO 신호가 HbR 보다 네트워크 구조 재현에 더 유리할 수 있음.
• 임상 적용 가능성: fNIRS 는 fMRI 가 불가능하거나 반복 측정이 필요한 임상 환경 (뇌종양, 간질, 재활 환자 등) 에서 네트워크 수준의 변화를 모니터링하고 치료 반응을 추적하는 데 유용한 도구로 제안됨.

5. 결론

이 연구는 fNIRS 가 fMRI 와 비교하여 대규모 휴식 상태 네트워크의 핵심 특성을 포착할 수 있음을 보여주며, 특히 집단 수준의 네트워크 특성화 및 종단적 모니터링에 있어 임상적으로 유의미한 도구임을 입증했습니다. 다만, 개별 피험자 수준의 미세한 연결성 분석이나 경로 기반 지표 (경로 길이 등) 에 대해서는 해석에 주의가 필요하며, 분석 방법 (상관관계 유형, 신호 선택) 에 따라 결과가 달라질 수 있음을 강조합니다.