Current gaps in downstream applications of fMRI foundation models: lessons learned from BrainLM & BrainHarmonix on Prevent-AD
본 연구는 Prevent-AD 데이터셋을 대상으로 fMRI 파운데이션 모델인 BrainLM과 BrainHarmonix를 평가하였으며, 언어 및 시각 도메인과는 달리 이 모델들이 임상 예측 작업을 위한 단순한 베이스라인 모델들을 현재로서는 능가하지 못할 뿐만 아니라, 독립적인 연구자들의 실질적인 도입을 저해하는 상당한 수준의 코드 적응을 요구한다는 점을 발견하였다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기
인간의 뇌는 전기 신호를 통해 소통하는 수십억 개의 세포가 이루는 거대하고 웅성거리는 네트워크입니다. 이 네트워크가 어떻게 작동하는지 이해하기 위해, 과학자들은 종종 기능적 자기공명영상(fMRI)이라는 강력한 카메라를 사용합니다. 이 기계는 정지된 사진을 찍는 것이 아니라, 뇌가 휴식할 때 발생하는 미세한 활동의 파동이 서로 다른 영역을 통해 퍼져나가는 모습을 포착하여 뇌의 움직임을 담은 영화를 기록합니다. 이러한 영역들이 어떻게 동기화되어 오르내리는지를 관찰함으로써, 연구자들은 도시 지도에서 교통 흐름을 추적하여 어떤 동네들이 서로 밀접하게 연결되어 있는지 확인하는 것과 유사하게 뇌의 기능적 연결성을 지도화할 수 있습니다. 수년 동안 이러한 지도를 분석하는 표준적인 방법은 모든 영역 쌍 사이의 연결 강도를 측정하는 것이었습니다. 기능적 연결성(functional connectivity)이라고 알려진 이 방법은 사람의 연령이나 성별 등을 예측하거나, 알츠하이머병과 같은 질병의 초기 징후를 포착하는 데 있어 핵심적인 역할을 해왔습니다.
최 최근, 복잡한 데이터를 이해하는 방식을 혁신할 것을 약속하며 새로운 인공지능의 물결이 과학계를 휩쓸고 있습니다. 언어와 시각 분야에서 "파운데이션 모델(foundation models)"은 매우 유명해졌습니다. 이들은 방대한 양의 데이터로 학습되어, 특정한 정답을 듣지 않고도 세상의 근본적인 패턴을 학습하는 거대한 컴퓨터 프로그램입니다. 이들은 문장에서 다음에 올 단어를 예측하거나 이미지가 어떻게 생겼는지를 예측하는 법을 배우며, 이를 통해 새롭고 작은 작업에도 적용할 수 있는 깊고 유연한 이해력을 구축합니다. 뇌 과학 연구자들은 이러한 접근 방식을 시도하여, 수천 개의 뇌 스캔 데이터를 통해 이와 유사한 거대 모델을 학습시키고 뇌 활동의 일반적인 "문법"을 배우기를 고대해 왔습니다. 그들의 희망은 이 모델들이 어떤 의사나 과학자라도 자신의 데이터가 거의 없는 상태에서 질병을 진단하거나 기억력 문제를 겪게 될 사람을 예측할 수 있는 강력한 도구가 되는 것이었습니다.
한 연구팀은 이 약속이 현실인지 테스트하기 위해 직접 나섰습니다. 그들은 가장 최신의 발전된 fMRI용 파운데이션 모델 두 가지인 BrainLM과 BrainHarmonix를 선택하여, 도전적인 실제 데이터셋에 적용해 보았습니다. 이 데이터셋은 알츠하이머병의 가족력이 있는 수백 명의 건강한 노인들을 추적 조사하는 PREVENT-AD 연구에서 가져온 것입니다. 목표는 이 새로운 인공지능 모델들이 성별, 연령대, 향후 경도 인지 장애 발생 여부, 그리고 알츠하이머의 신호가 되는 특정 단백질 축적 여부라는 네 가지 구체적인 사항을 예측할 때 기존의 신뢰받는 방식인 기능적 연결성을 능가할 수 있는지 확인하는 것이었습니다. 연구자들은 이 모델들이 독립적인 과학자들이 사용하기에 준비가 되었는지, 아니면 여전히 그것을 만든 실험실 외부에서 적용하기에는 너무 어려운 상태인지를 알고 싶었습니다.
그 여정은 시작부터 큰 난관에 부딪혔습니다. 단순히 모델을 새로운 데이터에 작동시키는 것조차 결코 간단하지 않았습니다. 연구팀이 BrainLM의 제작자가 제공한 소프트웨어 코드를 사용하려 했을 때, 해당 코드가 자신들의 데이터와 호환되지 않는다는 것을 발견했습니다. 코드는 대부분의 신경과학자들이 사용하는 표준 도구와 호환되지 않는, 맞춤형으로 제작된 독자적인 방식의 뇌 스캔 정제 과정을 기반으로 하고 있었습니다. 연구진은 데이터 처리 단계를 다시 작성해야 했으며, 더 넓은 커뮤니티에서 널리 사용되는 표준 방식으로 전환해야 했습니다. 이러한 상당한 변경을 거친 후에야 모델이 제대로 학습을 시작할 수 있었습니다. 두 번째 모델인 BrainHarmonix는 또 다른 종류의 문제를 제시했습니다. 이 모델의 설명서에는 새로운 데이터를 모델에 맞게 어떻게 준비해야 하는지에 대한 설명이 없었기에, 연구팀은 신호를 정규화하는 올바른 방법을 추측해야만 했습니다. 그들은 안정적인 결과를 생성하는 방법을 찾기 위해 여러 가지 접근 방식을 테스트해야 했습니다. 이러한 초기 투쟁은 모델이 강력하기는 하지만, 독립적인 연구자들이 상당한 기술적 문제 해결 과정 없이 쉽게 사용할 수 있는 방식으로 패키징되어 있지 않다는 주요한 격차를 드러냈습니다.
모델을 실행시킨 후, 연구팀은 이들의 예측을 표준 방식인 기능적 연결성 및 매번 가장 흔한 답을 내놓는 단순한 "더미(dummy)" 분류기와 비교했습니다. 성별을 예측하는 데 있어서는 기존의 기능적 연결성 방식이 실제로 승자였습니다. 이 방식은 새로운 파운데이션 모델에서 추출된 그 어떤 특징보다 참가자의 성별을 더 정확하게 식별했습니다. 연령대를 예측하는 데 있어서는, 기능적 활동이 아닌 구조적 뇌 영상에서 유도된 BrainHarmonix 모델의 한 가지 특징이 표준 방식보다 약간 더 높은 성능을 보였으나, 그 차이가 너무 작아 우연히 발생했을 가능성이 컸습니다. 임상적 목표에 대한 결과는 더욱 낙담스러웠습니다. 경도 인지 장애가 발생할지 또는 알츠하이머 관련 단백질이 축적되었는지를 예측할 때, 어떤 파운데이션 모델도 전체적인 정확도 측면에서 단순한 더미 분류기를 이기지 못했습니다. 이는 주로 질환을 가진 집단의 규모가 건강한 집단에 비해 매우 작았기 때문에, 모델이 단순히 다수 집단을 따라가는 것 이상의 신호를 찾아내기 어려웠기 때문입니다.
그러나 이야기가 전적으로 실패로 끝난 것은 아니었습니다. 연구진이 예측의 세부 사항을 더 자세히 살펴보았을 때, 미묘한 가능성의 실마리를 발견했습니다. 비록 모델들이 진단 도구로 쓰일 만큼 정확하지는 않았지만, 일부 파운데온 모델의 특징들은 표준 방식보다 실제 질병을 가진 소수의 사람들을 식별해 내는 데 더 나은 성능을 보였습니다. 즉, 모델이 양성 예측을 했을 때, 비록 많은 사례를 놓치더라도 그 예측이 맞을 확률이 약간 더 높았던 것입니다. 이는 모델이 표준 방식이 놓치는, 아마도 더 미묘한 종류의 신호를 뇌 데이터에서 포착하고 있을 가능성을 시사합니다. 그러나 이러한 개선이 통계적으로 유의미하지 않았기 때문에, 연구진은 모델이 문제를 확실히 해결했다고 주장할 수 없었습니다. 이 결과는 언어 모델에서 보여준 강력한 지식 전이가 뇌 영상 분야에서는 아직 재현되지 않았음을 시사합니다.
이 연구는 이러한 파운데이션 모델들이 아직 독립적인 연구자들이 임상용으로 채택할 준비가 되지 않았다고 결론짓습니다. 이 모델들은 너무 많은 기술적 적응을 요구하며, 수십 년 동안 사용되어 온 더 단순하고 확립된 방법들을 능가한다는 것을 아직 증명하지 못했습니다. 저자들은 이 모델들이 진정으로 유용해지기 위해서는, 설치와 실행을 쉽게 만드는 표준화된 소프트웨어 도구가 필요하며, 향후 연구들은 반드시 새로운 모델을 표준적인 기능적 연결성 기준선과 비교해야 한다고 주장합니다. 그때까지, 즉각적으로 알츠하이머를 진단하거나 기억력 저하를 예측할 수 있는 보편적인 뇌 모델이라는 꿈은, 더 엄격한 테스트와 더 나은 엔지니어링을 기다리는 그저 하나의 꿈으로 남아 있을 것입니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.