A Network-Control Approach to Seizure Intervention via Adjoint Optimal Control

기술 요약: 아드조인트 최적 제어를 통한 신경망 제어 기반 발작 중재

문제 정의
현재 약물 저항성 뇌전증을 위한 심부 뇌 자극(DBS) 시스템은 대부분 지속적으로 또는 고정된 일정에 따라 자극을 가하는 개루프(open-loop) 프로토콜에 의존하며, 이는 발작의 시간적 역동성이나 뇌의 구조적 네트워크를 통한 전파를 고려하지 못한다. 또한, 기존의 제어 전략은 선형 제어 이론을 활용하는 경우가 많은데, 이는 발작 활동의 본질적인 비선형 및 다중 안정성 역동성(구체적으로, 분기(bifurcation)를 통한 안정적인 간헐기 상태에서 한계 주기 발작 상태로의 전이)에 적합하지 않다. 선형 접근 방식은 제어 에너지 요구량을 잘못 추정하고 정상 활동과 발작 활동 사이의 질적 차이를 구분하지 못하는 경우가 많다. 본 연구가 다루는 핵심 과제는 발작 예방을 특정 목표 상태로의 수렴을 강제하는 것이 아니라, 시스템을 '안전한' 영역 내에 유지하는 것을 우선순위로 두는 안전 제약 조건으로서의 뇌의 비선형 네트워크 역동성을 다루는 폐쇄 루프(closed-loop) 제어 프레임워크를 개발하는 것이다.

방법론
저자들은 구조적 커넥토믹스, 비선형 역동성 모델링, 그리고 2단계 제어 아키텍처를 통합하는 계산 프레임워크를 제안한다.

1. 네트워크 모델링:

   • 구조적 기초: 뇌는 360개 영역으로 나뉜 HCP-1065 커넥톰(1,065명의 건강한 성인으로부터 유래된 확산 MRI 기반)을 사용하여 모델링된다. 계산 검증을 위해 밀밀하게 연결된 60개 노드 하위 네트워크가 사용되었다.
   • 역동성 모델: 각 뇌 영역은 비선형 초임계 호프 진동자(supercritical Hopf oscillator)로 표현된다. 시스템은 분기 파라미터 $r$이 0을 통과함에 따라 안정적인 고정점(간헐기)에서 한계 주기 진동(발작기)으로 전이된다.
   • 전파: 발작은 해마의 고중심성 노드(고유벡터 중심성으로 식별됨)를 섭동(perturbation)함으로써 시뮬레이션되며, 이 활동은 구조적 커넥톰을 통해 확산된다.

2. 예측 탐지:

   • 온라인 탐지기는 슬라이딩 윈도우 내에서 이동 분산(rolling variance)과 지연-1 자기상관(lag-1 autocorrelation)을 계산함으로써 네트워크의 "임계 속도 저하(critical slowing down, CSD)" 징후를 모니터링한다.
   • 이러한 특징들은 위험 점수로 결합되며, 임계값($\theta = 0.250$)은 중재 컨트롤러를 트리거한다.

3. 2단계 제어 아키텍처:

   • 1단계 (국소 안정화): 분산형 선형 이차 조절기(LQR)가 지역적 항상성을 유지하기 위해 지속적으로 작동한다. 이 계층은 작은 변동을 억제하지만, 완전히 발달한 발작을 멈출 수는 없다.
   • 2단계 (글로벌 최적 중재): 탐지기가 불안전한 상태를 표시할 때만 활성화되는 휴면 상태의 네트워크 전역 컨트롤러가 작동한다. 이 계층은 폰트랴긴 해밀토니안(Pontryagin Hamiltonian)에 기반한 **아드조인트 최적 제어(Adjoint Optimal Control, AOC)**를 채택한다. 이는 (근접 분기와 제어 에너지를 균형 있게 맞추는 비용 함수를 최소화하면서) 액추에이터 포화 제한($u_{max} = 0.5$)을 준수하는 유한 시계(finite-horizon) 최적화 문제를 해결한다. 솔루션은 아드조인트 기반 경사 하강법을 통해 계산되며, 10초의 시계(horizon) 동안 적용된 후 굴절기(refractory period)를 갖는다.

주요 기여

• 비선형 안전 제약 제어: 본 논문은 발작 예방을 선형 제어 이론을 넘어 분기 특성을 다루는 뇌의 비선형 역동성에 대한 제약 조건으로 정식화한다.
• 커넥톰 인지 타겟팅: 본 프레임워크는 구조적 커넥톰을 명시적으로 활용하여 자극 대상을 결정하며, 이는 "커넥톰을 고려하지 않는" 무작위 타겟팅과 대조된다.
• 아드조인트 최적 제어 (AOC): 선제적 발작 억제를 위해 폰트랴긴 해밀토니안에 직접 아드조인트 기반 최적화 방법을 적용하며, 이는 명시적인 제어 장벽 함수(CBF) 이차 계획법에 대한 계산 가능한 대안을 제공한다.
• 2단계 아키텍처: 불필요한 자극을 최소화하기 위해 연속적인 항상성 LQR 계층과 휴면 상태의 이벤트 트리거형 글로벌 최적 컨트롤러를 통합하였다.

결과
프레임워크는 60개 노드 하위 네트워크를 사용하여 100회의 몬테카를로 시행을 통해 세 가지 베이스라인(커넥톰을 고려하지 않는 무작위 타겟팅 컨트롤러, 임상용 개루프 DBS 대리 모델, 적응형 PI 컨트롤러)과 비교 평가되었다.

• 탐지 성능: 예측 탐지기는 독립적인 테스트 폴드에서 0.889의 AUC(95% CI [0.820, 0.950])를 달성했다. 이는 발작 발생 전 평균 56.9초의 리드 타임을 제공했다. 그러나 선택된 임계값에서 탐지기는 0.900의 높은 위양성률(false-positive rate)을 보였는데, 이는 모든 발작 이벤트를 회상(recall)하기 위해 감수된 트레이드오프였다.
• 발작 억제: 제안된 폐쇄 루프 시스템은 100회의 몬테카를로 시행 중 100%(95% CI: 96.3–100%)의 사례에서 발작 유사 분기를 방지했다.
• 에너지 효율성 및 특이성:
  • 커넥롬 인지 컨트롤러는 커넥톰을 고려하지 않는 무작위 타겟팅 베이스라인에 비해 약 절반의 제어 에너지(1.668 대 3.450)와 4분의 1의 오프 타겟(off-target) 자극만을 필요로 했다.
  • 에너지 소비량은 개루프 DBS 대리 모델 및 적응형 PI 컨트롤러와 유사했다.
  • 제안된 시스템은 개루프 DBS와 달리 자극을 간헐적으로 전달(탐지 시에만)하여 신경 세포의 순응(habituation)을 줄일 가능성이 있다.
• 강건성: 시스템은 가산 노이즈와 위험 점수의 양의 편향(positive bias)에 대해 강건함을 유지했다. 그러나 음의 편향(위험을 과소 보고함) 하에서는 실패하였으며, 이는 정확한 탐지기 교정의 중요성을 강조한다.
• 공간적 특이성: 제어 에너지는 고유벡터 중심성이 높은 내측 측두엽 노드(예: 해마, 내후각 피질)에 집중되었으며, 이는 커넥톰 인지 타겟팅의 효능을 확인시켜 준다.

의의 및 주장
저자들은 본 연구가 발작 예방이 비선형 구조적 네트워크에 대한 안전 제약 조건으로서 효과적으로 모델링될 수 있다는 증거를 제공한다고 주장한다. 주요 의의는 커넥톰을 인지하고 안전 지향적인 폐쇄 루프 컨트롤러가 에너지 효율성과 특이성 측면에서 무작위 타겟팅보다 우수하며, 기존의 개루프 및 적응형 PI 방법의 억제율과 대등한 성능을 보일 수 있음을 입증한 데 있다.

본 논문은 제안된 접근 방식이 선형 또는 반응형 컨트롤러(PI 컨트롤러와 같은)가 달성할 수 없는 선제적 리드 타임(56.9초)을 제공하여, 발작이 완전히 일반화되기 전에 개입할 수 있게 한다고 강조한다. 저자들은 결과가 모델링된 범위 내에서 유망하지만, 프레임워크가 현재 60개 노드 하위 네트워크와 합성 데이터로 제한되어 있다는 점을 언급했다. 또한, 탐지기의 높은 위양성률과 무차원 변수의 사용이 임상 적용 전 해결해야 할 중요한 한계점임을 명시했다. 본 연구는 즉각적인 임상 적용을 주장하는 것이 아니라, 뇌전증을 위한 안전 필수적 비선형 제어 전략 개발을 위한 계산적 토대를 구축하는 것을 목적으로 한다.