Quantum Kernel Methods for Calibrated and Interpretable Neuroimaging Classification in Computational Psychiatry

기술 요약: 계산 정신의학을 위한 교정된 해석 가능한 신경 영상 분류를 위한 양자 커널 방법론

문제 정의
ADHD, 조현병, 양극성 장애를 포함한 정신 질환은 중첩되는 증상 프로파일과 이질적인 신경생물학적 기질로 인해 상당한 진단적 어려움을 안겨준다. 구조적 MRI와 EEG는 이러한 양상에 풍부한 진단 데이터를 제공하지만, 이러한 양식(modality)에 적용된 기존의 머신러닝 분류기들은 흔히 세 가지 결정적인 한계점에 직면한다: (1) 특징 차원 대비 소규모 샘플 환경에서의 미미한 변별 성능, (2) 임상적 의사결정을 저해하는 불량한 확률 교정(calibration) 추정치, (3) 확립된 신경과학적 근거와의 검증을 방해하는 해석 가능성의 결여이다. 또한, 양자 머신러닝(QML)의 기존 응용 사례들은 확률 교정이나 체계적인 해석 가능성을 거의 다루지 않았으며, 이는 양자 모델의 임상적 유용성에 관한 문헌상의 공백을 남겼다.

방법론
저자들은 구조적 MRI와 EEG 데이터를 독립적으로 처리하는 이중 파이프라인을 제안하며, 이후 다중 모달 융합, 엄격한 사후 교정 및 해석 가능성 분석을 수행하는 Quantum Kernel Support Vector Machines (SVM)를 사용한다.

• 데이터 및 전처리:
  • MRI 파이프라인: UCLA 신경정신학적 표현형 컨소시엄 데이터셋(OpenNeuro ds000030)을 활용하였다. 이진 분류 작업(ADHD 대 대조군)을 위해 85명의 훈련 피험자가 사용되었다. 68개의 피질 및 14개의 피질하 영역(총 340개 형태 측정 특징)에서 특징을 추출하였으며, 4-큐비트 양자 회로에 맞추기 위해 4개의 주성분(PCA)으로 축소하였다.
  • EEG 파이프라인: 64채널 휴지기 EEG 데이터셋(Park et al.)을 활용하였다. 5개 주파수 대역의 대역 전력(bandpower) 특징을 8-큐비트 회로에 맞추기 위해 8개의 주성분으로 축소하였다.
• 양자 커널 설계:
  • 특징 맵(Feature Maps): 두 파이프라인 모두 매개변수화된 양자 회로(각도 인코딩 $R_y$ 및 $R_z$ 회전과 선형 체인 토폴로지의 얽힘 층인 controlled-Z 게이트 사용)를 채택한다. MRI 파이프라인은 4-큐비트 회로를, EEG 파이프라인은 8-큐비트 회로를 사용한다.
  • 커널 계산: 양자 커널은 상태 벡터 시뮬레이션을 통해 추정된 양자 상태의 내적($k_Q(x_i, x_j) = |\langle \phi(x_i) | \phi(x_j) \rangle|^2$)으로 계산된다.
  • 고전적 베이스라인: 동일한 베이지안 최적화 프로토콜을 통해 튜닝된 포괄적인 고전 모델 군(RBF, Linear, Polynomial, Sigmoid SVM, 로지스틱 회귀, 랜덤 포레스트, 그래디언트 부스팅 포함)을 비교하였다.
• 교정(Calibration):
  • 예측 신뢰도를 실제 정확도와 일치시키기 위해 **온도 스케일링(Temperature Scaling)**을 이용한 사후 교정을 수행하였다. 온도 파라미터 $T$는 음의 로그 가능도(negative log-likelihood)를 최소화하도록 검증 세트에서 최적화되었다. 아이소토닉 회귀(Isotonic regression)도 평가되었으나 양자 모델에는 효과가 덜한 것으로 나타났다.
• 해석 가능성:
  • PCA를 통한 SVM 그래디언트의 역투영(back-projection)과 샤플리 값(Shapley-value) 기반 특징 기여도를 결합한 그래디언트 기반 민감도 분석(GBSA) 프레임워크를 도입하여, 주요 뇌 영역과 EEG 전극을 식별하였다.
• 융합(Fusion):
  • MRI 및 EEG 파이프라인으로부터 도출된 교정된 확률의 가중 평균을 통해 다중 모달 융합을 달성하였으며, 가중치는 검증 세트에서 최적화되었다.

주요 결과

• 변별 성능:
  • MRI (ADHD 대 대조군): 4-큐비트 양자 커널 SVM은 AUC 0.957(95% CI [0.91, 0.99]) 및 MCC 0.679를 달면했다. 이와 극명하게 대조적으로, 최적의 고전 베이스라인인 그래디언트 부스팅은 AUC 0.592에 그쳤으며, RBF SVM은 무작위 선택 수준(AUC 0.497)의 성능을 보였다.
  • EEG (다중 클래스 정신 상태): 하이브리드 양자-고전 커널은 순수 양자(AUC 0.824) 및 순수 고전 RBF(AUC 0.812) 모델을 모두 능가하여 AUC 0.841을 달성하였다. 이는 양자 커널과 고전 커널이 스펙트럼 특징에서 상호 보완적인 정보를 포착함을 시사한다.
• 교정:
  • 교정되지 않은 양자 모델은 과잉 확신(overconfidence)을 보였다. 온도 스케일링은 MRI 파이프라인에서 기대 교정 오차(ECE)를 85%(0.158에서 0.024로) 감소시켰고, EEG 파이프라인에서는 49%(0.089에서 0.045로) 감소시켰다.
  • 다중 모달 융합: 융합 모델은 가장 낮은 ECE인 0.0075를 달성하였으며, 이는 모달리티를 결합하는 것이 변별력을 높일 뿐만 아니라 교정 신뢰성을 크게 향상시킨다는 것을 입증한다.
• 해석 가능성:
  • GBSA는 신경생물학적으로 확립된 징후들을 성공적으로 복구하였다. ADHD의 경우, 모델은 내측 전전두엽 피질(mPFC), 전대상 피질(ACC), 미상핵(caudate nucleus) 및 피각(putamen)을 강조하였다. 조현병의 경우, 모델은 증가된 전두부 델타/세타 파워와 감소된 두정-후두부 알파 파워를 식별하였으며, 이는 수십 년간의 EEG 연구와 일치한다.
• 계산 비용:
  • 양자 커널의 고전적 시뮬레이션은 상당한 오버헤드를 발생시켰다(예: 8-큐비트 EEG 커널 행렬에 18.3시간, 고전 RBF에 4.2초). 저자들은 이것이 고전적 시뮬레이션의 결과이며, 네이티브 양자 하드웨어에서는 제거될 문제라고 언급하였다.

의의 및 주장
본 논문은 양자 커널 방법이 데이터 구조가 양자 특징 맵의 기하학적 구조와 일치할 때, 특히 고전적 커널이 포화되거나 실패할 수 있는 소규모 샘플 신경 영상 환경에서 고전적 베이스라인에 비해 진정한 이점을 제공할 수 있다고 주장한다. 본 연구는 다음을 입증하였다:

1. 양자 우위: 제한된 데이터셋에서 양자 커널은 데이터 구조가 양자 특징 맵의 기하학과 일치할 때 고전적 RBF보다 우수한 변별력(AUC 0.957 vs 무작위 선택)을 확보할 수 있다.
2. 임상적 생존 가능성: 표준 교정 절차(온도 스케일링)를 통해 고성능 AI 모델에서 흔히 발생하는 문제인 오교정된 확률 문제를 해결함으로써, 양자 모델을 임상 배포가 가능할 정도로 신뢰할 수 있게 만들 수 있다.
3. 생물학적 타당성: 해석 가능성 프레임워크(GBSA)의 통합은 양자 커널 표현이 "블랙박스"가 아니라 확립된 정신 질환의 신경생물학적 징후와 일치함을 검증한다.
4. 다중 모달 시너지: 양자 유도 MRI 및 EEG 출력의 융합은 가장 높은 교정 정확도(ECE 0.0075)를 나타내며, 이는 다중 모달 통합이 강력한 임상 의사결정 지원 전략임을 시사한다.

저자들은 현재의 결과가 고전적 시뮬레이션에 의존하고 있으나, 입증된 성능과 해석 가능성은 양자 커널 방법이 대규모 데이터셋을 사용할 수 없는 정밀 정신의학 분야에서 유망한 경로임을 시사한다고 결론짓는다.