Revisiting Semantic Markers of Schizophrenia: A Machine Learning Analysis of Verbal Fluency Features

당신의 뇌를 모든 생각이 책이 되는 거대하고 북적이는 도서관이라고 상상해 보세요. 당신이 말을 할 때, 당신은 본질적으로 통로를 걸으며 책을 꺼내어 누군가에게 자신이 무엇을 발견했는지 이야기하는 것과 같습니다. 대부분의 사람들에게 이 걸음은 매끄럽습니다. 그들은 "동물"이나 "주방 도구"에 관한 책을 빠르게 찾아낼 수 있고, 연관된 제목들을 한꺼번에 여러 권 꺼낼 수 있습니다. 하지만 어떤 사람들에게 이 도서관은 다소 혼란스럽습니다. 책들이 흩어져 있거나, 통로가 헷갈리거나, 책들 사이의 연결 고리가 모호할 수 있습니다. 이것은 사고와 감정을 매우 어렵게 만들 수 있는 심각한 정신 건강 상태인 조현병을 앓는 사람들의 마음속에서 일어나는 일과 비슷합니다. 의사들이 이 혼란을 이해하기 위해 사용하는 방법 중 하나는 "언어 유창성 검사(Verbal Fluency Test)"를 실시하는 것입니다. 이것은 간단한 게임입니다: "1분 동안 최대한 많은 동물의 이름을 말해보세요." 기존의 방식은 이 게임의 점수를 단순히 사람이 말한 단어의 개수를 세는 것으로 측정했지만, 과학자들은 그들이 단어를 '어떻게' 말했는지가 그만큼 중요하다는 것을 깨달았습니다. 그들이 "사자"에서 "토스터"로 크게 건너뛰는지(큰 도약), 아니면 다음 그룹으로 넘어가기 전까지 "고양이과"에 머물러 있는지 말입니다. 이 논문은 컴퓨터 프로그램을 사용하여 어떤 특정 단어 선택 패턴이 조현병을 포착하는 데 가장 좋은 단서가 되는지를 밝혀냄으로써, 이 디지털 도서관의 측면을 파고듭니다.

이 연구를 진행한 바나라스 힌두 대학교(Banaras Hindu University)의 연구팀은 머신러닝(Machine Learning)이라는 강력한 도구를 사용하여 이러한 단어 패턴을 새로운 시각으로 살펴보기로 했습니다. 머신러닝을 두 집단 사이의 차이를 식별하는 법을 배우기 위해 수천 개의 사례를 읽는 아주 똑똑한 학생이라고 생각해보세요. 여기서 두 집단은 조현병 환자와 건강한 대조군입니다. 연구팀은 "동물의 이름을 말하라"는 테스트를 수행한 사람들의 데이터셋으로 시작했습니다. 원래 데이터에는 누가 누구인지 나타내는 라벨이 없었기 때문에, 세 명의 전문가 심리학자가 단어 목록을 면밀히 검토하여 라벨을 붙였으며, 높은 신뢰도로 정답에 합의했습니다.

이 단어 목록으로부터 연구팀은 컴퓨터 모델에 입력할 다섯 가지 서로 다른 "단서" 또는 특징을 추출했습니다. 일부는 수년 동안 모두가 사용해 온 전통적인 것들로, 말한 총 단어 수(유창성 점수)나 한 단어 그룹에서 다른 그룹으로 전환한 횟수(의미적 전환 횟수)와 같은 것입니다. 하지만 그들은 의미의 유사성을 바탕으로 한 두 가지의 더 정교한 새로운 단서를 추가했습니다: 평균 클러스터 유사도(Average Cluster Similarity, 단어 그룹 내의 단어들이 얼마나 밀접하게 뭉쳐 있는지)와 평균 전환 유사도(Average Switch Similarity, 새로운 그룹으로 이동할 때의 도약이 얼마나 큰지)입니다. 그런 다음 그들은 이 단서들을 바탕으로 조현병 여부를 추측하도록 다섯 가지 유형의 컴퓨터 "학생"(분류기)을 훈련시켰습니다.

여기서 이야기는 흥ักษ미진해집니다. 연구팀은 총 단어 수나 전환 횟수와 같은 전통적인 단서들이 가장 중요할 것이라고 예상했습니다. 그것이 이전 연구들이 시사해 온 바이기 때문입니다. 하지만 연구팀이 컴퓨터가 어떤 단서가 실제로 중요한지 결정하게 했을 때, 결과는 판도를 뒤집었습니다. 컴퓨터는 기존의 인기 있는 단서들을 일관되게 무시했습니다. 대신, 컴퓨터는 두 가지 새로운 유사성 단서인 평균 클러스터 유사도(ACS)와 평균 전환 유사도(ASS)를 향해 밝고 빛나는 손가락을 가리켰습니다.

실제로 연구는 전통적인 척도들, 즉 평균 클러스터 크기(한 그룹에 포함된 단어의 수)와 의미적 전환 횟수가 두 집단 간에 미미하거나 유의미하지 않은 차이를 보였으며, 컴퓨터의 식별 능력에 거의 기여하지 못했다는 것을 발견했습니다. 반면에 유사성 기반 특징들은 주인공이었습니다. 유창성 점수나 평균 전환 유사도와 같은 특징들이 어느 정도 "경향성 수준"의 잠재력을 보여주긴 했지만, 평균 클러스터 유사도 점수가 확실한 독보적 존재였습니다. 컴퓨터는 오직 평균 클러스터 유사도 점수만을 사용하여 조현병 환자를 높은 정확도로 식별할 수 있었습니다. 여러 경우에서, 효과가 떨어지는 오래된 특징들을 제거하는 것이 오히려 컴퓨터의 성능을 향적으로 만들었는데, 이는 유사성 척도가 제공하는 명확한 신호에 기존의 특징들이 노이즈를 더했다는 것을 시사합니다.

저자들은 이것이 우리가 이러한 테스트를 바라보는 방식을 재고해야 함을 의미한다고 제안합니다. 그것은 단순히 당신이 얼마나 많은 단어를 말하는지 또는 얼마나 자주 카테고리를 옮겨 다니는지에 관한 것이 아니라, 그 단어들 사이의 연결의 '질'에 관한 것입니다. 만약 당신이 말하는 단어들이 의미상으로 빽빽하게 뭉쳐 있거나, 당신이 만드는 도약이 뚜렷하고 의도적이라면, 그 패턴들이 조현병의 언어적 장애를 이해하는 진짜 열쇠를 쥐고 있는 듯합니다. 비록 이 연구가 조현병 진단을 해결했다고 주장하는 것은 아니지만, 이러한 새로운 유사성 기반의 언어 측정 방식이 우리가 의존해 온 기존 방식보다 훨씬 더 강력한 도구임을 강력하게 시사합니다. 그것은 마치 어질러진 도서관에서 특정 책을 찾기 위해 책장에 꽂힌 책의 개수를 세는 것이 아니라, 책의 등표지에 어떻게 정보가 조직되어 있는지를 이해해야 한다는 것을 깨닫는 것과 같습니다.