An explainable hierarchical machine learning framework for schizophrenia biomarker detection based on electroencephalogram signals

인간의 뇌는 전기 신호가 끊임없이 흐르는 거대하고 웅성거리는 네트워크이며, 우리의 생각, 감정, 그리고 건강 상태에 따라 변화하는 패턴으로 계속해서 신호를 보냅니다. 수십 년 동안 의사들은 조현병과 같은 복잡한 정신 질환을 진단하기 위해 인터뷰와 관찰에 의존해 왔습니다. 조현병은 사람이 생각하고, 느끼고, 세상과 상호작용하는 방식을 변화시키는 질환입니다. 이러한 임상적 방법들은 필수적이긴 하지만, 주관적이기 때문에 종종 진단이 지연되거나 오분류되는 결과를 초래하기도 합니다. 최근 몇 년 동안 과학자들은 두피에 센서를 부착하여 뇌의 전기적 활동을 기록하는 비침습적 기술인 뇌전도(EEG)에 주목해 왔습니다. 값비싼 뇌 스캔과 달리, EEG는 저렴하고 휴대하기 쉬우며, 뇌의 실시간 역동성을 들여다볼 수 있는 직접적인 창을 제공합니다. 문제는 이러한 전기 신호가 매우 복잡하고 미묘하여, 건강한 뇌와 질병의 영향을 받은 뇌를 구별 짓는 특정 패턴을 찾아내는 것이 매우 어렵다는 점이었습니다.

이란의 여러 대학교 연구진은 이 문제를 해결하기 위해 새로운 방법을 개발했습니다. 이들은 단순히 패턴을 식별할 뿐만 아니라, 그 패턴을 어떻게 찾아냈는지까지 정확히 설명할 수 있는 시스템을 구축했습니다. 연구진은 101명(조현병 진단을 받은 51명과 건강한 대조군 50명)의 기록을 분석하여, 두 집단을 주목할 만한 정확도로 구별할 수 있는 머신러닝 프레임워크를 구축했습니다. 이 연구는 참가자들이 눈을 감고 있을 때와 눈을 뜨고 있을 때라는 두 가지 특정 상태에 초점을 맞추었습니다. 이 시스템은 단순히 추측하는 데 그치지 않았습니다. 시스템은 수천 개의 뇌파에 대한 수학적 설명을 훑어보고, 가장 결정적인 것들을 선택한 뒤, 강력한 컴퓨터 알고리즘을 사용하여 결정을 내렸습니다. 결정적으로, 연구진은 단순한 "예 또는 아니오"라는 답변에서 멈추지 않았습니다. 그들은 컴퓨터의 의사결정 과정을 층층이 파헤치는 방법을 사용하여, 어떤 특정 뇌 부위와 어떤 유형의 전기적 활동이 진단에 가장 중요했는지를 밝혀냈습니다.

이 연구의 핵심은 EEG 센서로부터 수집된 방대한 양의 데이터를 어떻게 처리했느냐에 있습니다. 각 기록은 엄청난 양의 정보를 생성하며, 이는 컴퓨터가 혼란 없이 효율적으로 처리하기에는 너무 많은 양입니다. 이를 해결하기 위해 연구팀은 사용 가능한 수천 개의 측정값 중 가장 유용한 20개를 찾아내는 단계별 선택 과정을 사용했습니다. 이 측정값들은 단순한 평균값이 아니었습니다. 여기에는 뇌파가 얼마나 무질서하거나 질서 정연한지에 대한 복잡한 묘사와 더불어, 다양한 속도 범위의 신호에 존재하는 에너지가 얼마나 되는지가 포함되었습니다. 이렇게 작고 고품질인 데이터 세트가 준비되자, 연구진은 환자군과 건강한 대조군을 가장 잘 분리할 수 있는 10가지 유형의 컴퓨터 학습 모델을 테스트했습니다. 연구진은 컴퓨터가 거의 모든 사람의 데이터로 학습된 후, 한 번도 본 적 없는 단 한 명의 데이터를 바탕으로 테스트를 수행하는 엄격한 검증 방식을 사용했으며, 이를 모든 참가자에 대해 반복하여 결과가 단순히 운이 좋아서 얻은 것이 아니라 실제임을 확인했습니다.

결과에 따르면, 참가자들이 눈을 감고 있을 때 컴퓨터 모델의 성능이 가장 좋았습니다. 이 조용하고 휴식하는 상태에서, 가장 성공적인 모델들은 약 81%의 확률로 상태를 정확히 식별해 냈습니다. 가장 효과적이었던 모델들은 여러 전문가가 투표를 통해 결정을 내리는 방식, 즉 많은 작은 판단들을 결합하여 최종 결론에 도달하는 방식을 모방한 모델들이었습니다. 참가자들이 눈을 떴을 때도 모델들은 여전히 집단을 구별할 수 있었지만, 정확도는 약간 떨어졌습니다. 이는 뇌의 내부적인 휴식 상태 활동이 외부 세계를 처리하는 동안의 활동보다 질환의 징후를 더 명확하게 보유하고 있음을 시사합니다. 컴퓨터는 하나의 신호 유형에만 의존하지 않았습니다. 대신, 다양한 측정값의 조합이 가장 효과적이라는 것을 찾아냈습니다. 가장 중요한 신호는 뇌의 앞쪽과 측면에서 왔으며, 특히 파동의 속도와 패턴의 복와 관련되어 있었습니다.

이 연구의 가장 중요한 기여는 아마도 이 과정에 부여한 투명성일 것입니다. 컴퓨터를 의료 진단에 사용하려는 많은 이전의 시도들에서 시스템은 왜 그런 결정을 내렸는지 설명하지 않은 채 답만 내놓는 "블랙박스" 역할을 해왔습니다. 그러나 여기서 연구진은 어떤 특징이 컴퓨터의 결정에 영향을 미쳤는지 지도화하는 도구를 사용했습니다. 그들은 가장 영향력 있는 신호가 뇌 전중앙부의 복잡성 척도라는 것을 발견했습니다. 이 신호가 매우 복잡할 때 컴퓨터는 조현병 진단 쪽으로 기울었고, 더 단순할 때는 건강한 진단 쪽으로 기울었습니다. 다른 주요 신호로는 머리 옆쪽의 측두 영역에서 나타나는 특정 뇌파 리듬의 강도가 포함되었습니다. 이러한 발견은 이 질환이 뇌의 단일한 고장 난 부분에 의해 정의되는 것이 아니라, 서로 다른 영역이 정보를 처리하는 방식과 그 전기적 활동이 얼마나 혼란스러워지는지에 대한 변화의 조합에 의해 정의된다는 것을 시사합니다.

연구진은 자신들의 시스템이 우수한 성능을 보였지만, 특정 의료 센터의 특정 집단을 대상으로 테스트되었다는 점을 주의 깊게 언급했습니다. 이는 연구 결과가 유망하지만 아직 전 세계 모든 병원을 위한 최종적인 해결책은 아님을 의미합니다. 이 연구는 단순하고 소규모인 테스트만으로는 충분하다는 생각에 명시적으로 반대하며, 매우 적은 수의 참가자를 대상으로 한 이전 연구들이 엄격하게 테스트했을 때 유지되지 않는 지나치게 낙관적인 결과를 냈음을 보여주었습니다. 더 큰 규모의 집단을 사용하고 더 엄격한 테스트 방법을 적용함으로써, 이 연구는 무엇이 가능한지에 대한 더 현실적인 그림을 제공합니다. 이 작업은 세심하게 선택된 뇌파 측정값과 고급 컴퓨터 학습을 결합함으로써 신뢰할 수 있는 진단 도구를 만들 수 있음을 입증합니다. 또한, 이러한 도구들이 이해 가능하게 만들어질 수 있음을 증명하며, 의사와 환자에게 어떤 생물학적 징후가 결론에 도달하는 데 사용되었는지 명확히 보여줍니다. 이러한 접근 방식은 주관적인 인터뷰를 넘어 뇌의 전기적 실체에 대한 더 명확한 이해로 나아감으로써, 언젠가 의사들이 조현병을 더 빠르고 정확하게 진단할 수 있도록 돕는 객관적인 뇌 기반 도구의 길을 제시합니다.