Racialized Heteroscedasticity in Neuroimaging Features, Behavior Measures, and Neuroimaging-Based Predictive Models

기술 요약: 신경영상 특징, 행동 측정치 및 신경영상 기반 예측 모델에서의 인종적 이분산성(Racialized Heteroscedasticity)

문제 제기
신경영상 연구는 흔히 뇌와 행동 데이터의 분산 구조가 인구 집단 하위 그룹 간에 동일하다는 가정, 즉 등분산성(homoscedasticity)을 전제로 한다. 그러나 이 가정은 거의 검증되지 않는다. 저자들은 스트레스, 환경적 역경 및 사회적 자원에 대한 불평등한 노출로 인해 발생할 수 있는 "인종적 이분산성(racialized heteroscedasticity)"—즉, 인종화된 집단 간의 체계적인 분산 차이—이 존재할 수 있다고 상정한다. 이 이분산성 위반을 해결하지 않으면 편향된 예측, 모델 신뢰도 저하, 그리고 고분산 집단에서의 유의미한 변동성 은폐로 이어질 수 있다. 본 연구는 Adolescent Brain Cognitive Development (ABCD) 코호트의 흑인 및 백인 참가자들 사이에서 분산 구조가 어떻게 다른지, 그리고 이러한 차이가 뇌-행동 예측 모델링에 어떻게 전파되는지를 조사한다.

방법론
본 연구는 ABCD 연구의 참가자 4,736명(백인 3,892명, 흑인 844명)의 기초선 데이터를 활용하였다. 분석은 네 단계로 진행되었다:

1. 신경영상에서의 분산 정량화: 저자들은 여섯 가지 신경영상 양상(휴지기 fMRI(rsfMRI), 과업 기반 fMRI(금전적 유인 지연, 정지 신호 과업, EN-Back), 확산 가중 영상(DWI), T1 강조 구조 MRI(SMRI))에 걸쳐 분산 차이를 테스트하였다. Levene's test를 사용하여 35,778개의 기능적 연결성 에지(edge)와 151개의 구조적 특징에 대한 인종 그룹 간 분산 차이를 비교하였다. 분석은 보정되지 않은 상태와 엄격한 보정(연령, 성별, 소득, 움직임에 대한 공변량 회귀; ComBat을 통한 사이트 보정; 균형 잡힌 표본 크기 적용)을 거친 후 모두 수행되었다.
2. 행동 측정치의 분산 정량화: 인지, 성격, 정서 조절 및 행동 건강을 아우르는 36가지 행동 측정치에 대해 역시 FDR 보정을 적용한 Levene's test를 사용하여 분산 차이를 평가하였다.
3. 예측 모델링 분석: 커넥톰 기반 예측 모델링(Connectome-based Predictive Modeling, CPM)을 사용하여 전체 뇌 rsfMRI 연결성을 통해 36가지 행동 측정치를 예측하였으며, 이때 데이터 누수를 방지하기 위해 가족 단위로 층화된 5-겹 교차 검증(five-fold cross-validation)을 사용하였다. 저자들은 예측 성능(상관관계 및 평균 제곱 오차(MSE))과 결정적으로 인종 그룹 간 예측값의 분산($\Delta$Variance)을 평가하였다. 보충 분석에서는 상보적인 모델(커널 리지 회귀, 랜덤 포슬트, 인공 신경망)도 테스트되었다.
4. 시뮬레이션: 기계적 연결 고리를 확립하기 위해, 두 그룹이 예측 변수($X$)와 결과 변수($Y$) 사이의 평균 관계는 동일하지만 분산은 서로 다른 선형 회귀 시나리오를 시뮬레이션하였다. 이를 통해 혼란 변수 없이 분산 구조가 예측 정확도(MSE 및 상관관계)에 미치는 영향을 격리하여 조사하였다.

주요 결과

• 신경영상 분산: 모든 양상에서 12.44% ~ 46.36%의 특징들이 흑인과 백인 참가자 간에 유의미한 분산 차이를 보였다. 기능적 영상 양상(rsfMRI 및 과업 기반 fMRI)은 일관되게 흑인 참가자에게서 더 큰 분산을 보이는 특징의 비율이 높게 나타났다(유의미한 특징 중 62.37% ~ 91.69%). 반면, DWI는 대부분의 특징에서 백인 참가자가 더 큰 분산을 보였으며, SMRI는 그룹 간 고분산 특징의 수에서 유의미한 차이를 보이지 않았다. 이러한 패턴은 공변량, 사이트 효과, 표본 불균형에 대한 엄격한 보정을 적용한 후에도 지속되었으나, 유의미한 특징의 총 수는 감소하였다.
• 행동 분산: 36가지 행동 측정치 중 30가지가 FDR 보정 후 유의미한 분산 차이를 보였다. 특히, 아동 행동 체크리스트 점수(예: 규칙 위반, 공격성)와 성격 영역(예: 자극 추구)을 포함하여 27개 측정치가 흑인 참가자에게서 더 큰 분산을 나타냈다.
• 예측 모델 성능: CPM에서 20개의 행동 측정치가 완만한 수준이지만 유의미한 예측($r > 0.1$)을 생성했다. 전반적인 성능 지표는 유사했으나, 20개 모델 중 15개는 흑인 참가자에게서 관찰값과 예측값 사이의 상관관계가 더 높게 나타난 반면, 18개 모델은 더 높은 평균 제곱 오차(MSE)를 보였다. 이러한 충돌은 이분산성이 존재하는 상황에서 높은 상관관계가 반드시 낮은 오차를 의미하지는 않는다는 것을 시사한다.
• 예측 분산: 예측값의 분산은 유의미한 20개 모델 중 16개에서 흑인 참가자에게서 유의미하게 높았다. 두 가지 모델(규칙 위반 및 자극 추구)은 FDR 보정된 유의미한 예측 분산 차이를 보였으며, 흑인 참가자가 더 큰 분산을 나타냈다.
• 시뮬레이션 결과: 시뮬레이션은 한 그룹의 결과 변수($Y$)의 분산을 증가시키는 것이 예측 변수($X$)와 $Y$ 사이의 근본적인 관계가 동일하더라도 해당 그룹의 MSE를 직접적으로 증가시킨다는 것을 입증했다. 예측 변수($X$)의 분산을 높이는 것은 관찰값과 예측값 사이의 상관관계를 높였다. 이러한 결과는 분산 구조 그 자체만으로도 그룹 간 예측 정확도의 격차를 유발할 수 있으며, 상충하는 성능 지표를 만들어낼 수 있음을 확인해 준다.

의의 및 주장
저자들은 자신들의 연구 결과가 인구 집단 신경영상 연구에서 검증되지 않은 채 당연시되어 온 핵심적인 가정, 즉 분산 구조가 하위 그룹 간에 충분히 유사하여 표준적인 추론 및 예측 워크플로우를 허용한다는 가정을 폭로한다고 주장한다. 본 연구는 다음을 입증한다:

1. 결정 요인으로서의 분산 구조: 분산 구조는 단순히 중심 경향성(평균 차이)뿐만 아니라, 모델의 성능, 일반화 가능성 및 신뢰성에 유의미한 영향을 미치는 안정적이고 재현 가능한 속성이다.
2. 편향의 메커니즘: 본 논문은 왜 신경영상 기반 예측 모델이 훈련 데이터가 균형 잡혀 있음에도 불구하고 소수 집단에서 더 낮은 성능을 보이는지에 대한 기계적 설명으로 '인종적 이분산성'을 제시한다. 흑인 참가자에게서 나타나는 증가된 분산은 더 높은 예측 오차(MSE)와 더 큰 불확실성을 초래하며, 표준적인 지표들은 이를 은폐할 수 있다.
3. 형평성 및 임상적 적용: 저자들은 이러한 분산 차이를 무시하는 것이 임상 현장에서 신뢰할 수 없는 모델을 배치함으로써 건강 격차를 악화시킬 수 있다고 주장한다. 그들은 "인종적 이분산성"이 내재적인 생물학적 차이가 아니라, 사회적으로 구조화된 노출이 형성한 변동성을 반영하는 것임을 강조한다.
4. 방법론적 필수 사항: 연구는 분산 구조를 부차적인 가정이 아니라, 하위 그룹 간에 정기적으로 검토해야 할 주요 분석 단계로 다루어야 한다고 결론짓는다. 저자들은 향후 연구가 평균의 균형을 맞추는 것을 넘어, 더 형평성 있고 정확한 예측 모델을 개발하기 위해 분산의 비대칭성을 다루는 방향으로 나아가야 한다고 제안한다.

저자들은 본 연구가 단일 코호트에 국한되어 있고 이진적 인종 분류를 사용했다는 점을 들어, 이러한 차이의 크기가 모든 인구 집단이나 발달 단계로 일반화될 수 있는지에 대해서는 신중한 태도를 유지하면서도, 분산 차이의 존재 자체가 보다 정교한 해석과 모델링을 요구하는 강력한 발견임을 주장한다.