Structure Discovery in fMRI Time-Series via Dynamic Graph Representation Learning

Motivation

• Known: Resting-state fMRI 분석에서는 통상적으로 전체 시계열에 대해 계산된 정적인 Pearson-correlation 그래프를 뇌 영역 간 연결성으로 사용해왔으며, Graph Structure Learning(GSL)은 데이터로부터 그래프를 직접 추론하는 대안적 접근으로 알려져 있다.
• Gap: 기존 sliding-window correlation이나 biophysical model 기반의 동적 연결성 추정 방법은 민감한 hyperparameter에 의존하거나 신경 역학에 대한 강한 가정을 필요로 하며, 뇌 영역 간 상호작용의 시간적 변화를 유연하게 포착하지 못한다는 한계가 있다.
• Why: 사전 정의된 연결성 측정치 없이 데이터로부터 직접 동적 그래프 구조를 학습할 수 있다면, 복잡한 생리학적 시계열의 잠재적 조직 구조를 보다 유연하고 데이터 기반적으로 발견할 수 있어 구조화된 헬스 데이터 분석 전반에 시사점을 줄 수 있다.
• Approach: windowed fMRI 시계열로부터 temporal learner가 각 시간 창별 region-region 유사도를 추정해 adjacency matrix를 생성하고, GCN 기반 encoder-decoder가 이를 이용해 신호를 재구성하도록 end-to-end로 학습하는 Unsupervised Dynamic Graph Structure Learning(UDGSL) 프레임워크를 제안한다.

Achievement

Figure 2. (Top row): Time-series reconstruction. For three representative ROIs, we show the reconstructed signals from o

1. 재구성 성능 개선: HCP S1200 resting-state fMRI (AAL1, Brainnetome parcellation)에서 UDGSL이 MLP/LSTM 베이스라인 대비 reconstruction MSE를 24-32% 감소시켰으며, 더 적은 parameter 수로 이를 달성했다.
2. 예측 성능 개선: Pearson-correlation 그래프 대비 학습된 그래프가 forecasting MSE를 26-28% 감소시켰다.
3. 분류 성능 개선: subject-level(성별) classification accuracy가 Pearson 대비 5-7 absolute point 향상되었으며, first-order stochastic dominance(FSD) 검정을 통해 통계적으로 유의미하고 효과 크기가 큰 개선임을 확인했다.
4. 효율성: UDGSL은 비교 대상 MLP/LSTM 모델보다 parameter 수가 적음에도 모든 지표에서 우수한 성능을 보였다.

How

Figure 2. (Top row): Time-series reconstruction. For three representative ROIs, we show the reconstructed signals from o

• UDGSL 구조: learner $f_l$, encoder $f_e$(GCN), decoder $g$의 3개 구성요소로 이루어짐.
• Learner는 temporal convolution으로 각 뇌 영역별 시간 특징을 독립적으로 추출한 뒤 pairwise similarity를 계산해 시간 창마다 symmetric, non-negative adjacency matrix $A(t)$를 생성.
• Node feature $F(t)$는 뇌 영역의 one-hot encoding으로 고정하여, 구조 정보는 주로 학습된 adjacency matrix에 담기도록 설계.
• Encoder $f_e$는 $A(t)$와 $F(t)$를 받아 $H(t)$를 계산하고, decoder $g$가 이를 이용해 원 신호 $\hat{X}(t)$를 재구성; reconstruction loss $L_{rec}$을 최소화하도록 end-to-end 학습.
• 평가 과제: (1) Time-series Reconstruction (비지도, one-hot node feature), (2) Dynamic Node Prediction (GCN+RNN(GRU/LSTM)+MLP로 미래 BOLD 신호 예측), (3) Graph Classification (average pooling 후 MLP로 subject-level 성별 분류, cross-entropy loss).
• HCP S1200 데이터셋, AAL1 및 Brainnetome parcellation 사용, 10개 random seed에 대해 평균 및 표준편차 보고, FSD 통계 검정으로 강건성 확인.

Originality

• 정적 Pearson-correlation 그래프에 의존하는 기존 fMRI 연결성 분석과 달리, 라벨이나 사전 정의된 연결성 없이 windowed fMRI 시계열로부터 직접 동적 adjacency matrix 시퀀스를 비지도로 학습하는 프레임워크(UDGSL)를 제안.
• Node feature를 one-hot encoding으로 고정함으로써 구조적 정보가 전적으로 학습된 그래프에 담기도록 설계한 점이 독특함.
• 학습된 그래프를 재구성, 예측, 분류라는 세 가지 서로 다른 downstream task에서 체계적으로 평가하고 Pearson-correlation 기반 그래프와 직접 비교하여 실용적 우수성을 검증.
• FSD와 permutation test를 활용해 분류 성능 개선의 통계적 유의성과 효과 크기를 정량적으로 제시.

Limitation & Further Study

• 학습된 그래프는 저자들 스스로 명시하듯 인과적(causal) 또는 임상적 connectivity를 나타내는 것이 아니라 예측적, 데이터 기반 관계 표현에 불과하여 신경과학적 해석에는 한계가 있음.
• Signed graph(음의 상관관계를 포함한 구조)나 static-dynamic hybrid graph model로의 확장이 향후 과제로 남아있음.
• 평가가 HCP S1200 단일 데이터셋과 두 parcellation scheme에 국한되어 있어, 다른 인구집단이나 병리적 상태(예: 임상 코호트)에 대한 일반화 가능성은 검증되지 않음.
• Downstream task로 성별 분류만 다루고 있어 실제 임상적으로 의미 있는 표현형(질병 진단, 인지 능력 등)에 대한 검증이 부족함.
• 학습된 adjacency matrix의 해석 가능성(예: 어떤 뇌 영역 쌍이 왜 강하게 연결되었는지)에 대한 심층 분석이 제한적임.

Evaluation

총평: 정적 correlation 그래프의 한계를 명확히 지적하고 비지도 방식으로 동적 그래프 구조를 학습하는 간결하고 효과적인 프레임워크를 제시했으며, 세 가지 downstream task에서 일관된 성능 개선을 보여 구조화된 생리학적 시계열 분석에 유용한 방향을 제시한다.