NeuroPath: 인간 연결체의 점들을 연결하는 신경 경로 트랜스포머

현대 영상 기술은 살아있는 상태에서 두 개의 독립된 뇌 영역 간의 연결성을 연구할 수 있게 했지만, 해부학적 구조가 뇌 기능을 어떻게 지지하는지, 그리고 자발적인 기능적 변동이 어떻게 놀라운 인지 능력을 생성하는지에 대한 심층적 이해는 여전히 미흡한 실정이다. 한편, 머신러닝 분야에서는 신경영상 데이터와 형질적 특성 간의 비선형 맵핑을 수립하기 위한 막대한 노력이 이루어져 왔다. 그러나 현재의 접근 방식에는 신경과학적 통찰이 부족하여, 일시적인 신경 활동으로부터 인지 행동을 이해하는 데 큰 도전이 있다. 이러한 문제를 해결하기 위해, 우리는 해부학적 연결성(Structural Connectivity, SC)과 기능적 연결성(Functional Connectivity, FC) 간의 결합 메커니즘에 주목하며, 네트워크 신경과학적 질문을 고차원 구조를 표현 가능한 그래프 표현 학습 문제로 재정의한다. 구체적으로, FC의 보편적인 사례인 직접 연결이 SC에 의해 물리적으로 구현된 신경 경로(즉, 회로적 경로, detour)에 의해 어떻게 지지되는지를 설명하기 위해 '위상적 회로(тополог적 디토어)'라는 개념을 도입한다. 이는 뇌의 구조와 기능이 상호작용하는 순환적 루프를 형성한다. 머신러닝의 관점에서 보면, SC-FC 결합을 뒷받침하는 다단계 회로 경로를 통해, Transformer 내부에 새로운 다중 헤드 자기주의(self-attention) 메커니즘을 설계함으로써 SC와 FC의 쌍 그래프에서 다모달 특성 표현을 효과적으로 포착할 수 있다. 종합적으로, 우리는 뇌 영상의 엄청난 양에서 잠재적인 연결성 특성 표현을 탐색할 수 있도록 생물학적 인spired 딥 모델인 NeuroPath를 제안한다. 이 모델은 작업 인식, 질병 진단 등 다양한 후속 응용에 쉽게 통합될 수 있다. 우리는 HCP 및 UK Biobank과 같은 대규모 공개 데이터셋에서 감독 학습 및 제로샷 학습 환경 하에서 NeuroPath의 성능을 평가하였으며, 기존 최고 수준의 성능을 달성함으로써 네트워크 신경과학 분야에서 큰 잠재력을 보여주고 있다.