[연구의 필요성]

뇌 영상 연구는 다양한 신경학적 현상을 밝히는 데 중요한 역할을 하지만, 개별 연구가 보통 소규모 피험자에 기반하기 때문에 통계적 신뢰성이 떨어지는 한계가 있습니다. 이를 보완하기 위해 여러 연구 결과를 통합하는 메타분석(meta-analysis)이 활용되지만, 기존 접근법은 주로 키워드 기반 검색이나 선형적 매핑에 의존하여 뇌의 위계적 구조를 충분히 반영하지 못했습니다. 그러나 실제 뇌는 큰 영역에서 세부 영역으로 점차 분화되는 위계적(hierarchical) 조직을 가지며, 이러한 특성을 고려하지 않으면 텍스트와 뇌 활성화의 정교한 연관성을 포착하기 어렵습니다. 따라서 뇌–텍스트 간 위계적 관계를 동시에 반영할 수 있는 새로운 분석 방법론이 필요합니다.

 

[포스텍이 가진 고유의 기술]

1. 본 연구의 차별성은 단순히 하이퍼볼릭 공간에 임베딩하는 데 그치지 않고, 뇌 영역 간 및 뇌 영역–기능 간 위계적 질서를 정밀하게 반영할 수 있도록 손실 함수를 설계한 것에 있습니다. 구체적으로, 

   1. 각도 기반 대조 학습(angle-based contrastive loss)을 통해 텍스트–뇌 활성화 쌍 간 의미적 대응성을 강화하면서 위계적 관계를 손상시키지 않도록 조율하였습니다.

   2. 중심 정규화(centroid regularization)를 적용하여 뇌 활성화 임베딩이 텍스트 임베딩보다 상위 수준(보다 일반적 계층)에 위치하도록 하여, 뇌–텍스트 간 위계적 관계를 보존하였습니다.

   3. 뇌 구조 위계 가이드(hierarchical loss)를 새롭게 제안하여 전역적 활성화(예: 반구 수준)와 국소적 활성화(예: 특정 ROI) 간의 구조적 서열을 올바르게 반영하도록 학습을 유도하였습니다.

   이와 같은 손실 설계는 기존 연구들이 단순한 의미 정렬에만 집중했던 것과 달리, 신경영상 데이터의 다층적 구조와 기능적 위계를 동시에 반영할 수 있는 독창적인 접근법입니다.

 

[연구의 의미]

본 연구는 뇌–텍스트 메타분석에서 단순한 임베딩 매칭을 넘어, 뇌 구조 및 기능의 위계적 질서를 학습 과정에 직접 반영하는 새로운 방법론을 제시하였습니다. 이를 통해: 뇌 영역의 전역–국소적 구조와 기능적 위계가 모델 내에서 명시적으로 고려되어, 기존 접근법보다 해석 가능성(interpretability)이 크게 향상되었습니다. 위계적 제약을 반영한 손실 설계를 통해 교차 모달 검색 및 뇌 활성화 예측에서 정확성과 일관성(consistency)을 동시에 확보할 수 있음을 실험적으로 입증했습니다. 뇌 기능 연구에서 중요한 다층적 인과 구조(coarse-to-fine hierarchy)를 자동적으로 재현할 수 있음을 보여주어, 향후 신경과학적 발견과 AI 기반 뇌 연구의 기반을 마련했습니다. 따라서 본 연구는 하이퍼볼릭 임베딩 위에서 위계적 손실을 정교하게 설계하여 신경영상 데이터의 다층적 구조를 실질적으로 반영한 최초의 메타분석 프레임워크라는 점에서 학문적·실용적 의의를 지닙니다.

 

[연구결과의 진행 상태 및 향후 계획]

본 연구는 의료 인공지능 분야 최우수 국제학술대회인 International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2025)에서 조기 수락 논문(조기 수락률: 9%)으로 채택되었다.

 

[성과와 관련된 실적]

Seunghun Baek, Jaejin Lee, Jaeyoon Sim, Minjae Jung, Won Hwa Kim, “MNM: Multi-level Neuroimaging Meta-analysis with Hyperbolic Brain-Text Representations”, Medical Image Computing and Computer Assisted Intervention (MICCAI), 2025. [Provisional accept: ~9%]

 

[성과와 관련된 이미지]