BrainRiem: 소스 없는 교차 사이트 뇌 네트워크 진단을 위한 리만 프로토타입 학습 (Riemannian Prototype

다중 사이트 기능적 자기공명영상 (fMRI) 연구는 강력한 신경정신과적 진단을 위해 필수적이지만, 스캐너의 이질성, 인구 통계학적 특성, 그리고 사이트별 획득 프로토콜로 인한 심각한 도메인 시프트 (domain shifts) 문제를 겪습니다. 전통적인 도메인 적응 (domain adaptation) 방식은 소스 (source) 데이터와 타겟 (target) 데이터에 대한 동시 접근을 요구하며, 이는 임상 개인정보 보호 규정을 위반합니다. 더욱이, 기능적 연결성 행렬 (functional connectivity matrices)은 대칭 양의 정부호 (Symmetric Positive Definite, SPD) 매니폴드 (manifold) 상에 존재하며, 여기서 유클리드 연산 (Euclidean operations)을 수행하면 진단 패턴을 손상시키는 기하학적 왜곡이 발생합니다.

우리는 매니폴드 인지형 이중 수준 최적화 (manifold-aware bi-level optimization)를 통해 압축된 리만 뇌 프로토타입 (Riemannian brain prototypes)을 학습하는 소스 없는 도메인 적응 (source-free domain adaptation) 프레임워크인 BrainRiem을 제안합니다. 이 모델은 로그-유클리드 메트릭 (Log-Euclidean Metric)을 사용하여 프로토타입이 유효한 SPD 행렬로 유지되도록 보장하며, 디리클레 에너지 (Dirichlet Energy) 스펙트럼 보정 (spectral calibration)을 통해 프로토타입의 주파수 특성을 실제 뇌 네트워크와 정렬합니다. 익명화된 프로토타입만이 타겟 사이트로 전송되며, 이는 소스 데이터에 대한 접근 없이도 로컬 모델 학습을 위한 안정적인 앵커 (anchors) 역할을 수행하며, 평가된 공격 하에서 데이터 유출을 감소시킵니다.

ABIDE 및 REST-meta-MDD 데이터셋에 대한 종합적인 실험 결과, BrainRiem은 다양한 스캐너와 인구 통계학적 조건에서 최신 소스 없는 (source-free), 전통적, 그리고 그래프 도메인 적응 (graph domain adaptation) 방법들을 일관되게 능가함을 보여주었습니다. 특히, 학습된 프로토타입은 기존의 신경과학적 발견과 일치하는 생물학적으로 해석 가능한 연결성 패턴을 나타내며, 이는 뇌 네트워크 분석에서 리만 기하학 (Riemannian geometry)의 필요성을 입증합니다.