다중 복셀 패턴 분석을 이용한 손실 회피 관련 선택 예측

Abstract

서론: 손실 회피(loss aversion)는 사람들이 이득을 얻기보다 손실을 회피하는 것을 선호하는 성향을 의미한다. 기존의 신경학적 연구에서는 의사결정과 관련된 전전두엽의 활성이나 부정적 감정과 관련된 뇌섬엽, 편도체 등의 영역과 손실 회피 성향과의 관계가 보고된 바 있다. 본 연구에서는 이러한 손실 회피를 기계 학습 기법인 다중 복셀 패턴 분석(multi-voxel pattern analysis; MVPA)을 이용하여 분석해보고, 동시에 기능적 자기공명영상(functional magnetic resonance imaging; fMRI) 실험에서 많이 사용되는 빠른 사건 관련 설계(rapid event-related design; rapid ER design)에 다중 복셀 패턴 분석법을 효과적으로 적용하는 방법에 대하여 고찰해보고자 하였다. 연구 방법: 손실 회피를 관찰하기 위해 빠른 사건 관련 설계의 혼합 도박 과제(mixed gamble task) fMRI 실험을 진행하였다. 건강한 성인 20명을 모집하여 금전적 손실과 획득에 관련된 256개의 문항을 fMRI 촬영 중에 제시하여 선택하도록 하였다. 이렇게 획득된 fMRI 영상에서 데이터를 추출하여, 4개의 분류기(k-nearest neighbors, linear Gaussian naïve Bayes, linear support vector machine, sparse multinomial logistic regression)가 특징 선택 방법에 따라 연구참여자의 선택을 얼마나 잘 분류할 수 있는지에 대한 정확도를 얻었다. 이 과정에서 혈류 역학 반응(hemodynamic response function)의 특성과 관련하여 빠른 사건 관련 설계에서 나타날 수 있는 공선성(collinearity)을 고려하여 다중 클래스 모형을 만들어 단일 클래스 모형과 비교하였다. 또한, 뇌 영역의 국지적인 분석을 위해 k-nearest neighbors 분류기를 이용하여 탐조등 분석(searchlight analysis)을 시행하였다. 결과: 다중 복셀 패턴 분석을 적용하여 수행한 분류 작업을 가장 잘 수행한 분류기는 특징 선택을 고려하지 않은 linear support vector machine이었으며, 정확도는 74.4 % (nominal p = 0.04)였다. 단일 클래스 모형 대신 다중 클래스 모형을 적용하였을 때, Gaussian naïve Bayes 분류기에서 통계적으로 유의미한 정확도의 증가를 관찰하였다(특징 500개, nominal p = 0.01; 특징 5,000개, nominal p = 0.004; 모든 특징, nominal p < 0.001). 탐조등 분석의 결과 p < 0.05 수준에서 다중비교 보정을 수행하였을 때, 브로카 영역(Broca’s area)과 보조 운동 영역(supplementary motor area), 시각 영역(visual area), 변연계(limbic system), 피질하영역(subcortical area) 등의 부위에서 통계적으로 유의미한 분류를 시행한 것으로 나타났다. 고찰: 본 연구에서는 빠른 사건 관련 설계의 분석에서 많이 고려되는 공간 시간적 분석(spatio-temporal analysis)이나 베타 시리즈 접근(beta-series approach)을 고려하지는 않았다. 연구에 사용된 빠른 사건 관련 설계의 시계열 데이터에 존재하는 공선성이 분류의 민감도를 낮추어, 다른 연구에 비해 높지 않은 민감도가 관찰되었을 가능성이 있다. 따라서, 분류의 민감도를 높일 방법에 대한 추가적인 연구가 필요하다. 그러나 민감도가 높지 않음에도 불구하고, 탐조등 분석을 통해 손실 회피와 관련된 선택에서도 잠재적 손실이나 잠재적 획득에 대한 반응과 관련되어 있는 뇌 영역에서 측정된 정확도가, 다른 영역에 비하여 통계적으로 유의미하게 높음을 발견할 수 있었다. 이를 통해 빠른 사건 관련 설계의 fMRI 실험에 존재하는 공선성에도 불구하고 다중 복셀 패턴 분석법을 적용하여 뇌의 국지적인 분석을 할 수 있음을 제시하였다.;Introduction: Loss aversion is a frequently observed phenomenon in which individuals tend to avoid possible loss than to take risk for possible gain. Previous neuroscience literature has suggested that the activation of the prefrontal cortex is related to decision making, and that brain regions involved in negative affect, such as the insula and amygdala, are associated with loss aversion. The current study aimed to study loss aversion using multi-voxel pattern analysis (MVPA), a machine learning technique, and to establish an effective method to apply MVPA to a rapid event-related (ER) design, a commonly used study design in functional magnetic resonance imaging (fMRI) experiments. Methods: A mixed gamble task fMRI experiment was conducted to observe loss aversion. Twenty healthy adults were recruited and underwent the fMRI experiment, during which 256 choice stimulus related to monetary loss and gain were presented. The acquired fMRI time series data were used to extract features to train 4 following classifiers: (1) k-nearest neighbors, (2) linear Gaussian naïve Bayes, (3) linear support vector machine, and (4) sparse murtinomial logistic regression. For each classifier, the accuracy values of response classification according to the number of features were calculated. To account for the issue of collinearity that may arise in a rapid ER design due to the characteristics of hemodynamic response function, a multi-class model was constructed and compared to a single-class model. To obtain brain regional accuracy values, searchlight analysis was conducted using the k-nearest neighbors classifier. Results: The most effective classifier for MVPA-applied classification was the linear support vector machine classifier without feature selection, with an accuracy of 74.4% (nominal p = 0.04). When the multi-class model was applied instead of the single-class model, the linear Gaussian naïve Bayes classifier showed a statistically significant increase in accuracy as the number of features increased (500 features, nominal p = 0.01; 5,000 features, nominal p = 0.004; all features, nominal p < 0.001). The searchlight analysis revealed regions with activity patterns that could reliably predict accept/reject decisions, including the Broca’s area, supplementary motor area, visual area, limbic system, and subcortical area, after correcting for multiple comparison (corrected p < 0.05). Discussion: The current study did not implement spatio-temporal analysis or beta-series approach, which are frequently used in the analysis of a rapid ER design. As the classification sensitivity in the current study was not as high as those reported in previous literature, further research is warranted to effectively account for collinearity in time series data obtained with a rapid ER design. However, in spite of the moderate classification sensitivity, the current study has observed that the regions involved in experiencing gain or loss were more sensitive to accept/reject decisions than other regions. In sum, the current study presents a possibility for brain regional analysis using MVPA, despite the issue of collinearity in fMRI experiments using a rapid ER design.