뇌 자기장/전기장 기록(M/EEG)을 이용한 뇌 활동원(source) 이미징은 뇌 기능 연구와 질병 진단에 핵심적인 기술입니다. 하지만 뇌 활동의 정확한 위치를 파악하는 것만큼이나, 그 추정치의 불확실성을 신뢰성 있게 평가하는 것이 중요합니다. 최근 발표된 연구는 이러한 M/EEG 소스 이미징에서 불확실성 추정의 정확도를 높이고 보정하는 새로운 시뮬레이션 기반 프레임워크를 제시했습니다.
이 연구는 베이즈 최소 노름(Bayesian Minimum Norm, BMN) 방식과 희소 베이즈 학습(Sparse Bayesian Learning, SBL) 방식을 비교했습니다. 특히 SBL에 희소 기저장 확장(Sparse Basis Field Expansions, S-FLEX)을 결합한 SBL+S-FLEX 방식은 기존 BMN+sLORETA 방식보다 우수한 성능을 보였습니다. 시뮬레이션 결과, SBL+S-FLEX는 더 낮은 위치 오류와 더 작은 불확실성 추정치를 제공했으며, 실제 청각 MEG(뇌자도) 데이터에서도 양측 청각원의 위치를 더욱 명확하고 정밀하게 파악하는 데 기여했습니다. 연구팀은 이 두 방법론 모두 잔여 오차가 남아 사후 등방성 재보정(isotonic recalibration)이 필요하다는 점도 밝혀냈습니다.
이러한 불확실성 보정 기술의 발전은 뇌 활동 이미징의 신뢰도를 크게 향상시킬 수 있습니다. 이는 뇌전증(epilepsy) 병변 위치 파악, 치매(dementia)와 같은 신경퇴행성 질환의 초기 진단, 그리고 뇌-컴퓨터 인터페이스(BCI)의 정밀도 향상 등 다양한 분야에 긍정적인 영향을 미칠 것입니다. 특히, 뇌 활동 패턴에 기반한 진단 및 치료법 개발에 있어 더욱 정확하고 신뢰할 수 있는 정보를 제공함으로써, 임상 및 연구 현장에서의 활용 가치를 높일 것으로 기대됩니다.