Predicting Gender Differences in the Brain Using Machine Learning Automation Solution H2O Driverless AI

아동기 뇌인지 발달은 기억, 주의력, 사회성 등 고등 인지 기능에 영향을 미치고, 청소년기와 성인기의 뇌 발달로까지 이어집니다.

Brain cognitive development in childhood affects higher cognitive functions such as memory, attention, and sociability, and leads to brain development in adolescence and adulthood.

따라서, 아동기 뇌 발달에서의 과정과 차이를 이해하는 것은 중요합니다.

Therefore, it is important to understand the process and differences in childhood brain development.

인간의 인지, 행동에서의 차이를 가장 잘 설명할 수 있는 것 중 하나는 뇌 구조 및 기능에서의 성차입니다.

성별에 따른 차이가 심리 사회적 웰빙, 정신 및 신체적 건강, 정신병리학과 밀접한 관련을 지닌다는 것은 잘 알려진 사실입니다. 그러나 우리의 뇌에 명백한 성차가 존재하는가에 대한 질문에는 논쟁이 많았습니다.

One of the best explanations for the differences found in human cognition and behavior is the gender differences in brain structure and function.

It is a well known fact that gender differences are closely related to psychosocial well-being, mental and physical health, and psychopathology. But the question of whether there is a clear gender difference in our brains has remained controversial.

이에, 서울대학교 Connectome 연구실에서는 미국 아동청소년 뇌발달 대규모 데이터를 이용해, 아동의 뇌에서의 성별을 예측하는 머신러닝 모델을 만들고, 머신러닝이 예측하는 각 개인에 대한 뇌에서의 성별 점수와 인지 관련 유전점수, 인지 기능과의 관련성을 연구해 보았습니다 (그림 1 ).

In response, Connectome laboratory at Seoul National University created machine learning models that predict gender in children’s brains using massive data on brain development for children and adolescents in the United States, and studied the relationship between gender scores in the brain, cognitive-related genetic scores, and cognitive functions for each individual that the machine learning predicts(Figure 1).

연구 결과, H2O AutoML은 2차 성징이 시작되기 이전의 아동의 뇌에서부터 성별을 90.99% 의 높은 정확도로 예측했습니다.

As a result of the study, H2O AutoML predicted gender with a high accuracy of 90.99% in children’s brains before secondary sex began.

산출된 각 개인별 성별 예측 점수는 이분법적으로 성차를 바라보던 전통적인 접근에서 패러다임을 전환하여 개인의 수준에서 뇌 발달에서의 성별 차이를 이해하는데 도움을 주었습니다.

The calculated individual gender prediction scores helped us understand gender differences in brain development at the individual level, shifting the paradigm from the traditional approach of dichotomously looking at gender differences.

머신러닝을 통한 이 같은 접근은 뇌인지 발달, 뇌 질환 연구를 하는데도 새로운 틀을 제공해 줄 것입니다.

This approach through machine learning will provide a new framework for brain cognitive development and brain disease research.

그림 1 . H2O AutoML을 통해 예측한 생물학적 성(sex). (A) H2O AutoML 을 이용한 생물학적 성별 예측

Figure 1. Biological sex predicted by H2O AutoML (sex). (A) Biological Gender Prediction Using H2O AutoML

결과. (B) 실제 생물학적 성별에 따른 뇌에서의 성별 점수 히스토그램.

Results. (B) A histogram of gender scores in the brain according to actual biological gender.

(C) 유전점수-뇌에서의 성별 점수-인지 기능과의 관계에 대한 구조방정식 모형.

(C) A Structural Equation Model for the Relationship between Genetic Score-Cognitive Function in Gender Score-the Brain.

H2O AutoML은 기계 학습 모델 개발 작업을 자동화 해주는 이점이 있습니다.

H2O AutoML has the advantage of automating machine learning model development tasks.

데이터 전처리 과정에서부터 모델 선택, 하이퍼파라미터 및 튜닝, 모델 학습 결과에 대한 해석까지의 모든 과정을 자동화하여 최적의 모델 알고리즘을 찾기 위한 시간 소모적이고 반복적인 과정을 최소화할 수 있습니다.

It can automate everything from data preprocessing to model selection, hyperparameters and tuning, and the interpretation of model learning results, minimizing time-consuming and repetitive processes for finding optimal model algorithms.

이를 통해 5~6시간의 비교적 짧은 시간 내로 전체 데이터셋을 학습시키고 결과를 얻을 수 있습니다.

Through this, you to learn the entire dataset in a relatively short period of 5-6 hours and receive immediate results.

또한, 모델 학습에서 중요하게 작용한 변수를 시각화 할 수 있어, 예측 모델에 기여한 주요한 변수(예, 오른쪽 백질 표면적)를 알아낼 수 있습니다 (그림 2 ).

In addition, it is possible to visualize variables that have played a significant role in model learning, and, it can identify key variables (e.g., right white matter surface area) that contributed to the prediction model (Figure 2).

이를 통해 모델 해석에 걸리는 시간을 최소화하는 동시에, 전통적인 연구의 접근으로는 알지 못하였던 바이오 마커를 새롭게 발견할 수 있습니다

Through this, you can minimize the time it takes to interpret the model, and you can discover new biomarkers that traditional research approaches have never discovered.

그림 2 . 뇌 기반 생물학적 성별 예측에 기여한 중요 변수.

Figure 2. Important variables that contributed to brain-based biological gender prediction.

(A) 생물학적 성별 예측에 기여한 100개의 중요 변수.

(A) 100 important variables that contributed to biological gender prediction

(B) 생물학적 성별 예측에 기여한 20개 중요 변수의 뇌 시각화 결과.

(B) The results of Brain visualization of 20 critical variables that contributed to biological gender prediction.

Kim, K., Joo, Y. Y., Ahn, G., Wang, H. H., Moon, S. Y., Kim, H., Ahn, W. Y., & Cha, J. (2022). The sexual brain, genes, and cognition: A machine-predicted brain sex score explains individual differences in cognitive intelligence and genetic influence in young children. Human brain mapping , 10.1002/hbm.25888. Advance online publication. https://doi.org/10.1002/hbm.25888 

서울대학교 Connectome Lab

뇌인지과학과

Department of Brain Cognitive Science

김가경 대학원생

Graduate school student

Kim Ga Gyung