1. Introduction & 문제 설정 (Sect. 1–2)
출발점은 DSM/ICD 분류 체계의 구조적 한계다. 저자들은 세 가지 핵심 문제를 짚는다.
Heterogeneity: DSM 범주는 내부 동질성을 전제하지만, 같은 진단을 받은 환자들의 증상 조합과 발달 경로가 극도로 다양하다. DSM 범주의 약 절반에서 두 환자가 단 하나의 공통 증상도 없이 같은 진단을 받을 수 있다(Olbert et al., 2014). 이 때문에 case-control 연구에서 의미 있는 평균 차이를 찾기 어렵다.
Comorbidity: MDD와 anxiety의 공병처럼, 서로 다른 진단이 빈번하게 동시 발생한다. Petrolini & Vicente (2022)의 논변을 인용하면서, 공병이 (1) 예외가 아니라 규칙이고, (2) 구성 질환에 없는 새로운 증상을 만들어내며, (3) 구성 질환의 표준 치료와 다른 접근을 요구한다면, 기존 범주가 진단·치료 의사결정을 안내하는 데 적합한지 자체가 의문이다.
Biomarker 부재: 종양학이나 심장학 등은 세밀한 biomarker 발견이 precision medicine을 추동했는데, 정신의학에서는 여전히 신뢰할 만한 biomarker도, 결정적으로 연루된 생리적 기전도 확인하지 못했다. 저자들은 이것이 인간 뇌의 복잡성 — 수십억 개의 뉴런, 지지세포, 거대 네트워크가 시간에 걸쳐 환경과 복잡하게 상호작용하는 — 때문일 수 있다고 본다.
이 배경에서 RDoC가 등장하지만, 저자들은 RDoC가 주로 research framework이지 구체적 방법론적 지침이 부족하다고 본다 — “방법론적 무기고를 계속 뒤져서 뭔가 찾아라”는 메시지에 가깝다고.
그다음이 핵심 프레이밍이다. ML이 개념적 변화를 만들어낼 수 있는가에 대해 “낙관론 vs. 비관론”을 설정한다. 낙관론은 unsupervised learning이나 deep neural net의 latent space가 기존에 간과된 클러스터나 개념을 theory-free하게 발견할 수 있다는 입장(Durstewitz et al., 2019 등). 비관론은 연구자의 패러다임과 전제가 ML 모델의 개발과 해석을 모두 제약하므로, ML만으로는 기존 개념적 패러다임에서 벗어날 수 없다는 입장(Ratti, 2020). 저자들은 비관론 쪽에 서면서, 실제로 세 패러다임 모두에서 개념적 변화는 연구자의 이론적 commitments가 주도하고 ML은 그것을 정교화하는 도구라는 것을 보여주려 한다.
2. Normative Modeling (Sect. 3)
방법론적 구조:
1단계: 건강한 normative 인구를 모집하고, 인구통계학적 기저 변수(나이, 성별)와 관심 생물학적 변수(예: 전뇌 영상에서 다수 loci의 gray matter volume)를 수집한다. 기저 변수로부터 생물학적 변수를 예측하는 normative model을 훈련한다.
2단계: 기존 DSM 진단을 받은 임상 집단에 대해 같은 데이터를 수집하고, normative model의 예측값과 실제 관측값 사이의 편차(deviation)를 개인별·locus별로 기록한다.
3단계: 편차 패턴의 분포를 분석하여, DSM 범주 내에서 생물학적 이질성이 얼마나 큰지, 그리고 편차 패턴에 기반한 subtype이 존재하는지를 탐색한다.
주요 경험적 결과: ASD(Zabihi et al., 2019), ADHD(Wolfers et al., 2019), BD와 schizophrenia(Wolfers et al., 2018) 등에 적용한 결과, 패턴이 일관적이다 — “평균 환자”는 건강 대조군과 식별 가능한 편차를 보이지만, 개인들이 norm에서 벗어나는 방식이 극도로 이질적이다. 예를 들어 ADHD에서 특정 뇌 영역에 2% 이상의 환자가 유의하게 벗어나는 locus를 찾기 어렵다. 대부분의 환자가 어딘가에서 norm을 벗어나지만, “전형적인 벗어남 패턴”이 없다.
개념적 함의: Normative modeling은 Boorse(1975, 1977)의 biostatistical theory of disease — 질병이란 통계적으로 정상적 기능에서의 편차 — 에 자연스럽게 동화된다. 따라서 전통적 two-part model (내부 생물학적 기전의 오작동 → 관찰 가능한 증상)에 가장 충실하다. 기존 DSM 범주를 전제한 상태에서 그 안의 이질성을 지도화하므로, 급진적 revision이 아니라 refinement에 해당한다.
저자들의 비판:
- 얼마만큼의 이질성이 “나쁜 범주”의 증거인지 판단할 기준이 부재하다. Segal et al. (2023)은 locus 수준에서는 이질적이지만 functional circuit/network 수준에서는 최대 56%의 환자가 공통 패턴을 보인다는 결과를 인용하면서, 적절한 granularity가 무엇인지가 미해결이라고 지적한다. 비유하자면, 난시(astigmatism)를 “두 환자의 각막이 정확히 같은 방식으로 회전 대칭에서 벗어나지 않는다”는 이유로 비판하는 것과 같을 수 있다.
- Normative population의 선정 문제 — 누가 “normative”인가의 reference class problem이 근본적으로 해결되기 어렵다.
3. Learning-Theoretic Approaches (Sect. 4)
이 섹션은 RL과 Bayesian active inference를 함께 묶되, 두 가지 질환군 — compulsive disorders와 depression — 에서의 적용을 구분하여 다룬다.
공통 방법론: 인지 과제(보통 순차적 의사결정) → 건강 대조군 및 임상 집단의 수행 기록 → 의사결정 과정의 핵심을 포착하는 수학적 모델 선택 → 소수의 해석 가능한 파라미터(computational phenotype) 추정. 이 phenotype이 증상보다 정밀하고 신경생리보다 해석 가능한 중간 수준의 기술을 제공한다. RL과 active inference의 차이는, RL이 개인 간 updating disposition 차이를 허용하는 반면, active inference는 모든 행위자가 rational Bayesian conditionalizer에 근사하되 prior만 다르다고 가정한다는 점이다.
Compulsive disorders에서의 RL:
핵심 이론적 구분은 goal-directed (model-based) vs. habitual (model-free) 의사결정이다. Voon et al. (2015)의 요약: goal-directed choice는 prospective, habitual choice는 retrospective. Model-based는 과제의 transition structure 모델을 유지하면서 가능한 경로를 시뮬레이션하여 기대 보상을 계산하고, model-free는 이전에 보상받은 state-action pair의 가치를 단순히 올리거나 내린다.
표준 과제(Daw et al., 2005 two-step task)의 논리를 상세히 기술한다. 1단계에서 A 또는 B를 선택 → 높은 확률로 green 또는 blue 화면으로 이동 → 2단계에서 각각 다른 보상 확률의 선택지. 핵심은 probable vs. improbable transition 이후의 stay/switch 행동이 model-based와 model-free 학습자를 구분한다는 것이다. Model-free 학습자는 보상 여부에만 반응하여 stay/switch하지만, model-based 학습자는 transition의 확률도 고려한다.
경험적 결과: Binge eating, OCD, methamphetamine dependence(Voon et al., 2015), schizophrenia(Culbreth et al., 2016), problem gambling(Wyckmans et al., 2019)에서 model-based 의사결정의 손상이 보고됨. 그러나 alcohol use disorder는 결과가 혼재 — Sebold et al. (2014)은 손상을 보고하지만 Voon et al. (2015)과 Sebold et al. (2017)은 차이 없음. 흥미롭게도 Sebold et al. (2014)과 Wyckmans et al. (2019)은 환자들이 unrewarded trial 이후에만 유의하게 model-based에서 벗어남을 보여주며, 이는 실망/좌절 맥락에서 goal-directed decision making이 억제된다는 해석과 일치한다. 스트레스가 goal-directed decision making을 억제한다는 선행 연구(Soares et al., 2012)와도 맞물린다.
Task-impurity problem: Wiecki et al. (2015)가 명명한 문제로, 어떤 인지 과제도 단일 construct만 측정하지 않고 여러 인지 과정의 혼합을 측정한다. 특히 working memory가 학습 성능의 중요 요인이며 표준 설계가 working memory의 영향과 학습 성향의 영향을 혼동할 수 있다. 또한 substance use disorder의 경우, 연구자들이 원인을 식별하는 것이 아니라 물질의 neurotoxic effects를 관찰하고 있을 가능성이 있다. 다만 problem gambling에서도 유사한 패턴이 나타난다는 점이 이 우려를 다소 완화한다.
Depression에서의 Bayesian approach:
Huys et al. (2015)의 프레임워크가 중심이다. 우울증은 “어떤 행동을 하든 낮은 보상으로 이어지는 상태에 높은 확률을 부여하는 주관적 prior”의 결과로 개념화된다. 이 pessimistic prior에서 여러 관찰 가능한 증상이 연역된다: 모든 행동이 무익하다면 노력을 피하는 것이 합리적 → psychomotor retardation, helplessness, fatigue. 부정적 결과가 불가피하다면 혐오 정보가 더 informative → rumination. 그리고 vicious feedback loop: 탐색의 기대가치가 낮으면 행동 경향이 줄고, 잠재적으로 교정적인 정보의 획득률이 떨어진다.
Lloyd et al. (2022)의 adverse childhood experiences (ACE) 연구가 상세히 다뤄진다. 최적 foraging theory(Charnov, 1976)에 기반한 예측: ACE가 많은 개인은 (1) 덜 탐색하고, (2) 최근 증거에 더 가중치를 두고, (3) 저보상 환경에서 더 잘 수행하고, (4) 고보상 환경에서 더 못할 것이다. 실증 결과는 (1)만 확인 — ACE가 많은 개인이 실제로 덜 탐색하지만, 최근 증거에 더 가중치를 두거나 적대적 환경에서 더 잘 수행하지는 않았다. 설명은 이들이 부정적 결과를 과대평가하고 긍정적 결과를 과소평가하여, 적대적 환경에서조차 최적 학습에서 벗어난다는 것이다. 이는 우울증이 단순히 역경에 calibrate된 합리적 전략이 아니라, 과도한 역경에 의해 학습 성향 자체가 손상된 결과임을 시사한다.
개념적 함의 — 여기가 이 섹션의 핵심이다:
Learning-theoretic approaches는 two-part disease model과의 관계가 이중적이다. 한편으로는 miscalibrated learning disposition (내부 인지 기전의 오작동)을 가리키고, 다른 한편으로는 developmental learning history와 환경적 역경 (외적 원인)을 가리킨다. Colombo (2022)의 구분을 빌려, “constitutive-mechanistic” 설명(행동을 산출하는 내부 인지 기전의 기능적 조직)과 “etiological” 설명(선행 원인)을 종합한다. 전자는 정통적이고 신경생리학적 원인 탐색과 양립하지만, 후자는 이단적이며 사회적 원인을 시사한다. 이것이 enactivist approaches (de Haan, 2020)와 흥미로운 병행을 이룬다.
Computational phenotype의 trans-diagnostic 성격 때문에, 다양한 compulsive disorder들이 동일한 disordered mechanism의 공통 결과로 통합(lumping)될 수 있다 — comorbidity는 pseudo-problem이 되고, heterogeneity는 소수 파라미터의 미세한 차이로 귀속된다. 이것은 기존 범주의 상당한 revision에 해당한다.
4. Network Theory (Sect. 5)
핵심 존재론적 주장: 정신질환의 숨겨진 공통 원인(central disease mechanism) 같은 것은 존재하지 않는다(Borsboom, 2017). 정신과적 증상들이 서로를 직접 야기(cause)하며, 정신질환이란 증상들이 병리적 피드백 루프에 진입한 상태, 즉 symptom network의 pathological equilibrium이다.
건강(mental health)은 weakly connected network의 stable state — 외부 요인에 의해 증상이 활성화되더라도, 외부 요인이 제거되면 비활성 상태로 복귀한다. 정신질환(mental disorder)은 strongly connected network의 stable state — 증상이 외부 요인에 의해 활성화되면 상호 활성화·유지하여, 촉발 요인이 사라진 후에도 병리적 상태가 지속된다.
방법론적 구조: 임상 집단에서 증상 수준 정보(DSM 또는 표준 척도)를 수집 → 증상 쌍 간 partial correlation 계산(다른 모든 증상을 통제) → sparsity bias를 적용하여 유의한 것만 보고 → 결과를 graph로 요약(edge strength = sparsity-corrected partial correlation) → centrality 측정(node strength, betweenness centrality, closeness centrality)으로 체계적으로 중요한 증상을 식별.
Partial correlation을 선호하는 이유: 두 증상 간 연관이 직접적 인과관계에서 비롯된 것인지 공유 공통 원인(spurious causation)에서 비롯된 것인지를 구분할 수 있다 — 후자의 경우 partial correlation이 이상적으로 0이 된다.
경험적 예시: Rhemtulla et al. (2016)의 물질사용장애 네트워크 분석. Cannabis, stimulants, opioids, sedatives, cocaine, hallucinogens 각각에 대해 별도 네트워크를 추정. 증상 노드에는 “계획보다 많이 사용”, “내성”, “위험한 상황에서 사용”, “법적 문제” 등이 포함. 결과: inability to stop ↔ hazardous use 연결은 모든 물질에서 강하지만, hazardous use ↔ legal consequences 연결은 opioids/cocaine/hallucinogens에서는 부재하고 sedatives에서는 강함. Centrality 측면에서 “계획보다 많이 사용”이 대부분의 물질에서 높은 중심성을 보이지만, tolerance는 sedatives에서만 중심적이고 hallucinogens에서는 아님.
Depression에 대한 Fried et al. (2015)의 응용: DSM 증상과 non-DSM 증상을 모두 포함한 네트워크 추정. Sadness와 diminished pleasure/interest 같은 핵심 DSM 증상이 높은 중심성을 보이지만, anxiety와 panic 같은 non-DSM 증상도 동등하게 중심적 → DSM 기준의 in-paradigm revision을 제안.
개념적 함의:
가장 급진적으로 heterodox한 패러다임이다. 증상 뒤의 숨겨진 공통 원인을 찾는 시도 자체가 근본적으로 잘못되었다고 주장하므로, 전통적 two-part disease model을 정면으로 거부한다. 반면, DSM 증상 수준의 기술에 대해서는 가장 보수적이다 — 기존 진단 매뉴얼의 증상들이 이미 올바른 granularity에서 정의되어 있고, 관련 후보들을 적절히 식별하고 있다고 가정한다. Borsboom의 표현을 직접 다루면서, 정신질환이 “미래의 심리학·신경과학·유전학 연구에 의해 본질이 밝혀져야 할 불분명한 실체”가 아니라, 기본 증상 세트와 그 관계에 대한 이해가 이미 합리적인 working model을 제공한다고 본다.
저자들의 비판:
- Collider problem: Borsboom은 노드 간 연결에 강한 인과적 해석을 부여하지만, partial correlation은 common cause에 의한 spurious correlation은 탐지할 수 있어도, common effect(collider)에 대해 conditioning할 때 발생하는 허위 연관은 탐지하지 못한다. 예시: 카페인 소비와 관계 문제가 둘 다 불안 증상을 야기하는데 서로는 직접 인과관계가 없는 경우, 불안을 통제하면 카페인과 관계 문제 사이에 허위 연관이 생긴다.
- 개인 수준 네트워크 추정의 난점: 네트워크 이론의 임상적 희망은 개인별 네트워크 구조 추론에 달려 있는데, 대부분의 네트워크 추정 방법은 데이터가 단일 구조에서 표집되었다고 가정한다. 그런데 네트워크 이론 자체가 임상 집단 내에서도 네트워크 구조의 이질성이 있다고 전제하므로, 이 전제와 방법론이 충돌한다. 혼합 네트워크 구조의 분리(mixture of network structures)가 필요하지만 이는 아직 활발한 연구 영역이다.
5. Discussion (Sect. 6)
저자들은 세 패러다임 간 차이를 여러 축으로 정리한다.
기술 수준 선호: Network theory → 증상 수준, normative modeling → 신경생리 수준, learning-theoretic → 중간 인지/계산 수준. 온건한 해석은 평화로운 분업을 상상할 수 있지만, 저자들은 이것이 우연한 초점 차이가 아니라 더 깊은 형이상학적 불일치의 표면 현상이라고 주장한다.
환원주의 vs. 반환원주의: Network theory는 가장 자연스러운 해석에서 반환원주의적이다(Rathkopf, 2018). 증상 수준 선호는 기저 공통 원인을 찾는 것이 근본적으로 잘못이라는 확신의 표현이다. 만약 network theorist들이 맞다면 정신의학은 sui generis 학문이고, 틀리면 기저 원인의 발견에 의해 결국 반증될 것이다. Normative modeling과 learning-theoretic approaches는 각각의 방식으로 환원주의적이다 — 전자는 신경생리로, 후자는 중간 수준 인지 기술로의 환원.
질환의 경계: Learning-theoretic approach만이 선행 학습 경험을 강조함으로써 사회적·환경적 설명으로 문을 열어둔다. Normative modeling과 network theory는 모두 정신질환을 개인에게 국소화한다 — 전자는 신경생리적 차이에, 후자는 개인의 증상 네트워크 연결 구조에.
Lumping vs. splitting: Learning-theoretic approaches는 lumper — 다양한 질환을 소수의 학습/의사결정 기능의 병리로 통합. Normative modeling은 splitter — 임상 집단을 norm-deviation 패턴으로 하위유형화. Network theory는 둘 다 거부 — 기존 범주가 그대로 괜찮다. Comorbidity는 서로 다른 질환의 증상 네트워크를 연결하는 bridge symptom의 예상 가능한 결과이고, heterogeneity는 개인 증상 네트워크의 미세한 위상학적 차이로 귀속된다.
설명 전략: Learning-theoretic = mechanistic + etiological. Normative modeling = 신경생리 매핑 (인과적 연결은 미특정). Network theory = 반기계론적 (기저 “mechanism”을 상정하지 않음, 증상 간 역학만 기술).
6. Conclusion (Sect. 7)
Neurath’s boat 비유로 마무리한다. 과학은 가용한 개념으로 진행할 수밖에 없고, 개념적 revision 시도도 대체하려는 바로 그 개념에 의존한다. 연구자들은 DSM 범주를 사용하여 참가자를 모집하고, 평가하고, 데이터를 분석하면서 동시에 그 범주를 넘어서려 한다. 그러나 이 제약이 미래 정신의학의 형태를 결정하지는 않는다 — 현재 제안들의 다양성이 그 미결정성을 보여준다.
최종 핵심 주장: ML이 이 패러다임들의 articulation에 핵심적 역할을 하지만, 개념적 revision을 자동화하는 것과는 거리가 멀다. 주도적 역할은 경쟁하는 패러다임들의 이론적, 형이상학적, 방법론적 commitments가 계속하고 있다.