주요 우울 장애(MDD)는 복잡한 병태생리학적 특징을 보이며, 뇌 네트워크 역학의 교란을 나타낸다. 본 논문에서는 신경영상 데이터를 활용하는 그래프 신경망이 우울증 진단에 유망하지만, 기존 접근 방식은 주로 데이터 중심적이고 블랙박스 모델로 작동하여 신경생물학적 해석 가능성이 부족하다는 점에 착안, 다양한 공간적 스케일에서 우울증 특정 메커니즘을 명시적이고 계층적으로 모델링하여 신경과학 지식과 딥 러닝을 연결하는 새로운 프레임워크인 NH-GCAT(Neurocircuitry-Inspired Hierarchical Graph Causal Attention Networks)를 제시한다. NH-GCAT는 국소 뇌 영역 수준의 잔여 게이티드 퓨전 모듈, 다중 영역 회로 수준의 계층적 회로 인코딩 방식, 다중 회로 네트워크 수준의 변동 잠재 인과적 주의 메커니즘을 포함한다. REST-meta-MDD 데이터 세트에 대한 엄격한 leave-one-site-out 교차 검증을 통해 우울증 분류에서 73.3%의 표본 크기 가중 평균 정확도와 76.4%의 AUROC를 달성하여 최첨단 성능을 입증하는 동시에 신경생물학적으로 의미 있는 설명을 제공한다.
