AI- Enhanced Stethoscope in Remote Diagnostics for Cardiopulmonary Diseases

기술 요약: 원격 진단을 위한 심폐 질환용 AI 강화 청진기

문제 제기
심혈관 및 폐 질환은 전 세계 사망률의 주요 원인이지만, 특히 자원 부족 지역과 외진 지역에서는 시기적절한 진단이 여전히 큰 과제로 남아 있습니다. 전통적인 청진은 숙련된 의료진의 주관적 해석에 크게 의존하는데, 이는 개발도상 지역에서 종종 부족한 자원입니다. 디지털 청진기는 존재하지만 높은 비용으로 인해 접근성이 제한되며, 많은 기존 AI 기반 진단 모델은 심장 소리나 폐 소리 중 하나만을 개별적으로 분석하도록 제한되어 동시 분석이 불가능합니다. 또한, 많은 현재 모델은 데이터셋의 클래스 불균형 문제로 어려움을 겪고 있으며, 저비용 임베디드 장치에 배포하기 위해 필요한 경량 아키텍처를 갖추지 못했습니다.

방법론
저자들은 저비용 임베디드 하드웨어에서 실행되도록 설계된 하이브리드 딥러닝 모델을 제안하며, 이는 오디오 캡처를 위해 마이크가 부착된 기존 청진기와 통합됩니다. 시스템 워크플로는 다음과 같은 기술 단계를 포함합니다:

1. 데이터 수집 및 전처리:

   • 하드웨어: 웹 애플리케이션을 호스팅하는 장치에 3.5mm 잭을 통해 연결된 표준 청진기.
   • 신호 처리: 원시 청진 신호 (25–400 Hz) 는 2 차 버터워스 대역 통과 필터를 사용하여 필터링되고, 1000 Hz 로 리샘플링되며, 2.5 초 시퀀스 (2500 데이터 포인트) 로 잘립니다. 신호는 (-1, 1) 범위로 정규화됩니다.
   • 증강: 클래스 불균형 (특히 ICBHI 2017 폐 데이터셋에서) 을 해결하기 위해, 소음 추가, 시간 이동, 피치/속도 변경과 같은 기법이 과소 대표된 클래스에 적용됩니다.

2. 특징 추출:

   • 시스템은 인간의 청각 지각을 모방하는 필수 오디오 특징을 포착하기 위해 **멜-주파수 케프스트럼 계수 (MFCC)**를 활용합니다.
   • 이 과정은 윈도우화, 주파수 영역으로의 푸리에 변환, 멜 필터 뱅크 적용, 로그 압축, 그리고 이산 코사인 변환 (DCT) 을 포함합니다.
   • 모델의 입력 형태는 (1, 52) MFCC 특징으로 정의됩니다.

3. 모델 아키텍처 (하이브리드 CNN-GRU):

   • 핵심 혁신은 공간 특징 추출을 위한 **합성곱 신경망 (CNN)**과 시간적 시퀀스 학습을 위한 **게이트형 순환 유닛 (GRU)**을 결합한 하이브리드 아키텍처입니다.
   • CNN 레이어: 커널 크기 11 의 두 개의 합성곱 레이어 (각각 256 및 512 필터) 를 최대 풀링, 배치 정규화, 그리고 ReLU 활성화 함수가 뒤따릅니다.
   • GRU 레이어: 'tanh' 활성화 함수를 사용하는 32, 64, 128 개의 다양한 유닛을 가진 다섯 세트의 GRU 레이어가 있으며, 출력은 가산 레이어를 통해 결합됩니다.
   • 분류: Leaky ReLU 활성화 함수를 가진 밀집 레이어가 다중 클래스 분류를 위한 11 개의 유닛과 소프트맥스 활성화 함수를 가진 최종 출력 레이어로 이어집니다.

4. 학습 및 배포:

   • 모델은 Adam 옵티마이저 (학습률 0.0002) 와 범주형 교차 엔트로피 손실을 사용하여 학습됩니다.
   • 과적합을 방지하기 위해 조기 종료 (patience 300 에포크) 및 모델 체크포인트와 같은 기법이 사용됩니다.
   • 학습된 모델은 Streamlit 기반 웹 애플리케이션을 통해 배포되어 저비용 청진기에서 녹음된 오디오의 실시간 분석을 가능하게 하며, 이메일 보고서 생성을 통해 원격 의료를 지원합니다.

주요 기여

• 동시 진단: 심장 소리 또는 폐 소리 중 하나에만 초점을 맞춘 이전 작업들과 달리, 이 모델은 11 개의 서로 다른 클래스를 동시에 진단합니다: 5 가지 심혈관 질환 (대동맥 판막 협착증, 승모판 협착증, 승모판 폐쇄부전, 정상, 승모판 탈출증) 과 6 가지 폐 질환 (폐렴, 기관지확장증, 기관지염, 상기도 감염, 만성폐쇄성폐질환, 건강).
• 비용 효율적 접근성: 이 시스템은 고가의 디지털 청진기를 감당할 수 없는 자원 제한 환경의 격차를 해소하기 위해 명시적으로 저비용 임베디드 장치를 위해 설계되었습니다.
• 하이브리드 아키텍처: CNN 과 GRU 의 통합은 주파수 기반 및 시간적 의존성을 모두 활용하여 독립 모델의 한계를 해결합니다.
• 종단 간 시스템: 이 논문은 하드웨어 설정부터 원격 상담을 위한 기능적 웹 인터페이스에 이르는 완전한 워크플로우를 제시합니다.

결과
이 연구는 정밀도, 재현율, F1 점수, 정확도를 포함한 지표를 사용하여 제안된 하이브리드 모델을 독립적인 CNN 및 GRU 모델과 비교 평가했습니다.

• 폐 소리: 독립적인 CNN 은 평균 정확도 **74.16%**를 달성했고, GRU 는 **75.83%**를 달성했습니다. 하이브리드 CNN+GRU 모델은 성능을 크게 향상시켜 평균 정확도 **94%**에 도달했습니다 (특정 클래스 정확도는 폐렴의 75% 에서 기관지염의 94% 까지 다양함).
• 심장 소리: 독립적인 CNN 은 **81%**의 정확도를 달성했고, GRU 는 **83%**를 달성했습니다. 하이브리드 모델은 모든 심장 클래스에서 평균 정확도 **94%**를 달성했습니다 (예: 대동맥 판막 협착증 94.01%, 정상 94.09%).
• 비교: 혼동 행렬 및 비교 지표 표에 따르면, 하이브리드 모델은 개별 모델에 비해 클래스 불균형 처리 및 복잡한 특징 추출에서 우수한 성능을 보여주었습니다.

의의 및 주장
저자들은 이 작업이 표준화되고 접근 가능한 의료로 나아가는 변혁적인 단계라고 주장합니다. 비용 효율적인 청진기와 효율적인 AI 모델을 통합함으로써, 이 시스템은 다음과 같은 목표를 추구합니다:

• 진단에서의 인간 오류 감소.
• 숙련된 의료진이 부족한 외진 지역에서 실시간 분석 제공.
• 비전문가가 데이터를 기록하여 의사에게 전송할 수 있는 사용자 친화적 인터페이스를 통한 원격 의료 워크플로우 촉진.

이 논문은 현재 결과가 유망하지만, 시스템의 효과를 완전히 검증하고 광범위한 배포를 위해 모델을 정교화하기 위해 다양한 병원에서 대규모 임상 시험과 추가 데이터 확장이 필요하다고 결론 내립니다. 저자들은 현재 연구가 저비용, AI 기반 진단 도구의 개념 증명임을 인정하며 겸손한 어조를 유지합니다.