기술 요약: HexagonalWarriorMamba (HWMamba)

문제 제기

12 유도 심전도 (ECG) 를 통한 심장 이상에 대한 정확한 자동 진단은 심혈관 질환 관리에 필수적입니다. 그러나 동시 발생 질환 (다중 레이블 분류) 을 탐지하는 것은 기존 딥러닝 모델에게 여전히 큰 도전 과제입니다. 1 차원 합성곱 신경망 (CNN) 과 트랜스포머와 같은 기존 접근법은 ECG 신호에 내재된 장거리 의존성을 모델링하는 데 종종 어려움을 겪습니다. 또한 최근 Mamba 와 같은 상태 공간 모델 (SSM) 은 긴 시퀀스 처리에서 가능성을 보였으나, 12 유도 ECG 에의 적용은 주로 1 차원 시계열 입력에 초점을 맞추었습니다. 현재 연구의 주요 한계는 AUROC 와 같은 임계값 독립적 지표와 Challenge Score, Subset Accuracy 와 같은 임계값 의존적 지표 간의 불일치에 있습니다.后者는 특정 결정 임계값이 진단을 결정하는 실제 임상 유용성을 더 잘 반영합니다.

방법론

본 논문은 12 유도 ECG 신호를 1 차원 시계열이 아닌 단일 채널 2 차원 이미지로 취급함으로써 12 유도 ECG 처리를 재해석하는 새로운 프레임워크인 **HexagonalWarriorMamba (HWMamba)**를 제안합니다. 이 변환을 통해 모델은 유도 간 (공간적) 과 유도 내 (시간적) 관계를 모두 포착하기 위해 확립된 2 차원 이미지 분석 아키텍처를 활용할 수 있습니다.

핵심 아키텍처

• 입력 표현: 12 유도 ECG 는 12 개 유도 (공간) 와 8192 개 샘플 (시간) 에 해당하는 치수를 가진 직사각형 2 차원 이미지로 구조화됩니다. 주목할 점은 저자들이 진폭 관련 진단 정보를 보존하기 위해 표준 정규화 (예: Z-score) 를 의도적으로 생략했다는 것입니다.
• 계층적 설계: Swin Transformer 와 VMamba 에서 영감을 받아, HWMamba 는 점진적인 다운샘플링을 갖춘 계층적 구조를 채택합니다. 아키텍처는 고해상도이면서 얕은 특징 맵에서 저해상도이면서 깊은 특징 맵으로 전환됩니다.
• 전용 구성 요소:
  • 초기 합성곱: ECG 데이터의 비대칭적 특성 (짧은 공간 차원, 긴 시간 차원) 을 수용하기 위해 (1, 16) 의 스트라이드를 가진 직사각형 커널 (3×16) 을 사용합니다.
  • SS2D 메커니즘: 핵심 처리 유닛은 VMamba 에서 파생된 2 차원 선택적 스캔 (SS2D) 메커니즘을 활용합니다. 이는 2 차원 특징 맵을 네 방향 (왼쪽에서 오른쪽, 오른쪽에서 왼쪽, 위에서 아래, 아래에서 위) 으로 스캔하여 전역 문맥과 공간적 의존성을 효율적으로 모델링합니다.
  • 게이트된 MLP: 아키텍처는 4 배 확장 계수를 가진 게이트된 다층 퍼셉트론 (MLP) 을 통합합니다. 이 게이트 메커니즘은 적응형 특징 선택을 용이하게 하며 표준 MLP 에 비해 더 안정적인 훈련에 기여합니다.
  • 다운샘플링: 실험적으로 시간 차원을 효과적으로 줄이면서 중요한 유도 간 공간 정보를 보존하기 위해 (1, 2) 의 스트라이드를 사용하는 것으로 결정되었습니다.

실험 설정

• 데이터셋: 모델은 7 개 국제 기관의 88,253 개 다중 유도 ECG 기록으로 구성된 PhysioNet/Computing in Cardiology (CinC) Challenge 2021 데이터셋에서 평가되었습니다. 이 데이터셋에는 26 개의 진단 레이블 (25 개 이상 plus 정상 sinus rhythm) 이 포함되어 있습니다.
• 훈련 전략: 연구는 80/20 훈련 - 테스트 분할을 사용한 5 폴드 교차 검증 전략을 활용했습니다. 평가를 위한 임계값은 데이터 누출을 방지하기 위해 훈련 세트에서만 최적화되었습니다.
• 최적화: 모델은 코사인 어닐링 스케줄러와 웜업 단계를 갖춘 Adam 옵티마이저를 사용하여 훈련되었습니다.

주요 기여

1. 벤치마킹 및 성능: 본 연구는 다중 레이블 ECG 분류에 대한 새로운 기준점을 설정합니다. HWMamba 는 Challenge Score 와 Subset Accuracy 를 포함한 5 가지 임계값 의존적 지표에서 기존 최첨단 (SOTA) 방법을 능가합니다. 저자들은 여러 차원에 걸친 일관된 성능을 "Hexagonal Warrior" 성능이라고 명명했습니다.
2. 일반화 및 임계값 안정성: 논문은 임계값 독립적 지표 (AUROC 등) 에서의 강력한 성능이 실제 효과를 보장하지는 않는다고 강조합니다. HWMamba 는 훈련 데이터에서 유도된 임계값과 테스트 데이터에서 유도된 임계값 사이의 성능 격차가 작아, 실제 환경에서의 견고한 일반화와 안정성을 나타냅니다.
3. 아키텍처 혁신: 12 유도 ECG 를 2 차원 이미지로 변환하고 SS2D 메커니즘을 적용함으로써, 모델은 유도 간의 복잡한 공간적 관계를 성공적으로 모델링하여 순수 1 차원 시퀀스 모델에서 발견된 한계를 해결합니다.

결과

SOTA 방법 (ISIBrno, 2D-CNN, 2DRU+LC, ECG-Mamba, 1D-Mamba 포함) 에 대한 평가 결과, HWMamba 는 다음과 같은 성과를 거두었습니다:

• 임계값 의존적 지표: HWMamba 는 Subset Accuracy (59.51%), Challenge Score (0.7294), Macro F1-score (0.6156), **Weighted F1-score (0.7730)**에서 최고 점수를 기록했습니다. 또한 **Hamming Loss (0.0250)**에서 최저 값을 기록했습니다.
• 임계값 독립적 지표: HWMamba 는 **Macro AUROC (0.9698)**에서 SOTA 수준의 성능을 유지했으며, 2DRU+LC 방법 (0.9729) 에 비해 약간 뒤처졌습니다.
• 클래스별 성능: 모델은 대부분의 심장 이상 클래스에서 베이스라인을 일관되게 능가했으며, 다른 모델이 어려움을 겪던 까다로운 카테고리에서도 특히 견고한 성능을 보여주었습니다.
• 어블레이션 연구: 결과는 다음과 같은 사실을 나타냈습니다:
  • 정규화: Z-score 정규화를 적용하면 성능이 저하되어, 원시 진폭이 중요한 진단 정보를 포함하고 있음을 확인했습니다.
  • 아키텍처: 게이트된 MLP 구성은 단일로 볼 때 표준 MLP 가 약간 더 높은 서브셋 정확도를 내더라도, 가장 높은 Challenge Score 와 F1 점수를 달성하는 데 필수적이었습니다.
  • 스트라이드: (1, 2) 다운샘플링 스트라이드가 대칭적이거나 다른 비대칭 스트라이드에 비해 최적임이 밝혀졌습니다.

중요성 및 주장

본 논문은 HWMamba 가 다중 레이블 ECG 분류를 위한 견고하고 다재다능한 접근법임을 주장합니다. 그 중요성은 높은 판별 능력과 훈련 데이터에서 유도된 효과적인 임계값 선택 사이의 간극을 해소하는 데 있습니다. 훈련 최적화 임계값에서 테스트 최적화 임계값으로 이동할 때 큰 성능 격차를 보이는 일부 기존 방법 (예: 2DRU+LC) 과 달리, HWMamba 는 강력한 임계값 안정성을 보여줍니다.

저자들은 모든 6 가지 평가 차원에서 강력한 결과를 균형 있게 보여주는 이러한 "Hexagonal Warrior" 성능 프로파일이 모델을 임상 배포를 위한 신뢰할 수 있는 도구로 위치시킨다고 주장합니다. 본 연구는 SS2D 를 통한 2 차원 공간 모델링과 원시 신호 진폭의 보존이 1 차원 모델이 놓치는 복잡한 심장 의존성을 포착하면서도, 임계값 독립적 지표에 크게 의존하는 아키텍처의 일반화 함정을 피할 수 있음을 시사합니다. 논문은 향후 연구가 U-Net 아키텍처의 구조적 이점과 Mamba 기반 시퀀스 모델링을 결합하여 임계값 견고성을 더욱 향상시킬 수 있다고 결론지었습니다.