Cross-Modal Contrastive Learning of ECG and Angiography Representations for Severe Stenosis Classification

기술 요약: 중증 협착증 분류를 위한 ECG 및 혈관 조영술 표현의 교차 모달 대조 학습

문제 정의
관상동맥 협착증은 심각한 경우 치료하지 않으면 심부전 및 사망 위험을 크게 높이는 치명적인 심혈관 질환입니다. 현재 진단의 골드 스탠다드는 관상동맥 X선 혈관 조영술입니다. 그러나 이 절차는 침습적이고 자원이 많이 소모되며 낮은 사망 위험을 동반하므로, 증상에 따라 질병의 사전 검사 확률이 높은 환자에게 주로 예약됩니다. 이러한 접근 방식은 증상이 없는 환자들이 질병이 진행되는 동안 진단되지 않은 채로 남게 될 위험을 초 있습니다. 심전도(ECG)는 빠르고 저렴하며 비침습적이고 일상적으로 획득되지만, 역사적으로 협착증 진단을 위한 정보 제공에는 한계가 있었습니다. 심한 협착증을 가진 환자들은 종종 정상적인 ECG를 나타내며, 이전 연구들은 보조 데이터 없이는 ECG 단독으로 신뢰할 수 있는 협착증 위험 계층화를 수행하기에 불충분하다는 것을 보여주었습니다.

방법론: StenCE 프레임워크
ECG에 결여된 협착증 특이적 신호 문제를 해결하기 위해, 저자들은 혈관 조영술으로부터 지식을 추출하도록 설계된 대조 사전 학습 프레임워크인 StenCE를 제안합니다. 이 접근 방식은 다단계 파이프라인을 따릅니다:

1. 데이터 정렬: 프레임워크는 각 환자가 12유도 ECG와 그에 대응하는 X선 혈관 조영술을 보유한 3,414명의 환자(4,067개의 매칭된 쌍)로 구성된 병원 데이터셋을 활용합니다. 혈관 조영술 데이터에는 특정 관상동맥 분절의 폐쇄 심각도에 대한 주석이 포함되어 있으며, 이는 환자 수준의 레이블로 집계됩니다.
2. 이중 인코더 아키텍처:
   • 혈관 조영술 인코더: 다중 뷰 혈관 조영 데이터를 처리하기 위해 SegmentMIL 모델을 기반으로 합니다. 이는 뷰 인코더와 트랜스포머 기반의 "뷰 어그리게이터(views aggregator)"를 사용하여 검사 수준, 동맥 수준 및 분절 수준의 예측을 생성합니다. 전역 검사 수준 표현을 추출하기 위해 새로운 CLS 쿼리 토큰이 도입되었습니다.
   • ECG 인코더: 프레임워크는 두 가지 백본 옵션을 평가합니다: 일반적인 시계열 데이터로 사전 학습된 7.1M 파라미터의 트랜스포머인 OTIS, 그리고 심초음파-텍스트-ECG 삼중항으로 사전 학습된 128M 파라미터의 1D-ResNet인 EchoingECG.
3. 대조 사전 학습: 핵심 메커니즘은 교차 모달 대조 학습(CLIP 손실)을 사용합니다. ECG 인코더는 공유 임베딩 공간에서 혈관 조영술 인코더의 특징 표현과 정렬되도록 훈련됩니다.
   • 이 단계 동안 혈관 조영술 인코더는 학습된 협착 특징을 보존하기 위해 동결(frozen) 상태로 유지됩니다.
   • ECG 인코더, 뷰 어그리게이터(특히 CLS 토큰 출력), 그리고 선형 투영 레이어가 훈련됩니다.
   • 혈관 조영 측에는 **보충 협착 손실(Supplementary Stenosis Loss)**이 적용되어($W_{Sten} = 0.3$의 가중치), 사전 학습 중 혈관 조영술으로부터 직접 협착 심각도를 분류하는 능력을 유지합니다.
4. 미세 조정(Fine-Tuning): 사전 학습 후, 혈관 조영술 인코더는 폐기됩니다. 사전 학습된 ECG 인코더는 관련 혈관 조영 검사로부터 유도된 레이블을 사용하여 하위 작업(협착 분류 및 기타 심장 이상)에 대해 ECG 입력만을 사용하여 미세 조정됩니다.

주요 기여

1. 새로운 프레임워크: ECG 단독으로 협착 탐지를 가능하게 하기 위해 대조 학습을 통해 ECG 표현을 다중 뷰 혈관 조영 특징과 정렬하는 최초의 프레임워크인 StenCE를 도입했습니다.
2. 성능 돌파구: 심한 협착증을 높은 성능으로 식별할 수 있음을 입증함으로써, ECG가 특정 협착 신호가 부족하다는 역사적 한계를 극복했습니다.
3. 일반화 가능성: 다양한 심각도 임계값에 걸친 협착 분류뿐만 아니라, 다양한 심장 이상(예: LVEF, 대동맥 협착증, 승모판 역류)을 탐지하기 위한 별도의 데이터셋(EchoNext)에서도 사전 학습 프레임워크의 유효성을 검증했습니다.

실험 결과
저자들은 다양한 심각도 임계값(예: $\ge 100\%$ 폐쇄 vs $0\%$, $\ge 90\%$ vs $0\%$)에 대해 전체 미세 조정 및 선형 프로빙(linear probing)을 사용하여 모델을 평가했습니다.

• 심한 협착증 탐지: 가장 심각한 임계값($=0 | =100$)에서 최고의 성능을 보인 모델인 EchoingECG-StenCE(전체 미세 조정)는 AUC 0.822를 달성했습니다. 이는 기본 EchoingECG 모델보다 11% 향상된 결과이며, ECG만을 이용한 심한 협착증 분류에서 보고된 최초의 고성능 결과입니다.
• 선형 프로빙: StenCE의 이점은 선형 프로빙 설정에서 더욱 두드러졌습니다. EchoingECG-StenCE는 AUC 0.816을 달성하여 기본 모델 대비 17% 향상되었고, OTIS-StenCE는 기본 OT생 대비 8% 향상되었습니다.
• 심각도 추세: 예상대로, 덜 심각한 임계값에서는 성능이 저하되었습니다( $\ge 90\%$의 경우 AUC가 0.704로 떨어졌으며, $\ge 70\%$의 경우 무작위 확률에 근접함). 이는 모델이 현재 가장 치명적인 사례를 탐지하는 데 가장 효과적임을 나타냅니다.
• 절제 연구(Ablation Studies): 혈관 조영술 인코더를 동결 상태로 유지하고 적절한 협착 감독 가중치($W_{Sten} = 0.3$)를 사용하는 것이 대조 정렬과 작업 특이적 특징 유지 사이의 최적의 균형을 제공함을 확인했습니다.

의의 및 주장
본 논문은 StenCE가 혈관 조영술에 존재하는 풍부한 진단 정보를 활용함으로써 ECG에서 협착 관련 신호를 추출하는 것을 성공적으로 가능하게 한다고 주장합니다. 저자들은 자신들의 모델이 ECG 입력만을 사용하여 심한 협착증 분류에서 높은 성능을 달ert한 최초의 모델이라고 명시합니다.

그러나 저자들은 임상 배포에 대해서는 신중한 태도를 유지합니다. 그들은 결과가 조기 진단 및 위험 계층화를 지원하지만, 현재의 성능 수준(특히 덜 심각한 경우)은 직접적인 임상 실무에 사용하기에는 아직 충분하지 않다는 점을 명시적으로 인정합니다. 본 연구는 데이터셋의 선택 편향(이미 증상으로 인해 혈관 조영술을 받는 환자들)을 강조하며 모델 입력에 임상적 위험 요인이 부재함을 언급합니다. 주요 의의는 비침습적 스크리닝(ECG)과 침습적 골드 스탠다드 진단(혈관 조영술) 사이의 간극을 메우기 위한 교차 모달 사전 학습의 생존 가능성을 입증하여, 예비 관상동맥 평가를 위한 미래 발전을 위한 길을 열었다는 데 있습니다.