Deep learning-based detection of cessation of breathing in pre-term infants

기술 요약: 미숙아의 호흡 중단 탐지를 위한 딥러닝 기반 연구

문제 정의
미숙아의 무호흡(Apnoea of prematurity, AOP)은 미숙아에게 발생하는 중요한 합병증으로, 호흡 중단(Cessation Of BrEathing, COBE) 사건의 빈번한 발생을 특징으로 한다. 현재 신생아 집중치 Care Unit(NICU)에서의 탐지는 호흡수, 심박수, 산소 포화도에 대한 고정된 임계값을 기준으로 알람을 울리는 침상 모니터에 의존하고 있다. 이러한 규칙 기반 접근 방식은 높은 위양성률(false positive rates)을 보이며, 짧거나 불규칙한 이벤트를 포착하지 못하는 경우가 많아 알람 피로(alarm fatigue)를 유발한다. 딥러닝이 성인의 무호흡 탐지 분야를 발전시켰음에도 불구하고, 미숙아 인구에 대한 적용은 대규모의 주석 처리된 데이터셋의 부족과 현대적 아키텍처 및 신호 양식(signal modalities) 간의 체계적인 비교 부재로 인해 제약을 받고 있다. 또한, 기존의 신생아 관련 연구들은 이질적인 세그멘테이션 전략과 수작업으로 설계된 특징(handcrafted features)을 활용하여 직접적인 성능 비교를 어렵게 만든다.

방법론
본 연구는 고도의 집중 치료가 필요한 NICU에서 모니터링된 24명의 미숙아(평균 재태 연령 31.1 ± 1.8주)로부터 얻은 약 430시간의 녹화 데이터를 포함하는 임상 데이터셋을 활용하였다. 데이터셋에는 세 가지의 일상적으로 획득되는 생리적 신호가 포함되었다:

1. 임피던스 호흡 측정법 (Impedance Pneumography, IP): 호흡 노력의 직접적인 측정값.
2. 심전도 (Electrocardiography, ECG): R-피크 진폭 변조를 통해 ECG 유도 호흡(EDR)을 도출하는 데 사용됨.
3. 광혈류 측정법 (Photoplethysmography, PPG): 맥동하는 동맥 혈류량 변화를 통해 호흡 엔벨로프(respiratory envelope)를 도출하는 데 사용됨.

데이터 주석 및 준비:
COBE 이벤트는 임상적으로 20초 이상의 호흡 정지, 또는 서맥(bradycardia, <100 bpm) 또는 산소 포화도 저하(SpO2 < 80%)를 동반한 10초 이상의 정지로 정의되었다. 자동 스크리닝 알고리즘을 통해 후보 저산소 이벤트들을 식별하였으며, 이후 세 명의 독립적인 검토자(임상의 1명, 생체 의학 엔지니어 2명)가 커스텀 MATLAB 인터페이스를 사용하여 이를 수동으로 주석 처리하였다. 최종 데이터셋은 346개의 COBE 이벤트와 608개의 비-COBE 세그먼트로 구성되었다. 이들은 20초 길이의 윈도우와 10초의 스텝 사이즈로 세그먼트되었으며, 총 6,678개의 분석 윈도우를 생성하였다.

딥러닝 아키텍처:
저자들은 이미지 분류 아키텍처를 생리적 시계열 데이터에 적합하도록 변형한 세 가지 계열의 1D 합성곱 신경망(1D CNN)을 평가하였다:

1. Shallow CNN: Urtnasan 등의 모델을 기반으로 하되, 미숙아 신호에 특화된 커널 크기와 풀링 전략을 적용하여 수정된 6개 층의 아키텍처.
2. 잔차 네트워크 (Residual Networks, ResNets): 1D 입력을 위해 특징 채널을 줄여 적응시킨 ResNet-18, ResNet-34, ResNet-50의 변형들.
3. ConvNeXt: 1D 신호에 적응된 현대적 아키텍처로, 기본 설정 및 더 큰 커널 크기, 그리고 축소된 특징 폭을 적용하여 평가됨.

모델들은 단일 모드(unimodal) 구성(IP, EDR, 또는 PPG 엔벨로프를 개별적으로 사용)과 초기 융합(early fusion, 네트워크 스템에서 입력 결합) 및 **후기 융합(late fusion, 분류기 직전에 특징 결합)**을 사용하는 다중 모드(multimodal) 구성으로 테스트되었다.

평가 프로토콜:
데이터 누수(data leakage)를 방 방지하기 위해, 데이터셋은 영아 단위로 분할되었다. 20명의 영아에 대해 5-겹 교차 검증(five-fold cross-validation)을 수행하였으며, 완전히 독립된 테스트 세트는 제외된 4명의 영아 데이터로 구성되었다. 성능은 균형 정확도(balanced accuracy), 민감도(sensitivity), 정밀도(precision), F1 점수 및 코헨의 카파(Cohen's κ)로 평가되었으며, 클래스 불균형 문제를 해결하기 위해 클래스 가중치 손실 함수(class-weighted loss functions)를 사용하였다.

주요 결과

• 신호 양식의 지배력: 모든 아키텍처에서, 입력 신호의 선택이 아키텍처의 복잡성보다 성능에 훨씬 더 큰 영향을 미쳤다.
  • IP 기반 모델은 독립 테스트 세트에서 86.8%에서 88.0% 사이의 범위를 기록하며 일관되게 가장 높은 균형 정확도를 달 수 있었다.
  • ECG 유도(EDR) 모델은 균형 정확도가 62.6%에서 69.7% 사이로 나타나 성능이 현저히 낮았다.
  • PPG 유도 모델은 65.1%에서 66.4% 사이의 균형 정확도를 달성하였다.
• 아키텍처 성능: 더 깊고 복잡한 모델이 미미한 개선을 보였으나, 그 이득은 적었다.
  • ConvNeXt 아키텍처가 일반적으로 Shallow CNN 및 ResNet보다 우수한 성능을 보였다.
  • 가장 우수한 성능을 보인 구성은 IP와 PPG 입력을 후기 융합한 ConvNeXt 모델이었으며, 독립 테스트 세트에서 88.7%의 균형 정확도와 0.75의 F1 점수를 달 기록하였다.
  • 다중 모드 융합은 IP 단독 모델에 비해 점진적인 개선만을 제공하였는데, 이는 직접적인 호흡 신호(IP)가 대부분의 판별 정보를 포함하고 있음을 시사한다.

의의 및 주장
본 논문은 동일한 전처리 및 평가 프로토콜 하에서 1D ConvNeXt 아키텍처를 미숙아 COBE 탐지에 적용하여 체계적으로 평가한 첫 사례이자, CNN 및 ResNet 모델과의 통제된 비교를 제공한다고 주장한다. 주요 기여는 데이터가 제한된 신생아 환경에서 신호 양식이 탐지 성능의 일차적 결정 요인이며, 이것이 아키텍처의 복잡성보다 더 중요하다는 것을 입증한 데 있다.

저자들은 일상적으로 모니터링되는 NICU 신호에 적용된 딥러닝 모델이 추가적인 센싱 하드웨어 없이도 COBE 이벤트를 신뢰성 있게 탐지할 수 있다고 주장한다. 그러나 실제 운영 워크플로우 내에서의 알람 부담에 대한 전향적 검증이 구현 전 필요하다는 점을 언급하며, 임상적 전환에 대해서는 신중한 입장을 유지한다. 본 연구는 IP 기반 모델의 우수한 성능이 호흡 역학의 직접적인 측정을 반영하는 반면, ECG와 PPG는 이 특정 인구 집단에서 덜 신뢰할 수 있는 간접 대리 지표 역할을 한다는 점을 강조한다.