Rethinking EEG-Based Disease Diagnosis: Decoupling Instance Representation Learning from Subject-Level Supervision

당신이 미스터리를 풀려는 탐정이라고 상상해 보세요. 하지만 단 한 명의 용의자를 심문하는 대신, 수백 개의 작고 파편화된 속삭임으로부터 전체 이야기를 재구성해야 합니다. 이것이 바로 EEG 기반 질병 진단의 세계입니다. 뇌파(Electroencephalography, EEG)는 두피에 놓인 고성능 마이크와 같아서, 뇌의 전기적 수다를 기록합니다. 의사들은 이 기록을 사용하여 알츠하이머나 우울증 같은 신경계 질환의 징후를 포착합니다. 까다로운 점은 뇌가 자신의 비밀을 한꺼번에 크게 외치지 않고, 짧은 폭발음처럼 시간을 두고 속삭인다는 것입니다.

전통적으로 컴퓨터 프로그램(AI)은 모든 단일 속삭임을 별개의 단서로 취급하여 이 문제를 해결하려 했습니다. 그들은 긴 녹음 파일을 아주 작은 1초 단위의 조각들로 자른 뒤, 모든 조각에 똑같이 "질병 있음" 또는 "건강함"이라는 라벨을 붙여 AI가 각 조각에 대해 개별적으로 라벨을 추측하도록 훈련했습니다. 이는 마치 어떤 사람의 말 한마디 한마디가 미스터리를 푸는 데 똑같이 중요하다는 가정과 같습니다. 하지만 여기에는 함정이 있습니다. 어떤 속삭임은 그저 배경 소음일 뿐이지만, 어떤 것들은 핵심적인 열쇠를 쥐고 있을 수도 있습니다. 만약 AI가 소음에 혼란을 느낀다면, 전체 이야기를 완전히 잘못 이해하게 될 수도 있습니다. 이 논문은 다음과 같은 질문을 던짐으로써 이 혼란을 해결하고자 합니다. 만약 우리가 AI에게 모든 작은 조각에 대해 라벨을 추측하도록 강요하는 대신, 먼저 전체 대화를 경청하도록 가르친다면 어떨까?

---

문제점: "복사해서 붙여넣기"의 함정

오랫동안 AI에게 뇌파를 읽는 법을 가르치는 표준적인 방식은, 마치 게으른 선생님이 학생의 워크북 모든 페이지에 똑같은 정답지를 복사해서 붙여넣는 것과 비슷했습니다. 환자가 질병을 앓고 있다면, 컴퓨터는 그 환자의 뇌 기록 중 모든 단 1초가 그가 아프다는 증거라고 학습되었습니다. 이를 "상속된 라벨 훈련(inherited-label training)"이라고 부릅니다.

문제는 모든 뇌 스캔의 매 초가 똑같이 유용하지는 않다는 점입니다. 어떤 순간은 질병의 신호가 명확하게 나타나지만, 다른 순간은 그저 뇌가 휴식을 취하거나 멍하니 있는 상태일 수 있습니다. 모든 초를 완벽한 질병의 사례로 취급하도록 AI를 강제함으로써, 컴퓨터는 혼란에 빠집니다. 컴퓨터는 모든 조각이 어떻게 함께 작용하여 전체 이야기를 들려주는지 이해하기보다는, 단일 조각의 라벨을 예측하는 법만을 배우게 됩니다.

반면에 **다중 인스턴스 학습(Multiple Instance Learning, MIL)**이라는 방법이 있습니다. 이 방법은 더 똑똑합니다. 환자 전체를 뇌 조각들의 "가방(bag)"으로 취급하며, 오직 전체 가방에 대한 최종 진단만을 살펴봅니다. 즉, 모든 조각에 강제로 라벨을 붙이지 않습니다. 그러나 이 접근 방식에도 결함이 있습니다. 의료 데이터셋의 경우, 수천 개의 뇌 조각은 흔하지만 실제 환자 수는 매우 적은 경우가 많습니다. 이는 마치 실제 대화 내용이 단 다섯 단어뿐인 사전을 읽으며 언어를 배우려는 것과 같습니다. AI는 학습할 수 있는 환자가 극소수뿐이기 때문에, 무엇이 "좋은" 뇌 조각인지 학습하는 데 어려움을 겪습니다.

해결책: BridgeMIL

이 논문의 저자인 마즈위위안(Zhiyuan Ma)과 그의 팀은 이 양면적인 문제를 해결하기 위해 BridgeMIL이라는 새로운 시스템을 구축했습니다. 그들은 모든 뇌 조각에 대해 질병 라벨을 추측하도록 강요하지 않으면서도 AI에게 뇌 조각이 무엇인지 가르칠 수 있는 방법, 그리고 그 지식을 사용하여 환자 수준의 미스터리를 해결할 방법을 찾아냈습니다.

그들은 두 섬 사이에 다리를 놓듯, 다음의 두 단계로 진행했습니다.

1단계: "듣고 배우기" 단계
먼저, 그들은 질병 라벨을 전혀 보여주지 않은 채 AI에게 뇌파를 이해하는 법을 가르쳤습니다. 그들은 영리한 트릭을 사용했습니다. AI에게 "1초 전의 뇌 조각과 지금의 조각은 같은 사람에게서 온 것이므로 서로 유사해야 한다"라고 말했습니다. 또한 "한 사람의 기록에서 무작위로 추출한 두 개의 덩어리는 공통된 특징을 공유해야 한다"라고 가르쳤습니다.

AI가 단순히 "모든 것이 다 같다"라고 말하는 문제(이를 "붕괴(collapse)"라고 함)에 빠지지 않도록, 그들은 AI의 두뇌를 활성화하고 다양성을 유지할 수 있는 특별한 규칙을 추가했습니다. 이는 마치 음악가에게 곡 전체의 악보를 암기하게 하는 것이 아니라, 노래의 다양한 부분을 듣게 하여 리듬을 인식하도록 훈련하는 것과 같습니다. 이 단계는 AI가 라벨이 지정된 소수의 환자뿐만 아니라, 사용 가능한 모든 뇌 조각으로부터 학습할 수 있게 해줍니다.

2단계: "탐정" 단계
AI가 뇌 조각을 이해하는 데 숙련되면, 그 지식을 최종적인 탐정 업무로 "전이(transfer)"시킵니다. 이제 AI는 환자의 모든 조각을 살펴보고, 스마트한 주의 집중(attention) 시스템을 사용하여 어떤 조각이 가장 중요한 단서인지 파악합니다. 결정적으로, AI는 오직 최종 답변(환자가 아픈가, 아닌가?)에 대해서만 교정을 받으며, 개별 조각마다 교정받지는 않습니다. AI가 최종 퍼즐을 풀려고 노력하는 동안 1단계에서 배운 것을 잊어버리지 않도록, 그들은 "특징 보존(feature retention)" 규칙을 추가했습니다. 이는 "뇌 조각에 대한 이해를 너무 많이 바꾸지 말고, 그 비중을 조절하는 법만 조정하라"고 일깨워주는 안전망 역할을 합니다.

연구 결과

연구팀은 세 가지 뇌 질환 데이터셋(알츠하이머, 우울증, 파킨슨병)에 대해 BridgeMIL을 테스트했습니다. 그들은 이를 기존의 "복사해서 붙여넣기" 방식 및 표준적인 "가방(bag)" 방식과 비교했습니다.

결과는 인상적이었습니다. BridgeMIL은 15가지 서로 다른 테스트 시나리오 중 14가지에서 최고의 성능을 보였습니다. 평균적으로 **76.57%**의 정확도를 달달성했는데, 이는 차순위 방법보다 4.28 퍼센트 포인트 높은 수치입니다. 의료 AI 분야에서 이는 엄청난 도약입니다.

하지만 논문은 단순히 "더 잘 작동한다"에서 멈추지 않았습니다. 그들은 왜 그런지 알아보기 위해 더 깊이 파고들었습니다.

• 모든 단서가 평등하지 않다: 모든 조각에 라벨을 붙이는 기존 방식이 실제로 신뢰할 수 없다는 것을 발견했습니다. 어떤 조각은 진단에 유용했지만, 어떤 조는 오해를 불러일으킬 수 있었습니다. BridgeMIL은 나쁜 조각들을 무시하는 법을 배웠습니다.
• 조각보다 환자가 더 중요하다: 그들은 뇌 조각의 수가 적을 때와 환자의 수가 적을 때 각각 어떤 일이 일어나는지 테스트했습니다. 그 결과, 환자(대상자)의 수가 적은 것이 뇌 조각의 수가 적은 것보다 AI의 성능에 훨씬 더 큰 타격을 준다는 것을 발견했습니다. 이는 향에서 더 많은 사람을 참여시키는 것이 단순히 더 긴 뇌 스캔을 기록하는 것보다 훨씬 더 중요하다는 것을 시사합니다.
• 더 나은 조직화: AI의 내부 "두뇌"는 훨씬 더 체계적으로 변했습니다. 서로 다른 질병 유형들이 더 명확하고 분리된 클러스터를 형성하여, 서로를 구별하기가 더 쉬워졌습니다.

요약

이 논문은 뇌 질환을 진단하기 위해 AI를 가르치는 최선의 방법은 기록의 모든 작은 순간에 라벨을 붙이도록 강요하는 것이 아니라는 점을 시사합니다. 대신, 먼저 사용 가능한 모든 데이터로부터 뇌파의 "언어"를 배우게 한 다음, 최종 진단을 위한 특정 단서를 듣는 법을 가르쳐야 합니다. 뇌 신호를 학습하는 것과 최종 질병 라벨을 학습하는 것을 분리함으로써, BridgeMIL은 신경계 건강을 이해하는 더 강력하고 신뢰할 수 있는 다리를 건설합니다. 이는 때때로 거대한 미스터리를 풀기 위해서는 모든 단어 하나하나에 집착하기보다, 전체 이야기를 경청해야 한다는 사실을 상기시켜 줍니다.