Attractor Image-Based Deep Learning of Arterial Pulse Waves for Age Classification

신체의 비밀스러운 리듬과 디지털 탐정

당신의 몸을 거대한 도시라고 상상해 보세요. 심장은 중앙 발전소이며, 동맥이라고 불리는 광활한 도로망을 통해 생명을 주는 혈액을 펌프질합니다. 도시의 도로가 시간이 흐름에 따라 더 딱딱해지거나, 좁아지거나, 유연성이 떨어지는 것처럼, 당신의 동맥 또한 나이를 먹습니다. '혈관 노화'라고 알려진 이 과정은 성장하는 과정의 자연스러운 일부이지만, 때로는 예정보다 일찍 도로가 무너지는 것처럼 너무 빠르게 진행되기도 합니다. 이런 현상이 발생하면, 지금 당장은 아무런 문제가 느껴지지 않더라도 미래의 건강 문제를 알리는 경고 신호가 될 수 있습니다.

이러한 조기 경고 신호를 포착하기 위해 과학자들은 종종 '맥파(pulse wave)'를 관찰합니다. 맥파는 심장이 뛸 때마다 동맥을 타고 흐르는 압력의 물결입니다. 이 맥파를 리듬과 형태를 가진 독특한 지문이라고 생각해 보세요. 나이가 들면서 이 지문의 형태는 예측 가능한 방식으로 변합니다. 전통적으로 이러한 변화를 측정하는 것은 마치 돋보기를 들고 복잡한 지도를 읽으려는 것과 같았습니다. 전문적인 장비와 이를 해석할 전문가가 필요했기 때문입니다. 하지만 만약 우리가 그 구불구불한 선들을 컴퓨터가 즉각적으로 인식할 수 있는 하나의 그림으로 바꿀 수 있다면 어떨까요? 마치 군중 속에서 익숙한 얼굴을 찾아내는 것처럼 말이죠. 이것이 바로 의학과 인공지능이 만나는 흥미로운 과학의 영역이며, 보이지 않는 생물학적 변화를 누구나 이해할 수 있는 명확한 시각적 단서로 바꾸는 것을 목표로 합니다.

심장 박동을 그림으로 바꾸다

이 연구에서 연구팀은 영리한 기술을 시도해 보기로 했습니다. 컴퓨터에게 길고 혼란스러운 숫자 목록(화면상에 나타나는 일반적인 맥파의 모습)을 분석하라고 요구하는 대신, 그 숫자들을 그림으로 바꾼 것입니다. 그들은 '대칭 투영 어트랙터 재구성(Symmetric Projection Attractor Reconstruction)', 줄여서 'SPAR'라고 불리는 특별한 수학적 레시피를 사용했습니다.

길게 굽이치는 강이 종이 위에 흐르고 있다고 상상해 보세요. 단순히 선만 본다면 그 강이 젊고 활기찬지, 아니면 늙고 느릿한지 구분하기 어렵습니다. 하지만 그 강을 3차원 형태로 접은 다음 빛을 비추어 벽에 그림자를 드리울 수 있다면, 그 그림자는 뚜렷한 패턴을 드러낼 것입니다. 이것이 바로 SPAR가 하는 일입니다. SPAR는 손가락이나 동맥에서 기록된 가공되지 않은 맥파 신호를 가져와 이를 3차원 형태로 접은 다음, 2차원 평면에 투영하여 '밀도 플롯(density plot)'을 만들어냅니다. 그 결과물은 마치 소용돌이치는 은하계나 빛으로 만든 지문처럼 보이는 독특하고 추상적인 이미지입니다.

연구진은 이 '맥파 그림'들을 '합성곱 신경망(Convolutional Neural Network, CNN)'이라는 유형의 인공지능에 입력했습니다. 이 CNN을 아주 눈썰미 좋은 '디지털 탐정'이라고 생각하면 됩니다. 이 탐정의 임무는 이 소용돌이치는 이미지들을 보고 그 이미지가 어떤 사람으로부터 왔는지, 즉 그 사람의 나이를 추측하는 것이었습니다. 구체적으로, 탐정은 매우 근접한 두 연령 그룹, 즉 3540세 그룹과 5055세 그룹 사이에서 선택해야 했습니다. 이 그룹들은 인생의 타임라인에서 이웃하고 있으며, 동맥이 아직 그렇게 급격하게 변하지 않았기 때문에 이는 매우 까다로운 도전입니다.

탐정의 보고서

연구팀은 두 가지 다른 유형의 데이터로 이 탐정을 테스트했습니다. 첫 번째는 벨기에의 건강한 사람들로부터 얻은 데이터로, 손목 동맥에 직접 압력을 측정하는 방식(동맥 경도 측정법)을 사용했습니다. 두 번째는 런던의 더 작은 집단으로부터 얻은 데이터로, 피부를 통해 빛을 비추어 맥박을 감지하는 손가락 센서(광전용적맥파법, PPG)를 사용했습니다.

결과는 꽤 유망했습니다. AI 탐정은 사람들을 올바른 연령대로 70% 이상의 확률로 정확히 분류해 냈습니다. 연령 그룹 간의 차이가 매우 적었다는 점을 고려하면 이는 견고한 점수입니다. 모델은 특히 나이가 많은 그룹(50~55세)을 찾아내는 데 뛰어났으며, 테스트 유형에 따라 약 67%에서 87%까지 정확하게 식별해 냈습니다.

연구진이 '그림' 자체를 살펴보았을 때, 그들은 왜 AI가 작동하는지를 확인할 수 있었습니다. 젊은 층(3540세)의 이미지에서는 소용돌이치는 패턴에 마치 낙타의 혹 두 개처럼 뚜렷한 '루프(loop)'나 이차적인 돌출부가 있었습니다. 반면, 나이가 많은 층(5055세 이상)의 이미지에서는 그 두 번째 돌출부가 희미해지거나 사라져서, 패턴이 더 열려 있고 루프가 없는 형태를 띠었습니다. AI는 이러한 미세한 형태의 변화를 포착하는 법을 배웠으며, 맥파의 기하학적 구조 속에 쓰인 '나이'를 효과적으로 읽어낸 것입니다.

흥ًا히, 이 탐정은 손가락 센서(PPG)에서 얻은 다소 노이즈가 섞이고 지저분한 그림에서도 손목 센서에서 얻은 깨끗한 그림만큼이나 잘 작동했습니다. 이는 SPAR 방식이 매우 강력하다는 것을 시사합니다. 즉, 신호가 완벽하지 않더라도 맥파의 근본적인 형태가 충분히 명확하게 드러나 AI가 훌륭한 추측을 할 수 있게 해준다는 것입니다.

이것이 의미하는 것 (그리고 의미하지 않는 것)

연구진은 이 연구를 '개념 증명(proof-of-concept)'이라고 신중하게 부르고 있습니다. 이 연구가 내일 당장 모든 의사의 진료실에 도입될 완벽한 의료 도구라고 말하는 것이 아닙니다. 그들은 훈련 세트가 상대적으로 작았으며, 모델이 단순히 운 좋게 맞춘 것이 아님을 확인하기 위해 통계적 기법(모델을 열 가지 방식으로 테스트하는 등)을 사용해야 했음을 인정합니다. 또한 두 번째 집단의 모든 건강 세부 사항을 확인할 수 없었기에, 그들 중 일부에게 숨겨진 건강 문제가 있을 가능성도 언급했습니다.

하지만 핵심적인 발견은 명확합니다. 이 방법은 작동한다는 것입니다. 이 연구는 맥파를 이미지로 변환함으로써, 단 10년 차이밖에 나지 않는 건강한 성인들을 구별할 수 있는 충분한 정보를 포착할 수 있음을 시사합니다. 이는 우리가 언젠가 스마트워치와 같은 간단한 웨어러블 기기를 사용하여, 아무런 증상이 나타나기 전에 혈관 노화의 초기 징후를 감지할 수 있음을 암시하기에 매우 중요한 대목입니다.

이 논문은 심혈관 질환을 해결했거나 마법 같은 치료법을 찾아냈다고 주장하지 않습니다. 대신, 오래된 문제를 바라보는 새롭고 즐거우며 효과적인 방법을 제시합니다. 미래의 건강 모니터링은 복잡한 그래프를 뚫어지게 쳐다보는 것이 아니라, 우리 심장 박동의 아름답고 소용돌이치는 그림을 바라보며 컴퓨터가 우리의 내부 도로가 여전히 원활하게 달리고 있는지 알려주는 방식이 될 수 있음을 보여줍니다.