Large-Scale Assessment of Language, Speech, and Movement in Autism and ADHD with AI

이 연구는 대규모 AI 기반 분석을 통해 자폐성 장애 (ASD) 와 주의력결핍 과잉행동 장애 (ADHD) 의 중첩된 증상을 언어, 음성, 운동 행동의 고유한 디지털 신호로 구분하여, 임상 인터뷰 기록을 통해 두 장애를 객관적으로 식별할 수 있음을 입증했습니다.

핵심

🎬 1. 실험실: "애니메이션 영화와 인터뷰"

연구진은 2,341 명의 어린이와 청소년 (5~22 세) 을 대상으로 한 대규모 실험을 진행했습니다.

• 상황: 아이들은 먼저 "The Present"라는 짧은 애니메이션 영화를 봤습니다. 이 영화는 다리가 없는 강아지를 얻게 된 소년이 처음엔 거절하다가 결국 자신의 다리가 없다는 것을 깨닫고 강아지를 받아들이는 이야기입니다.
• 미션: 영화가 끝난 후, 아이들은 연구원 (의사) 과 인터뷰를 했습니다. "영화에서 무슨 일이 있었나요?", "강아지와 소년이 어떤 점이 비슷할까요?", "너는 어떤 기분이 들었나요?" 같은 질문을 받았습니다.

이때, 연구진은 아이들의 목소리, 말투, 몸짓, 표정을 모두 녹화했습니다. 그리고 이 방대한 데이터를 AI에게 분석하게 했죠.

🔍 2. AI 의 역할: "디지털 현미경"

AI 는 인간의 눈과 귀로는 놓치기 쉬운 미세한 패턴들을 찾아냈습니다. 마치 디지털 현미경처럼 말이죠.

• 언어 분석: 아이들이 얼마나 다양한 단어를 쓰는지, 이야기의 흐름이 논리적인지, "나 (I)"라는 말을 얼마나 자주 쓰는지 분석했습니다.
• 목소리 분석: 목소리의 높낮이 (피치), 크기, 숨소리가 섞인 정도 등을 측정했습니다.
• 움직임 분석: 카메라로 아이들의 얼굴, 눈, 입, 몸 전체가 얼마나 움직이는지 정밀하게 추적했습니다.

🧩 3. 주요 발견: "혼란스러운 퍼즐 조각을 정리하다"

과거에는 ADHD 와 자폐증이 겹치는 부분이 많아 구분이 어려웠습니다. 하지만 이 연구는 세 가지 핵심 차이를 찾아냈습니다.

① 언어 능력: "나이를 따져야 한다"

• 오해: "ADHD 아이들은 말을 잘 못 하거나 어색하게 말한다"는 생각이 있었습니다.
• 진실: AI 가 분석한 결과, 언어 능력의 차이는 질병 때문이 아니라 '나이'와 '지능 (IQ)' 때문이었습니다.
  • 비유: 어린 아이가 말을 서툴러 하는 것은 '질병'이 아니라 '성장 과정'입니다. ADHD 아이들의 언어 실수는 나이가 들면서 자연스럽게 좋아지며, 이는 자폐증과는 다른 문제였습니다.
  • 자폐증의 특징: 자폐증 아이들은 문법이나 단어는 잘 쓰지만, **이야기의 핵심을 파악하거나 다른 사람의 감정을 이해하는 것 (공감)**에서 독특한 패턴을 보였습니다. 마치 "사과에 대한 이야기를 하되, 사과가 왜 맛있는지 설명하는 대신 사과 껍질 색깔만 반복해서 말하는 것"과 비슷했습니다.

② 목소리: "자폐증만의 독특한 악기"

• 자폐증: 목소리가 더 높고, 높낮이 변화가 크며, 때로는 숨소리가 섞인 (쉰) 목소리를 사용했습니다. 이는 마치 특유의 악기 소리처럼 자폐증 아이들에게서만 뚜렷하게 나타났습니다.
• ADHD: ADHD 아이들의 목소리 특징은 자폐증 아이들과는 달랐습니다.

③ 움직임: "ADHD 의 '과잉 에너지'"

• ADHD (과잉행동형): 이 아이들은 얼굴, 눈, 몸 전체가 끊임없이 움직였습니다. 의자에 앉아있지 못하고, 표정이 자주 바뀌고, 손발을 움직이는 등 '에너지가 넘치는' 움직임이 특징이었습니다.
• 자폐증: 자폐증 아이들은 특정 반복적인 동작을 할 수 있지만, 이 연구에서 측정한 '전체적인 움직임'에서는 ADHD 과잉행동형만큼 뚜렷한 차이를 보이지 않았습니다.
  • 비유: ADHD 과잉행동형 아이는 방 안을 뛰어다니는 바람 같고, 자폐증 아이는 고정된 패턴으로 움직이는 시계 바늘 같다고 볼 수 있습니다.

💡 4. 결론: "나만의 지문 찾기"

이 연구는 **"디지털 행동 지문"**을 발견했습니다.

• ADHD는 주로 과도한 움직임으로,
• 자폐증은 주로 사회적 공감 능력의 차이와 독특한 목소리로,
• 언어 실수는 대부분 나이나 지능에 의해 결정된다는 것을 증명했습니다.

🌟 왜 이것이 중요할까요?

지금까지 의사는 아이의 행동을 눈으로 보고 진단했는데, 이는 주관적일 수 있고 두 질환이 섞였을 때 혼란스러웠습니다. 하지만 이 연구는 짧은 인터뷰 영상만으로도 AI 가 객관적인 데이터를 뽑아내어 두 질환을 명확히 구분할 수 있음을 보여줍니다.

마치 의사가 아이의 '디지털 지문'을 스캔하여 정확한 진단을 내리는 미래가 가까워진 것입니다. 이는 더 빠르고 정확한 진단을 통해 아이들이 필요한 도움을 더 일찍 받을 수 있게 해줄 것입니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 공존 및 중첩: ASD 와 ADHD 는 유전적 요인과 뇌 네트워크 변이가 겹치며, 임상적으로도 자주 공존합니다. 이로 인해 두 장애의 증상을 구분하기 어렵고, 기존 연구들은 종종 두 군을 분리하거나 소규모 샘플로 분석하여 일반화 가능성이 낮았습니다.
• 기존 진단의 한계: 현재 진단은 주로 임상 관찰과 부모/교사 보고에 의존하며, 언어, 사회인지, 운동 행동 등 다양한 영역에서 두 장애가 어떻게 다른지 객관적으로 규명하기 어렵습니다.
• 연구 목적: 대규모 커뮤니티 샘플을 대상으로 자연스러운 임상 인터뷰 중 발생하는 언어, 음성, 운동 행동을 AI 로 자동 분석하여, 두 장애를 구분하는 **고유한 행동 지문 (Behavioral Signatures)**을 찾아내고, 연령 및 인지 능력과 같은 혼란 변수를 통제하여 각 장애의 독립적인 영향을 규명하는 것입니다.

2. 방법론 (Methodology)

• 데이터셋: 'Healthy Brain Network (HBN)' 코호트의 **2,341 명 (연령 5~22 세)**의 비디오 녹화 데이터를 사용했습니다. 이 코호트에는 ASD, ADHD (주의력 결핍형, 과잉행동형, 복합형), 기타 진단군 및 정상 발달군이 포함되어 있습니다.
• 과제: 참가자들은 감정적인 애니메이션 단편 영화 ("The Present") 를 시청한 후, 임상가가 수행하는 반구조화된 인터뷰 (Semi-structured interview) 에 참여했습니다. 인터뷰는 이야기 회상, 사실적 기억, 감정 해석, 관점 수용 (Theory of Mind) 등을 평가하는 질문으로 구성되었습니다.
• AI 분석 파이프라인:
  1. 전사 및 화자 분리 (Diarization): WhisperX 모델을 사용한 자동 전사와 Google 의 대형 언어 모델 (LLM, Gemini) 을 활용한 화자 분리 (인터뷰어 vs 참가자) 를 수행하여 텍스트 데이터를 생성했습니다.
  2. 언어 및 화용론 분석: OpenWillis 툴킷을 사용하여 어휘 다양성, 문장 구조, 화용론적 능력 (화자 참여도, 자기 중심적 언어 등) 을 정량화했습니다.
  3. 의미 분석 (Semantic Analysis): Google 의 'Gecko' 텍스트 임베딩 모델을 사용하여 참가자의 답변을 수치화하고, 연령대별 정상 발달군 (TD) 의 평균 답변과 비교하여 '답변의 전형성 (Typicality)'을 측정했습니다.
  4. 음성 프로소디 분석: 음높이 (Pitch), 강도 (Intensity), 발성 불규칙성 (Dysphonia), 숨소리 (Breathiness) 등 음향 특징을 추출했습니다.
  5. 운동 행동 분석: Google Mediapipe 를 활용한 컴퓨터 비전으로 얼굴, 눈, 입, 상체의 3D 랜드마크를 추적하고 프레임 간 이동 거리를 계산하여 운동량을 정량화했습니다.
• 통계 모델: 다변량 회귀 분석 (Multivariate Regression) 을 사용하여 연령, 성별, IQ를 통제하면서 ASD, ADHD-주의력 결핍형, ADHD-과잉행동형을 독립적인 이진 변수로 모델링했습니다.

3. 주요 결과 (Key Results)

A. 언어 능력 (Language)

• 발달 요인의 우세: 구조적 언어 능력 (어휘, 문법 등) 은 주로 연령과 IQ에 의해 결정되었으며, ADHD 나 ASD 진단 자체와는 유의미한 독립적 연관성이 없었습니다.
• ASD 의 특징: ASD 군에서만 1 인칭 대명사 (자기 중심적 언어) 사용이 유의하게 증가했습니다.
• ADHD 의 오해: 기존에 ADHD 와 연관 지어졌던 언어 결핍은 실제로는 연령, 인지 능력, 혹은 동반된 ASD 에 의해 설명되었습니다.

B. 사회인지 및 내러티브 (Social Cognition & Narrative)

• ASD 의 고유한 특징: ASD 는 내러티브의 비전형성, 주제 이해의 결여 (예: 영화의 핵심 교훈인 '공유된 결손'을 놓침), 그리고 감정 표현의 독창적/개성적 서술과 강하게 연관되었습니다.
• ADHD 의 부재: ADHD (주의력 결핍형, 과잉행동형 모두) 는 내러티브 구성이나 관점 수용 (Theory of Mind) 능력과 독립적으로 연관되지 않았습니다. 이는 ADHD 의 의사소통 어려움이 언어 자체의 결함보다는 실행 기능 (집중력, 억제) 문제에서 기인함을 시사합니다.

C. 음성 프로소디 (Vocal Prosody)

• ASD 의 음성 지문: ASD 는 높은 평균 음높이, 음높이 변동성 증가, 큰 음량, 발성 불규칙성 (Dysphonia), 숨소리 (Breathiness) 증가와 같은 독특한 음성 프로필을 보였습니다.
• ADHD 와의 구분: 이러한 음성 특징은 ADHD 군에서는 관찰되지 않았습니다.

D. 운동 행동 (Motor Activity)

• ADHD-과잉행동형의 특징: 과잉행동 - 충동형 ADHD는 얼굴, 눈, 입, 상체 전반에 걸쳐 증가된 운동 활동과 강하게 연관되었습니다.
• ASD 와 ADHD-주의력 결핍형: ASD 나 ADHD-주의력 결핍형은 전신 운동량 (Global kinematics) 측면에서 유의미한 차이가 없었습니다. (ASD 의 반복적 운동은 더 세분화된 분석이 필요할 수 있음)

4. 주요 기여 및 의의 (Contributions & Significance)

1. 대규모 데이터 기반의 객관적 구분: 2,000 명 이상의 대규모 샘플을 분석하여 ASD 와 ADHD 의 중첩된 증상을 **영역별 행동 지문 (Domain-specific signatures)**으로 성공적으로 분리했습니다.
   • ASD: 비전형적 내러티브, 관점 수용 결여, 독특한 음성 프로필 (높은 음높이/음량).
   • ADHD (과잉행동형): 전신적 운동 과다.
   • ADHD (주의력 결핍형): 언어/운동/사회인지 측면에서 독립적인 디지털 바이오마커가 명확히 발견되지 않음 (발달 및 인지 요인에 더 의존).
2. 발달 변수의 중요성 규명: 많은 기존 연구에서 ADHD 나 ASD 로 오해되었던 언어 및 행동 차이가 실제로는 연령과 IQ에 의한 발달적 차이임을 통계적으로 입증했습니다.
3. 확장 가능한 디지털 평가 도구: 짧은 임상 인터뷰 영상만으로도 AI 를 통해 객관적이고 확장 가능한 행동 지표를 추출할 수 있음을 보여주었습니다. 이는 향후 진단 보조 도구나 치료 반응 모니터링에 활용될 수 있습니다.
4. 임상적 함의: ASD 와 ADHD 는 상호 배타적인 범주가 아니라 중첩되는 차원 (Dimensions) 으로 접근해야 하며, 각 장애의 고유한 특성을 분리하여 이해해야 함을 강조합니다.

5. 결론

이 연구는 AI 기반의 자동화된 행동 분석이 ASD 와 ADHD 의 복잡한 공존 관계를 해체하고, 각 장애의 핵심적인 행동적 특징 (ASD 는 사회인지 및 음성, ADHD-과잉행동형은 운동 활동) 을 명확히 식별할 수 있음을 입증했습니다. 이는 디지털 헬스케어와 정신의학 진단의 정밀화 (Precision Medicine) 에 중요한 이정표가 됩니다.