An interpretable and explainable neural network to classify sports-related cardiac arrhythmias in professional football athletes

이 논문은 일반인 심전도 데이터로 학습된 해석 가능한 sinc 컨볼루션 신경망과 표준 컨볼루션 신경망을 프로 축구 선수의 스포츠 관련 심부정맥을 분류하는 데 적용하고, 모델의 해석 가능성과 성능을 평가하여 심장 병리생리학에 맞는 아키텍처 선택의 중요성을 제시합니다.

핵심

1. 문제 상황: "운동선수 vs 일반인, 심장은 왜 다를까?"

운동선수, 특히 프로 축구 선수들은 일반인보다 심장이 훨씬 튼튼합니다. 하지만 이 튼튼한 심장이 때로는 '질병'으로 오인받기도 합니다.

• 비유: 마치 마라토너의 다리가 일반인보다 훨씬 크고 근육질인 것처럼, 운동선수의 심장도 운동으로 인해 커지거나 박동수가 느려지는 것이 '정상'일 수 있습니다.
• 문제점: 하지만 AI 가 이 '정상적인 운동선수 심장'을 '심장마비 위험이 있는 병'으로 잘못 판단하면, 선수가 불필요하게 경기에 출전하지 못하게 되는 큰 문제가 생깁니다. 반대로 진짜 위험한 병을 놓치면 생명이 위험해집니다.

2. 해결책: "AI 두 명을 고용하다"

연구팀은 이 문제를 해결하기 위해 두 가지 다른 스타일의 AI를 만들어 비교해 보았습니다.

① AI A (일반적인 AI): "모든 것을 다 보는 탐정"

• 특징: 심전도 신호를 그냥 일반적인 패턴으로 분석합니다. 모양새, 크기, 모든 디테일을 다 보려고 노력합니다.
• 장점: 심전도 모양이 복잡하게 변할 때 (예: 심장 전도 시스템의 이상) 잘 찾아냅니다.
• 단점: 왜 그렇게 판단했는지 그 '이유'를 설명하기 어렵습니다. (블랙박스)

② AI B (설명 가능한 AI): "주파수 필터를 쓴 음악 감식가"

• 특징: 이 AI 는 심전도 신호를 분석할 때, **특정 주파수 (소리의 높낮이) 만 골라 듣는 '필터'**를 처음부터 장착하고 있습니다. 심장의 P 파, QRS 파, T 파 같은 중요한 부분만 집중해서 듣는 방식입니다.
• 장점: 왜 그렇게 판단했는지 이유를 명확히 설명할 수 있습니다. (예: "이 부분이 중요해서 위험하다고 봤어요")
• 단점: 모양이 너무 복잡하게 변하는 경우에는 일반 AI 보다 조금 덜 잘 맞출 수 있습니다.

3. 실험 방법: "일반인 데이터로 배우고, 선수 데이터로 시험보다"

• 학습: 두 AI 는 수만 명의 일반 환자 심전도 데이터로 먼저 공부했습니다. (데이터가 많기 때문입니다.)
• 시험: 그다음 프로 축구 선수들의 심전도 데이터로 시험을 봤습니다.
• 도전: 일반인 데이터로 배운 AI 가 선수들의 '특수한 심장'을 잘 이해할 수 있을까요? (이걸 '도메인 적응'이라고 합니다.)

4. 결과: "각자 장점이 다릅니다"

연구 결과는 매우 흥미로웠습니다.

• 정상 심박동 (NSR) 을 찾을 때: **AI B (음악 감식가)**가 더 잘했습니다. 규칙적인 리듬을 잘 감지했기 때문입니다.
• 복잡한 이상 신호 (IRBBB, TWI) 를 찾을 때: **AI A (일반 탐정)**가 조금 더 잘했습니다. 모양의 변화를 잘 포착했기 때문입니다.
• 가장 중요한 발견 (설명 가능성):
  • AI B는 심전도에서 **"PR 구간"**이나 **"T 파"**처럼 의사가 실제로 중요하게 여기는 부분만 집중해서 보았습니다.
  • 반면, AI A는 때로는 심전도 데이터의 빈 공간 (제로 패딩) 같은 '의미 없는 부분'을 중요하게 여기는 실수를 하기도 했습니다.

5. 결론 및 시사점: "왜 이 연구가 중요한가?"

이 연구는 **"AI 가 단순히 정답만 맞추는 게 아니라, 의사가 이해할 수 있는 이유를 말해줘야 한다"**는 점을 증명했습니다.

• 창의적인 비유:
  • 일반 AI는 "이게 위험해!"라고만 외치는 경보기 같습니다.
  • **설명 가능한 AI (이 연구의 주인공)**는 "이 부분의 리듬이 너무 느려서 위험해!"라고 이유를 설명해 주는 의사 같습니다.

요약하자면:
이 연구는 프로 축구 선수들의 심장 건강을 지키기 위해, AI 가 심전도를 분석할 때 '이유'를 설명할 수 있어야 한다는 것을 보여주었습니다. 특히, 심장의 리듬을 분석할 때는 주파수 필터를 가진 AI가, 모양의 변화를 분석할 때는 일반적인 AI가 더 잘한다는 것을 발견했습니다. 앞으로는 이 두 AI 의 장점을 합쳐서, 선수들이 불필요하게 경기에 나가지 못하거나 위험한 병을 놓치는 일을 막는 데 쓰일 것입니다.

기술 요약

논문 요약: 프로 축구 선수의 스포츠 관련 심장 부정맥을 분류하기 위한 해석 가능하고 설명 가능한 신경망

1. 연구 배경 및 문제 제기 (Problem)

• 심장 돌연사 (SCD) 위험: 운동선수는 비운동인에 비해 심장 돌연사 위험이 2~3 배 높으며, 운동 중에는 그 위험이 더욱 증가합니다.
• 진단의 어려움: 고강도 운동은 심장의 생리적 적응 (예: 서맥, 불완전 우각 차단 등) 을 유발하지만, 이는 병리적 상태 (심장 근육 질환, 채널병증 등) 와 구별하기 어려운 모호한 영역을 형성합니다.
• 데이터 부족: 스포츠 관련 ECG(심전도) 데이터는 공개적으로 매우 부족하여, 일반 인구 기반의 대규모 데이터셋을 사용하여 운동선수의 데이터를 학습하는 '도메인 적응 (Domain Adaptation)' 기법이 필요합니다.
• AI 의 블랙박스 문제: 기존 딥러닝 모델은 높은 정확도를 보일 수 있지만, 의사결정 근거를 설명하지 못해 (Black-box) 임상적 신뢰도가 낮습니다. 특히 운동선수의 생리적 변화와 병리적 상태를 구분하는 데 있어 모델의 해석 가능성 (Interpretability) 과 설명 가능성 (Explainability) 이 필수적입니다.

2. 방법론 (Methodology)

이 연구는 데이터 분석, 모델 해석성, 사후 시각화, 체계적 평가를 통합한 새로운 xAI(설명 가능한 인공지능) 프레임워크를 제안합니다.

• 데이터셋:
  • 학습 데이터 (PhysioNet Challenge 21): 일반 인구 기반의 88,253 개의 ECG 기록 (30 가지 부정맥, 3 대륙). 평균 연령 59.7 세.
  • 테스트 데이터 (PF12RED): 스페인 라리가 프로 축구 선수 161 명의 12 유도 ECG 기록. 평균 연령 25.7 세.
  • 주요 타겟: 정상 동성 리듬 (NSR), 동성 서맥 (SB), 불완전 우각 차단 (IRBBB), T 파 역전 (TWI).
• 모델 아키텍처:
  • 두 가지 신경망 헤드를 가진 잔여 신경망 (ResNet) 기반 모델을 개발했습니다.
    1. 일반 합성곱 (Standard Convolution): 일반적인 패턴 학습.
    2. Sinc 합성곱 (Interpretable Sinc Convolution): 생리적으로 의미 있는 주파수 대역 (P 파, QRS 복합체, T 파 등) 을 학습하도록 제약된 합성곱 레이어. 이는 대역 통과 필터의 차단 주파수를 학습하여 모델의 해석성을 높입니다.
  • 학습 전략: 30 에포크 반복 계층적 분할 (Iterative Stratification) 로 학습 및 검증 (80:20). 최종 모델은 3 개의 서브유닛 앙상블 (다수결 투표) 로 구성됩니다.
• 해석 및 평가 기법:
  • Grad-CAM (Gradient-weighted Class Activation Mapping): 모델이 어떤 ECG 구간 (예: PR 간격, T 파) 을 중요하게 여겨 분류했는지 시각화 (히트맵) 합니다.
  • 평가 지표: 불균형 데이터 특성을 고려하여 AUROC, AUPRC, F1 점수를 종합적으로 평가했습니다.

3. 주요 결과 (Key Results)

• 성능 비교:
  • NSR (정상 동성 리듬): Sinc 합성곱 모델이 더 우수한 성능을 보였습니다 (AUROC 0.75 vs 0.70).
  • SB (동성 서맥), IRBBB, TWI: 일반 합성곱 모델이 더 높은 성능을 기록했습니다 (SB: 0.74 vs 0.73, IRBBB: 0.66 vs 0.58, TWI: 0.59 vs 0.54).
  • F1 점수: SB 의 경우 두 모델 모두 높은 점수 (0.81) 를 보였으나, IRBBB 와 TWI 는 일반 합성곱 모델이 더 우수했습니다.
• Grad-CAM 분석 (해석성):
  • Sinc 모델: 생리적으로 관련성이 높은 ECG 구간 (NSR/SB 의 경우 PR 간격, TWI 의 경우 T 파) 에 집중하는 경향이 뚜렷했습니다. 이는 주파수 기반의 리듬을 잘 포착함을 시사합니다.
  • 일반 모델: 더 넓은 특징을 학습하여 형태학적 변화 (Morphological patterns) 가 중요한 IRBBB 와 TWI 분류에 유리했습니다.
  • 공통 문제: 두 모델 모두 제로 패딩 (Zero-padding, 전처리 기법) 을 중요한 특징으로 잘못 인식하는 경향이 있었습니다.
• 오분류 패턴:
  • 학습 데이터 (일반 인구) 와 테스트 데이터 (선수) 간의 클래스 불균형 (예: IRBBB 는 학습 1.4% vs 테스트 14.3%) 으로 인해 오분류가 발생했습니다.
  • 두 모델 모두 완전 우각 차단 (CRBBB), 1 도 방실 차단 (IAVB), 우 축 편위 (RAD) 등을 위양성으로 자주 예측했습니다.

4. 주요 기여 (Key Contributions)

1. 통합 xAI 프레임워크: 단일 방법이 아닌 데이터 불균형 분석, 모델 해석성 (Sinc 레이어), 사후 시각화 (Grad-CAM), 체계적 평가를 통합한 새로운 프레임워크를 제시했습니다.
2. 도메인 적응 검증: 일반 인구 ECG 데이터로 학습된 모델이 프로 축구 선수의 ECG 분류에 적용 가능함을 입증했습니다.
3. 아키텍처별 성능 차이 규명: "주기적인 리듬 (Sinc 모델 우위)"과 "복잡한 형태학적 패턴 (일반 합성곱 모델 우위)"에 따라 최적의 신경망 아키텍처가 다르다는 것을 실험적으로 증명했습니다.
4. 임상적 통찰: 운동선수의 생리적 적응과 병리적 상태를 구분할 때, 모델이 생리적으로 의미 있는 신호 구간 (PR 간격, T 파 등) 에 집중하는지 확인함으로써 임상 신뢰도를 높이는 방안을 제시했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 임상적 의의: 운동선수의 심장 건강 평가 시, AI 모델이 단순히 분류만 하는 것이 아니라 어떤 생리학적 근거로 판단했는지 설명할 수 있어야 합니다. 본 연구의 Sinc 합성곱 모델은 생리학적 주파수 대역에 집중함으로써 이러한 해석 가능성을 제공했습니다.
• 한계 및 향후 과제:
  • 학습 데이터와 테스트 데이터 간의 심각한 클래스 불균형과 분포 차이 (Domain Shift) 가 여전히 성능을 제한합니다.
  • Grad-CAM 이 제로 패딩과 같은 전처리 아티팩트에 반응하는 등, 모델이 비생리학적 특징에 의존할 수 있음을 발견했습니다.
  • 향후 운동선수 전용 대규모 데이터셋 확보, 동적 시간 왜곡 (Dynamic Time Warping) 적용, 그리고 전역적 주의 메커니즘 (Global Attention) 도입 등을 통해 임상 적용성을 높여야 합니다.

결론적으로, 이 연구는 스포츠 의학 분야에서 AI 의 신뢰성을 높이기 위해 해석 가능하고 설명 가능한 신경망 아키텍처를 개발하고 평가한 중요한 사례로, 운동선수의 심장 질환 선별 검사에 AI 를 적용할 때 모델의 선택과 해석 방식이 병리생리학적 특성에 맞춰져야 함을 강조합니다.