기술 요약: 심전도 데이터를 활용한 운동선수의 심박 유형 분류를 위한 머신러닝 활용

문제 정의

운동선수에게 발생하는 급성 심장 사건은 드물지만 심각한 결과를 초래하므로, 정확하고 확장 가능한 스크리닝 방법이 필수적입니다. 심전도(ECG) 분석은 심장 평가의 표준이지만, 임상의의 업무 부하와 임상적으로 유의미한 부정맥과 정상적인 변이를 구분하는 어려움으로 인해 운동선수 스크리닝에 널리 구현되는 데 한계가 있습니다. 기존의 심전도 분석용 딥러닝 모델은 환자 간 일반화 및 해석 가능성 측면에서 종종 제한을 겪으며, 스포츠 특유의 생리학적 적응을 포착하지 못하는 경우가 많습니다. 또한, 표준 데이터셋은 표준화된 평가 프레임워크에 복잡한 임상 주석을 매핑하는 데 필요한 세밀함이 부족한 경우가 많습니다. 본 연구는 운동선구 인구의 심장 스크리닝을 지원하기 위해, 임상적으로 중요한 희귀 부정맥(특히 상심실성 조기 수축(SVEB) 및 심실 조기 수축(VEB))을 정확하게 식별할 수 있는 자동화되고 해석 가능한 머신러닝 프레임워크의 필요성을 다룹니다.

방법론

데이터 소스 및 전처리

본 연구는 45,152개의 환자 심전도 기록을 포함하는 대규모 저장소인 PhysioNet ECG Arrhythmia Database를 활용했습니다. 각 기록은 500Hz로 샘플링된 10초 길이의 12유도 신호입니다.

• 유도 선택: 진단 정보와 스크리닝 효율성의 균형을 맞추기 위해 세 가지 임상 정보 유도(I, II, V1)를 추출했습니다.
• 전처리: 신호를 256Hz로 리샘플링했습니다. 전처리 단계에는 베이스라인 드리프트 제거(2차 고역 통과 버터워스 필터, 0.5Hz 차단 주파수), 선형 디트렌딩(linear detrending), z-score 정규화, 그리고 ±8.0 mV로의 진폭 클리핑이 포함되었습니다. 플랫라인(flatline) 구간이나 결측치가 있는 기록은 제외되었으며, 결과적으로 (2560, 3)의 표준화된 입력 형태를 갖게 되었습니다.

레이블 매핑: SNOMED-CT에서 AAMI로

임상적 해석 가능성과 표준 평가 지표와의 정렬을 보장하기 위해, 세밀한 SNOMED-CT 주석을 AAMI(Association for the Advancement of Medical Instrumentation) 표준에 매핑했습니다.

• 유지된 클래스: 정상(N), 상심실성 조기 수축(SVEB), 심실 조기 수축(VEB).
• 제외된 클래스: 표준 평가 기준에 따라 융합(Fusion) 및 미상/페이싱(Unknown/Pced) 클래스는 제외되었습니다.
• 분포: 결과 데이터셋은 정상 69.3%, SVEB 22.0%, VEB 7.1%로 구성되어 상당한 클래스 불균형을 나타냈습니다.

데이터 분할 및 증강

데이터셋은 층화 추출법(stratified sampling)을 통해 훈련(70%, 30,411개 기록), 검증(10%, 4,345개 기록), 테스트(20%, 8,690개 기록)로 분할되었습니다.

• 증강: 균형 잡힌 데이터 생성기는 클래스당 동일한 수의 기록을 샘플링했습니다. 실시간 도메인 인식 증강에는 무작위 시간 이동(±12 샘플), 진폭 스케일링(0.98–1.02), 가우시안 노이즈 추가(σ 0.01–0.03), 저진폭 베이스라인 변조가 포함되었습니다.

모델 아키텍처

클래스 불균형을 해결하기 위해 클래스 가중치(0.15, 0.35, 0.50)를 적용한 **포컬 로스(focal loss, γ=2.0)**를 사용하여 두 가지 딥러닝 모델을 개발하고 훈련했습니다.

1. 리시듀얼 CNN (Residual CNN with Lead Attention):

   • 아키텍처: 1D 컨볼루션 레이어(64개 필터)와 글로벌 평균 풀링 및 밀집 레이어를 적용하는 커스텀 유도 어텐션 메커니즘(squeeze-and-excitation에서 영감을 받음)이 뒤따릅니다. 핵심 구조는 1×1 프로젝션을 가진 세 개의 리시듀얼 블록(128, 256, 512 필터)으로 구성됩니다.
   • 출력: 세 개의 완전 연결 레이어(256, 128, 64 유닛)와 소프트맥스 출력입니다.

2. 양방향 GRU (Bidirectional Gated Recurrent Unit, BiGRU):

   • 아키텍 architecture: 1D 컨볼루션 레이어(32개 필터)와 맥스 풀링 레이어가 두 개의 스택된 양방향 GRU 레이어(숨겨진 유닛 128 및 64개) 앞에 위치합니다.
   • 정규화: 순환 레이어 내 드롭아웃(0.3)과 밀집 레이어 내 드롭아웃(0.4 및 0.3)을 적용했습니다.
   • 출력: 두 개의 밀집 레이어와 소프트맥스 출력입니다.

앙상블 전략

가중치 앙상블을 통해 CNN과 BiGRU의 출력을 결합했습니다. 융합 가중치는 다음 점수 공식을 사용하여 검증 성능으로부터 도출되었습니다: 0.3 × macro-F1 + 0.7 × VEB-F1. 이 가중치는 돌연사 위험과 연관된 VEB 분류를 우선시하도록 설계되었습니다. 검증 세트에서 앙상블의 VEB 확률에 대한 임계값 튜닝이 적용되었습니다.

주요 결과

모델은 정밀도(precision), 재현율(recall), F1 점수, 정확도(accuracy), 그리고 매크로 평균 F1을 사용하여 홀드아웃 테스트 세트에서 평가되었습니다.

• Residual CNN: 전체 정확도 **90.5%**와 매크로 평균 F1 0.820을 달est했습니다. 정상(F1=0.954) 및 SVEB(F1=0.848) 클래스에서는 강력한 성능을 보였으나, VEB 성능(F1=0.659)은 낮았으며 VEB 이벤트를 과잉 예측하는 경향(334개의 거짓 양성)을 보였습니다.
• BiGRU: 모든 클래스에서 CNN보다 우수한 성능을 보이며 **93.0%**의 정확도와 매크로 평균 F1 0.844를 달성했습니다. 이는 총 거짓 양성을 252개로 줄이면서 VEB 정밀도(0.585 대비 0.637)를 개선했습니다.
• 가중치 앙상블: 앙상블은 **93.5%**의 전체 정확도와 매크로 평균 F1 0.855로 최상의 성능을 기록했습니다.
  • VEB 성능: 앙상블은 치명적인 VEB 클래스에 대해 0.696의 F1 점수에 도달하여, 462개의 사례를 정확히 분류하고 거짓 양성을 241개로 줄였습니다.
  • 정상/SVEB: F1 점수는 각각 0.975(정상) 및 0.894(SVEB)로 향상되었습니다.

의의 및 주장

본 논문은 제안된 머신러닝 프레임워크가 자동화된 심전도 분석이 운동선구 인구를 위해 정확하고, 해석 가능하며, 확장 가능한 스크리닝 지원을 제공할 수 있음을 입증한다고 주장합니다.

• 표준화: SNOMED-CT를 AAMI 표준으로 매핑함으로써, 본 연구는 확립된 평가 프로토콜과 일치하는 임상적으로 해석 가능한 분류를 가능하게 합니다.
• 앙상블 효능: 제안된 가중치 앙상블 전략은 공간적(CNN) 특징 추출과 시간적(BiGRU) 특징 추출의 강점을 성공적으로 결리하여, 개별 모델보다 우수한 성능을 보였으며 특히 고위험 VEB 탐지를 개선했습니다.
• 임상적 유용성: 저자들은 이 모델들을 시즌 전 신체 검사의 의사 결정 지원 도구로 통합할 것을 제안합니다. 이 시스템은 심장 전문의의 검토가 필요한 심전도 구간을 강조함으로써, 임상적 판단을 대체하지 않으면서도 운동선수 스크리닝의 효율성과 안전성을 높이도록 설계되었습니다.
• 한계점: 본 연구는 VEB 탐지가 여전히 도전적인 과제이며 거짓 양성이 지속되고 있음을 겸허히 인정합니다. 또한, 모델들이 연구용 데이터셋으로 훈련되었으며 특정 운동선구 인구로부터 전향적으로 수집된 임상 심전도에 대해 아직 검증되지 않았음을 언급하며, 실질적인 현실 세계 일반화에 대한 즉각적인 주장을 제한하였습니다.

결론적으로, 본 연구는 심전도 검사를 머신러닝 기반의 심박 유형 분류와 결합하는 것이 비정상적인 심장 활동을 보다 정확하게 식별하여, 운동선수가 적시에 적절한 임상 평가를 받을 수 있도록 하는 경로를 제공한다고 결론짓습니다.