AI-Enabled Digital Stethoscope for Early Detection of Congenital Heart Disease: Prospective Study

매년 수천 명의 아이들이 심장의 구조적 결함을 가지고 태어납니다. 세계 여러 지역에서 이러한 문제를 조기에 발견하는 것은 생사가 달린 문제이지만, 전문의와 고가의 영상 진단 장비에 대한 접근성은 종종 매우 제한적입니다. 수 세대 동안 이러한 문제를 포착하는 첫 단계는 청진이라는 단순한 행위였습니다. 의사가 아이의 가슴에 청진기를 대고 심장 박동의 리듬과, 문제가 있음을 알릴 수 있는 '심잡음(murmurs)'이라 불리는 추가적인 소리의 존재를 듣는 것입니다. 이 방법은 비용이 들지 않고, 비침습적이며, 거의 어디에서나 사용할 수 있지만, 기기를 든 사람의 기술과 경험에 전적으로 의존합니다. 전문가에게는 명확한 심잡음이 일반의에게는 놓쳐질 수 있으며, 진단의 정확도는 누가 듣느냐에 따라 크게 달라질 수 있습니다.

이러한 격차를 줄이기 위해, 연구자들은 컴퓨터가 인간보다 더 잘 듣는 법을 배우는 방법을 탐구하기 시작했습니다. 디지털 청진기에 인공지능을 결합함으로써, 과학자들은 환경이나 청자의 훈련 수준에 관계없이 최고 전문가와 같은 일관성으로 심장 질환의 미세한 징후를 들을 수 있는 도구를 만들고자 합니다. 이 접근 방식는 확진을 위한 골드 스탠다드(표준)로 남아 있는 고급 영상 진단의 필요성을 대체하는 것이 아니라, 누가 즉시 정밀한 치료를 받아야 하는지를 결정하는 강력한 방법을 제공합니다. 인도의 한 병원에서 발표된 새로운 연구는 컴퓨터 프로그램이 단지 심장 소리를 분석하는 것만으로 선천성 심장 질환을 신뢰성 있게 감지할 수 있는지에 대한 이 아이디어를 시험하고 있습니다.

연구진은 심장 박동 소리를 듣고 아이에게 심장 결함이 있는지 결정할 수 있는 시스템을 구축하고 테스트하기 위해 노력했습니다. 그들은 전문 심장 진료 부위를 방문한 영아부터 성인에 이르는 721명의 아동 및 청소년을 모집했습니다. 참가자의 약 절반은 확인된 심장 결함을 가지고 있었고, 나머지는 구조적으로 정상적인 심장을 가지고 있었습니다. 소리를 기록하여 스마트폰으로 무선 전송하는 디지털 청진기를 사용하여, 팀은 오른쪽 상단, 왼쪽 상단, 왼쪽 하단, 그리고 심장 끝부분이라는 네 곳의 표준 지점에서 심장 소리를 포착했습니다. 각 녹음은 20초 동안 지속되었습니다. 연구팀은 데이터를 나누어, 301명의 참가자로부터 얻은 소리를 통해 컴퓨터 프로그램에 건강한 심장과 결함이 있는 심장이 어떻게 다른지를 학습시켰습니다. 나머지 420명의 참가자는 연구진이 사전에 실제 진단명을 알지 못하는 상태에서 프로그램의 성능을 테스트하는 데 사용되었으며, 이를 통해 테스트가 공정하고 편향되지 않도록 보장했습니다.

컴퓨터 프로그램은 가공되지 않은 음파를 '멜-스펙트로그램(mel-spectrogram)'이라 불리는 시각적 지도로 변환하는 방식으로 작동했습니다. 이 지도는 인간의 귀가 음높이를 인지하는 방식을 모방하여 소리를 표시하며, 이를 통해 컴퓨터는 육안으로는 보이지 않는 노이즈 속의 패턴을 볼 수 있습니다. 프로그램은 이미지와 소리에서 복잡한 패턴을 인식하도록 설계된 '합성곱 신경망(convolutional neural network)'이라는 유형의 인공지능을 사용하여 이 지도들을 분석했습니다. 시스템은 좁아진 판막을 통과하는 혈류의 난류나, 심장 벽의 구멍을 통과하는 지속적인 혈류의 흐름과 같이 서로 다른 유형의 심장 결함과 관련된 특정 음향적 특징을 식별하는 법을 학습했습니다. 프로그램은 소리를 들을 때 확률 점수를 계산하여 해당 심장이 비정상일 가능성이 있는지 판단했습니다.

연구진이 검증되지 않은 420명의 참가자를 대상으로 시스템을 테스트했을 때, 결과는 놀라웠습니다. 인공지능은 심장 결함이 있는 아동 233명 중 222명을 정확히 식별했으며, 단 11건만을 놓쳤습니다. 또한 건강한 심장을 가진 아동 187명 중 171명을 정확히 식별했으며, 16명의 건강한 아동을 잠재적 문제로 분류했습니다. 이러한 성과는 확진을 위한 표준 참조법인 심장 초음파(echocardiography)와 비교했을 때 95.2%의 민감도와 91.4%의 특이도로 나타났습니다. 더 쉽게 말하자면, 컴퓨터는 아픈 아이들을 거의 놓치지 않았으며, 건강한 아이들에 대해 잘못된 경보를 울리는 경우도 드물었습니다. 이 시스템은 숙련된 소아 심장 전문의가 전통적인 청진기로 듣는 것만큼 우수한 성능을 보였으며, 어떤 경우에는 소음이 심한 환경이나 아이가 울거나 움직이는 상황에서 인간 청취자보다 더 뛰어난 성능을 보이기도 했습니다.

연구는 또한 시스템이 찾아낼 수 있는 심장 결함의 유형을 면밀히 살펴보았습니다. 시스템은 심방 사이의 구멍과 같이 혈류량이 증가된 결함을 포착하는 데 매우 뛰어났으며, 이러한 사례의 98%를 잡아냈습니다. 또한 좁아진 판막과 같이 혈류량이 감소된 결함을 찾는 데에도 93%의 탐지율을 보이며 매우 효과적이었습니다. 혈류량이 정상인 결함에 대해서도 시스템은 91%의 강력한 탐지율을 유지했습니다. 연구진은 시스템이 놓친 몇 안 되는 사례들은 대개 심장 결함이 매우 희미하거나 소리가 전혀 나지 않는 경우였으며, 이는 전문의조차도 듣기 힘든 경우였다고 언급했습니다. 이는 컴퓨터의 한계가 기술 자체의 실패라기보다는 인간 청각의 한계와 유사함을 시示합니다.

시스템의 성능은 1세 미만의 영아부터 18세 이상의 성인까지 모든 연령대에서 일관되게 유지되었습니다. 이는 영아의 심장 소리를 듣는 것이 매우 어렵다는 점에서 특히 중요한데, 영아의 심장은 훨씬 빠르게 뛰며, 아이들이 울거나 불안정한 상태인 경우가 많아 인간이 심잡음을 분리해 내기가 어렵기 때문입니다. 컴퓨터가 이러한 까다로운 조건에서도 높은 정확도를 유지했다는 사실은 이 기술이 신생아 선별 검사 프로그램에 중요한 도구가 될 수 있음을 시사합니다. 연구진은 본 연구가 단일 센터에서 수행되었으며, 시스템이 심장 수술을 받기 전의 아동 데이터를 바탕으로 학습되었다는 점을 인정했습니다. 또한 시스템은 특정 결함의 종류나 중증도를 식별하는 것이 아니라, 문제의 존재 여부를 감지하도록 설계되었다는 점을 명시했습니다.

이러한 한계에도 불구하고, 이번 연구 결과는 심장 질환 선별의 미래에 대한 설득력 있는 비전을 제시합니다. 이 연구는 디지털 청진기에 통합된 인공지능 시스템이 전문의의 성능과 일치하는 높은 정확도로 소아의 선천성 심장 질환을 감지할 수 있음을 입증합니다. 신뢰할 수 있고 비침습적인 심장 결함 선별 방식을 제공함으로써, 이 기술은 특히 전문 심장 전문의에 대한 접근성이 제한적인 지역에서 아이들에게 필요한 긴급 치료를 훨씬 더 일찍 받을 수 있도록 도울 수 있습니다. 연구진은 이러한 도구가 선별 검사를 표준화하고, 진단 지연을 줄이며, 궁극적으로 전 세계 심장 결함 아동들의 예후를 개선할 잠재력이 있다고 결 결론지었습니다.