An unsupervised anomaly-based severity proxy for voice pathology assessment

기술 요약: 음성 병리 평가를 위한 비지도 학습 기반의 이상 탐지 심각도 대리 지표

문제 정의

음성 장애에 대한 객관적인 평가는 여전히 중요한 임상적 과제로 남아 있다. 현재의 표준 관행은 고가의 기술적 장비(예: 비디오 후두 내시경)에 의존하거나(이는 접근성이 부족함), 또는 지각적 평가 척도(독일어권의 RBH 등)에 의존하고 있으나, 이는 주관성, 평가자 간 및 평가자 내 변동성, 그리고 가정 기반 추적을 위한 자가 실시의 불가능성이라는 문제를 안고 있다. 또한, 기존의 딥러닝 방식은 일반적으로 수동으로 주석이 달린 병리 데이터에 대한 지도 학습(supervised training)을 필요로 한다. 이는 표준화되고 라벨링된 데이터셋의 부족과, 모델이 병리와 녹음 아티팩트(artifact)를 혼동할 수 있는 "블랙박스" 특성으로 인해 병목 현상을 야기한다. 따라서 특정 질병 범주에 대한 사전 노출 없이도 음성 이상성을 정량화할 수 있는, 표준화되고 재현 가능하며 라벨 효율적인 방법이 절실히 필요하다.

방법론

저자들은 병리적 질환에 대한 특정 라벨을 학습 과정에서 사용하지 않고, 건강한 음성의 참조 표현(reference representation)을 학습하여 건강한 음성으로부터의 편차를 정량화하는 비지도 학습 기반의 이상 탐지 프레코크를 제안한다.

1. 데이터 수집 및 전처리:

• 코호트: 본 연구는 라이프치히 대학교 의료 센터로부터 건강한 참조 코호트($N=97$)와 병리적 코호트($N=220$)를 활용하였다.
• 자극(Stimuli): 녹음은 점진적으로 증가하는 음성 강도(정상, 교실 수준, 외침)에서 발화된 독일어 다음절 숫자(21~29)의 단독 발화로 구성되었다.
• 전처리: Whisper 모델을 사용하여 타임스탬프 예측을 수행함으로써 원시 오디오를 단독 단어 단위 샘플로 분할하였고, 16 kHz로 리샘플링한 후 모노 채널로 변환하였다.

2. 교사-학생(Teacher–Student) 프레임워크:

• 교사 모델(Teacher Model): 960시간의 Librispeech 데이터로 학습된 동결된(frozen) HuBERT Base 모델이 교사($f_T$) 역할을 한다. 이 모델은 입력 파형을 처리하여 프레임 수준의 은닉 상태(hidden states)를 생성하며, 이를 평균 풀링(mean-pooling)하여 발화 수준의 임베딩($z_T$)을 생성한다.
• 학생 모델(Student Model): 경량화된 학생 네트워크($f_S$)는 로그 멜 스펙트로그램(80개 빈)을 대상으로 작동한다. 이 모델은 두 개의 1D 컨볼루션 레이어, 시간적 전역 평균 풀링(temporal global average pooling), 그리고 입력을 교사와 동일한 768차원 임베딩 공간으로 매핑하기 위한 선형 투영(linear projection)으로 구성된다.
• 학습 목표: 학생 모델은 건강한 코호트만을 사용하여 교사의 임베딩과 자신의 임베딩 사이의 불일치를 최소화하도록 학습된다. 손실 함수는 평균 제곱 오차(MSE)와 코사인 유사성을 결합한다:
  $$L = \frac{1}{B} \sum_{i=1}^{B} \left[ \|z_S(x_i) - z_T(x_i)\|^2_2 + \lambda \left(1 - \frac{z_S(x_i)^\top z_T(x_i)}{\|z_S(x_i)\|_2 \|z_T(x_i)\|_2}\right) \right]$$

3. 이상 점수(Anomaly Scoring):

• 잔차 모델링(Residual Modeling): 학습 후, 잔차 벡터 $e(x) = z_T(x) - z_S(x)$가 계산된다. 건강한 참조 데이터만을 사용하여 잔차의 평균($\mu$)과 공분산($\Sigma$)을 추정한다.
• 점수 산출: 테스트 샘플에 대해, 이상 점수는 건강한 잔차 분포에 대한 잔차의 마할라노비스 거리(Mahalanobis distance)로 계산된다:
  $$s(x) = \sqrt{(e(x) - \mu)^\top \Sigma_r^{-1} (e(x) - \mu)}$$
  점수가 높을수록 건강한 참조로부터의 편차가 크다는 것을 의미한다. 환자 수준의 점수는 녹음 수준 점수의 평균을 통해 도출된다.

4. 평가 및 검증:

• 베이스라인: 본 방법은 건강한 HuBERT 임베딩에 직접 적합된 가우시안 혼합 모델(GMM) 베이스라인과 비교되었다.
• 상관관계: 점수는 지각적 RBH 평점(거칠기(Roughness), 숨가쁨(Breathiness), 쉰 목소리(Hoarseness)) 및 인구통계학적 변수(연령, 성별)와 상관관계를 분석하였다.
• 예측 중요도: 표준적인 임상 평점 이상의 고유한 가치를 평가하기 위해, 저자들은 Exact Gaussian Process를 사용한 베이지안 부트스트랩 기반의 Leave-One-Out 교차 검증(LOO-CV)을 채택하였다. 이를 통해 점수가 대리 결과인 최대 음성 강도(MVI) 및 최대 발성 지속 시간(MPD)을 예측하는 능력을 평가하였다.

주요 결과

• 지각적 평점과의 상관관계: 환자 수준의 이상 점수는 세 가지 RBH 차원(R, B, H) 모두와 양의 스피어먼 상관관계를 보였다. 교사-학생 접근법은 GMM 베이스라인보다 우수한 성능을 보였으며, 가장 강력한 연관성은 쉰 목소리($H$)에서 관찰되었다. 특히, 연령을 조정한 후 상관관계가 증가했는데, 이는 모델이 인구통계학적 노화 효과와 구별되는 병리 관련 분산을 포착하고 있음을 시사한다.
• 병리 분류: 이상 점수는 다양한 진단 그룹(예: 성대 폴립, 후두암, 기능적 발성 장애)을 성공적으로 계층화하였으며, 이는 해당 방법이 임상적으로 유의미한 차이를 포착하고 있음을 나타낸다.
• 예측 효용성: LOO-CV 분석에서, 이상 점수는 RBH 평점과 인구통계학적 변수가 이미 모델에 포함된 상태에서도 MVI 및 MPD에 대해 상당한 고유 예측 정보를 제공하였다.
  • MVI의 경우, 베이스라인 모델에 이상 점수를 추가했을 때 Added $\Delta$elpd가 167.74였으며, 개선 확률($Pr(\Delta elpd > 0)$)은 1.00이었다.
  • MPD의 경우, Added $\Delta$elpd는 160.95였으며, $Pr = 1.00$이었다.
  • RBH 평점이 가장 강력한 단일 예측 변수였으나, 이상 점수는 성별 및 연령과 같은 인구통계학적 요인보다 뛰어난 독립적 분산을 기여하며 유의미한 정보를 제공했다.

의의 및 주장

본 논문은 비지도 학습 기반의 건강한 참조 모델링이 객관적인 음성 평가를 위한 실현 가능한 접근법임을 주장한다. 주요 의의는 수동으로 주석이 달린 병리 데이터가 필요 없이 연속적인 심각도 대리 지표를 도출할 수 있다는 점에 있으며, 이는 라벨링된 데이터셋의 희소성 문제를 해결한다.

저자들은 제안된 점수가 단순히 지각적 RBH 평점을 복제하려는 것이 아님을 강조한다. 대신, 이 모델은 음향 신호로부터 직접 도출된 보완적이고 표준화된 연속적 측정치를 제공하는 것을 목표로 한다. 결과에 따르면, 이 이상 기반 점수는 기존의 지각적 평가만으로는 충분히 표현되지 않는 음성 장애의 심각성 측면을 포착하여, 종단적 모니터링 및 임상 의사 결정 지원을 위한 잠재력을 보여준다.

한계 및 주의사항

저자들은 다음과 같은 몇 가지 한계를 인정하며 신중한 입장을 유지한다:

• 실제 정답(Ground Truth)의 부재: 음성 장애 심각도에 대한 직접적인 정답은 존재하지 않으며, 검증은 불완전한 대리 지표(진단명, MVI, MPD)에 의존하였다.
• 코호트 구성: 건강한 코호트는 주로 대학 지원자(예: 음악가, 교사)로 구성된 반면, 병리적 코호트는 더 고령이고 이질적이었다. 이러한 인구통계학적 불일치는 학습된 "건강한" 참조 공간의 일반화 가능성을 제한할 수 있다.
• 혼란 변수: 연령 조정 후 상관관계가 개선되었으나, 병리 관련 효과가 인구통계학적 및 코호트 특이적 영향으로부터 아직 완전히 분리되지 않았음을 인정한다.

저자들은 본 연구 결과가 고무적이기는 하나, 이 방법을 견고한 임상 도구로 검증하기 위해서는 더 크고 대표적이며 인구통계학적으로 균형 잡힌 코호트가 필요하다고 결론짓는다.