Development and internal validation of single-image pain detection from automated facial coding
본 연구는 비대칭적인 얼굴 근육의 활성화를 핵심 예측 인자로 식별함으로써, 212명의 참가자로 구성된 조화된 데이터셋 전반에 걸쳐 준수한 수준의 판별 정확도(AUC 최대 0.77)를 달성하며 자동 안면 코딩을 통한 단일 얼굴 이미지에서의 임상적으로 유의미한 통증 탐지가 가능하다는 것을 입증한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
통증은 신체에서 정신으로 전달되는 신호이자 사적인 경험이지만, 의사가 측정하기에 가장 어려운 것 중 하나로 남아 있습니다. 병원이나 클리닉에서 환자가 얼마나 아픈지를 이해하는 표준적인 방법은 환자에게 직접 묻는 것입니다. 환자는 수치 척상의 숫자를 가리키거나 날카롭고, 둔탁하거나, 타는 듯한 느낌을 설명할 수도 있습니다. 하지만 이 방법은 환자가 너무 어리거나, 너무 혼란스럽거나, 혹은 너무 진정되어 대답할 수 없는 상태일 때 한계에 부착합니다. 이러한 순간에 의료진은 얼굴이라는 보편적인 언어를 관찰하는 것에 의존해야 합니다. 수십 년 동안 과학자들은 사람들이 고통을 느낄 때 얼굴 근육이 특정한, 인식 가능한 패턴으로 움직인다는 사실을 알고 있었습니다. 이러한 움직임은 무작위적인 것이 아니라 고통에 대한 신체의 운동 반응이며, 훈련된 눈에 의해 읽힐 수 있는 구조화된 코드를 형성합니다. 오랫동안 제기되어 온 질문은 컴퓨터가 인간만큼 이 코드를 잘 읽을 수 있는지, 그리고 긴 영상 기록이 아닌 단 한 장의 스냅샷만으로도 그렇게 할 수 있는지 여부였습니다.
버지니아 대학교의 연구팀은 컴퓨터에게 사진 한 장 속에서 통증을 포착하도록 가르침으로써 이 질문에 답하고자 했습니다. 그들은 단일 집단이나 한 가지 유형의 실험에 의ло하지 않았습니다. 대신, 그들은 열, 압박 또는 전기 충격과 같은 다양한 유형의 통증에 노출된 수백 명의 자원봉사자를 모아 세 가지 서로 다른 과학적 연구 데이터를 결합했습니다. 연구에 참여한 각 개인에 대해 연구진은 두 장의 사진을 촬영했습니다. 하나는 편안하고 중립적인 상태의 얼굴 사진이었고, 다른 하나는 통증을 느끼는 순간에 촬영된 사진이었습니다. 그런 다음 그들은 특수 소프트웨어를 사용하여 모든 이미지를 미세하고 측정 가능한 얼굴 근육의 움직임으로 분해했습니다. 소프트웨어는 눈썹의 낮아짐, 뺨의 높아짐, 또는 눈 주변 피부의 조여짐과 같은 특정 동작 단위를 식별했습니다. 연구진은 이러한 근육의 움직임을 컴퓨터 프로그램에 입력하여, 시스템이 휴식 중인 얼굴과 고통을 느끼는 얼굴를 구별하도록 학습시켰습니다.
결과는 컴퓨터가 실제로 차이를 구별할 수 있음을 보여주었으나, 완벽한 확실성을 가진 것은 아니었습니다. 테스트한 여러 모델 전반에 걸쳐, 시스템은 준수한 범위 내에서 통증을 정확하게 식별해 냈습니다. 뇌의 뉴런이 연결되는 방식을 모방하는 인공지능의 한 유형인 가장 성능이 좋은 모델은 고통스러운 얼굴과 중립적인 얼굴을 구별하는 데 있어 0.77의 AUC를 달ей했습니다. 이 정도의 정확도는 의사가 환자를 잠시 훑어볼 수 있는 짧은 순간을 반영하는 제약 조건인, 단 한 장의 이미지만을 사용했다는 점에서 유의미합니다. 또한 이 연구는 통증이 얼굴에 어떻게 나타나는지에 대해 예상치 못한 사실을 밝혀냈습니다. 이전의 연구들이 근육 움직임의 강도에 집중했다면, 이번 연구는 얼굴의 왼쪽과 오른쪽 사이의 움직임의 균형이 그만큼 중요하다는 것을 발견했습니다. 컴퓨터는 통증이 종종 비대칭을 유발하며, 특히 눈썹, 눈, 뺨 주변에서 한쪽 얼굴이 다른 쪽과 다르게 반응한다는 것을 학습했습니다. 이러한 불균형한 반응은 시스템이 통증을 식별하는 데 도움이 되는 일관된 단서였으며, 이는 통증이 얼굴을 왜곡하는 방식이 표정의 강도만큼이나 중요하다는 것을 시사합니다.
연구진은 실제 환경의 제약 조건을 반영하도록 연구를 설계하는 데 주의를 기울였습니다. 그들은 작업을 더 쉽게 만들 수는 있지만 임상 현장에서는 덜 유용할 수 있는 수천 장의 이미지를 한 사람당 사용하지 않았습니다. 대신, 그들은 컴퓨터가 단 한 장의 스냅샷으로부터 학습하도록 강제함으로써, 그들이 구축하려는 도구가 실용적인 환경에서 작동할 수 있도록 했습니다. 또한 그들은 시스템을 남성과 여성 모두에게 테스트했으며, 컴퓨터의 예측 확신도가 성별에 따라 약간씩 차이가 있었음에도 불구하고 양쪽 그룹 모두에서 상당히 잘 작동한다는 것을 발견했습니다. 이 연구는 이 기술이 아직 의사의 판단이나 환자 자신의 보고를 대체할 준비는 되지 않았지만, 유용한 보조 도구 역할을 할 수 있음을 시사합니다. 환자가 말을 할 수 없는 상황에서, 단 한 장의 사진을 분석하는 도구는 의료진이 미처 알아차리지 못할 수도 있는 잠재적 고통을 알리는 객관적인 제2의 의견을 제공할 수 있습니다. 이 연구는 통증 측정 문제를 해결했다고 주장하는 것이 아니라, 적절한 종류의 눈에 의해 읽히기를 기다리고 있는, 단 한 장의 이미지 안에 통증을 감지하는 데 필요한 정보가 존재함을 입증하고 있습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.