Deep Learning for Automated Tic Detection and Prediction in Tourette Syndrome Using Electromyography and Video

투렛 증후군은 틱이라고 불리는 갑작스럽고 비자발적인 움직임이나 소리가 특징인 신경학적 질환입니다. 이 질환을 앓고 있는 사람들에게 이러한 틱은 빠른 눈 깜빡임부터 복잡한 어깨 들썩임이나 음성 분출에 이르기까지 다양할 수 있습니다. 이 질환은 잘 알려져 있지만, 임상 환경에서 이를 정확하게 측정하는 것은 여전히 어려운 일입니다. 현재 의사들은 환자나 보호자가 지난 일주일 동안 틱이 얼마나 자주 발생했는지를 기억해 내거나, 진료실에서 녹화된 짧은 영상 클립을 관찰하는 방식에 의존하고 있습니다. 두 방법 모두 불완전합니다. 인간의 기억력은 오류가 생기기 쉽고, 짧은 진료 방문은 환자의 일상적인 경험 전체를 포착하지 못할 수도 있기 때문입니다. 틱은 강도가 변동될 수 있고 일시적으로 억제될 수 있으므로, 이를 객관적으로 포착하려면 피로 없이 지속적으로 관찰할 수 있는 도구가 필요합니다.

연구자들은 센서를 사용하여 근육 활동을 기록하고 카메라로 움직임을 기록함으로써 이 문제를 해결하기 위해 점점 더 기술로 눈을 돌리고 있습니다. 그러한 노력 중 하나는 플로리다 대학교의 한 팀이 수행한 것으로, 그들은 실시간으로 틱을 포착할 수 있는 컴퓨터 시스템을 구축하고자 했습니다. 그들은 인공지능이 근육의 전기 신호와 신체 영상만을 사용하여 사람이 휴식 중인지, 의도적으로 근육을 움직이는 것인지, 아니면 틱이 발생하는 것인지를 구별하는 법을 배울 수 있는지 알고 싶었습니다. 그들의 목표는 이 질환을 모니터링할 수 있는 신뢰할 수 있는 방법을 만드는 것이며, 이는 궁극적으로 의사가 치료를 조정하거나 틱이 발생하기 직전에 자동으로 치료를 유발하는 데 도움을 줄 수 있습니다.

연구팀은 투렛 증후군 진단을 받은 성인 16명으로부터 데이터를 수집했습니다. 각 개인은 3개월 동안 여러 차 번 클리닉을 방문했으며, 그동안 연구자들은 팔과 목에 부착된 8개의 작은 센서를 사용하여 근육 활동을 기록했습니다. 동시에 고해고 화질의 카메라가 그들의 움직임을 촬영했습니다. 컴퓨터가 올바른 학습을 할 수 있도록 하기 위해, 4명의 전문가가 영상물을 검토하여 정확히 언제 틱이 발생했는지, 언제 휴식 중이었는지, 그리고 언제 자발적으로 움직였는지를 표시했습니다. 연구진은 이 결합된 데이터(근육 신호와 영상 라벨)를 패턴을 인식하도록 설계된 세 가지 유형의 컴퓨터 모델에 입력했습니다. 그들은 두 가지 방식으로 모델을 테스트했습니다. 첫째, 현재 순간에 무엇이 일어나고 있는지 식별하도록 요청했고, 둘째, 다음 순간에 무엇이 일어날지 예측하도록 요청했습니다.

이 연구의 핵심 부분은 컴퓨터가 결정을 내리기 위해 얼마나 많은 시간을 관찰해야 하는지를 테스트하는 것이었습니다. 연구진은 처음에 틱은 매우 짧기 때문에 컴퓨터가 매우 짧은 시간 단위, 예를 들어 단 1초 정도의 시간 슬라이스를 볼 때 가장 잘 작동할 것이라고 추측했습니다. 그들은 1초, 5초, 10초의 시간 창(window)을 테스트했습니다. 결과는 그들을 놀라게 했습니다. 이미 발생하고 있는 틱을 감지하는 작업의 경우, 컴퓨터는 5초의 시간 창을 볼 때 가장 잘 작동했습니다. 모델은 이 더 긴 시간대에서 0.79의 AUC를 달ền하며 틱을 식별해 냈는데, 이는 틱의 전기적 특징이 몇 초에 걸쳐 전개되며 명확하게 인식되기 위해서는 약간의 맥락이 도움이 된다는 것을 시사합니다. 반면, 컴퓨터가 틱이 발생하기 전에 이를 예측하려고 할 때는 가장 짧은 1초의 시간 창에서 가장 잘 작동했습니다. 이는 다가올 틱의 경고 신호는 매우 최근적이고 덧없으며, 시스템이 긴 이력보다는 즉각적인 과거에 집중해야 함을 나타냅니다.

연구 결과, 컴퓨터 모델은 틱이 발생할 때 이를 포착하는 것이 발생하기 전에 예측하는 것보다 일반적으로 더 뛰어난 성능을 보였습니다. 시간 기반 데이터에 특화된 특정 유형의 신경망을 사용한 가장 성공적인 탐지 모델은 0.79의 AUC에 도달했습니다. 이는 강력한 결과이지만, 연구진은 시스템이 아직 완벽하지 않다고 언급했습니다. 모델은 미래의 틱을 예측하는 데 더 어려움을 겪었으며, 분석하는 시간 창의 길이에 따라 성능이 달라졌습니다. 또한 연구팀은 컴퓨터 모델이 근육 신호만을 사용하는 것보다 근육 신호가 전문가의 영상 라벨과 일치하도록 훈련되었을 때 더 잘 학습한다는 것을 관찰했습니다.

연구진은 자신들의 연구 한계를 신중하게 지적했습니다. 데이터는 이미 뇌심부 자극술(DBS) 수술을 받은 특정 환자 그룹으로부터 왔으며, 이는 일반 인구와 근육 신호가 다를 수 있음을 의미합니다. 센서가 팔과 목에 배치되었기 때문에, 시스템은 해당 근육과 관련 없는 음성 틱이나 얼굴 틱을 감지할 수 없었습니다. 더욱이, 영상 데이터를 라벨링한 전문가들이 정확히 언제 틱이 시작되고 끝나는지에 대해 항상 완벽하게 일치하지 않았으며, 이는 훈련 과정에 약간의 불확실성을 도입했습니다. 이러한 제약에도 불구하고, 이 연구는 무엇이 가능한지에 대한 명확한 기준점을 제공합니다. 이는 틱을 감지하기 위해서는 시스템이 확신을 갖기 위해 몇 초간의 데이터가 필요하지만, 틱을 예측하기 위해서는 가장 최근의 신호에 즉각적으로 반응해야 함을 시사합니다.

이 작업은 투렛 증후군을 지속적이고 객관적으로 모니터링할 수 있는 미래 도구의 토대를 마련합니다. 기억이나 짧은 진료 방문에 의존하는 대신, 이 연구 결과에 기반하여 구축된 시스템은 잠재적으로 며칠 또는 몇 주 동안 사람의 상태를 추적하여 증상에 대한 완전한 그림을 제공할 수 있습니다. 현재의 모델들이 아직 일상적인 사용을 위한 단계는 아니지만, 이 연구는 근육 센서와 영상 분석 및 인공지능을 결합하는 것이 유망한 경로임을 보여줍니다. 틱을 감지하기 위해 컴퓨터가 얼마나 많은 시간을 필요로 하는지, 그리고 그것이 자발적인 움직임과 어떻게 다른지를 정확히 이해함으로써, 과학자들은 추정치가 아닌 실시간 데이터에 기반하여 치료를 더 효과적으로 관리할 수 있는 시스템을 설계하며 더 나은 미래로 나아갈 수 있습니다.