Computer Vision Methods for Behavioral Phenotyping in Autism Spectrum Disorder: A Systematic Review

자폐 스펙트럼 장애는 사람들이 타인과 연결되고, 소통하며, 신체를 움직이는 방식에 영향을 미치는 질환입니다. 자폐를 가진 모든 사람이 이러한 어려움을 경험하는 방식이 각기 다르기 때문에, 의사들은 전체적인 모습을 이해하기 위해 단 하나의 체크리스트에만 의존할 수 없습니다. 대신, 그들은 증상의 심각도를 결정하고 자폐를 이와 유사해 보일 수 있는 다른 발달 장애와 구별하기 위해, 행동의 특정 패턴인 표현형(phenotypes)을 찾습니다. 전통적으로 이러한 패턴을 찾는 과정은 고도로 훈련된 전문가가 아이의 상호작용을 관찰하고 행동 점수를 수동으로 매기는 수 시간의 관찰 과정을 필요로 했습니다. 이 과정은 느리고 비용이 많이 들며, 전문가 부족으로 인해 지연되는 경우가 많아 많은 가족이 필요한 도움을 받기 위해 기다려야 하는 상황을 초래합니다.

의학과 기술의 접점에서 컴퓨터 비전을 사용하여 행동을 자동으로 관찰하고 측정하는 새로운 접근 방식이 등장하고 있습니다. 이 분야는 비디오 영상을 단순한 녹화물이 아니라, 인간의 눈이 놓칠 수 있는 미세한 움직임을 드러낼 수 있는 데이터의 원천으로 취급합니다. 아이가 어떻게 움직이고, 어디를 바라보며, 어떻게 타인을 모방하는지를 분석함으로써, 컴퓨터는 의사들이 진단을 내릴 때 사용하는 바로 그 특성들을 정량화하기 시작할 수 있습니다. 카타르 대학교 연구진의 최근 체계적 문헌 고찰은 이 기술이 어디까지 발전했는지 탐구하며, 증상의 심각도를 측정하는 것부터 자폐를 다른 장애와 구별하는 것에 이르기까지 비디오 분석을 통해 자폐의 미묘한 차이를 이해하려는 수십 개의 연구를 검토했습니다.

이 리뷰를 진행한 연구진은 움직임 기반 분석의 현재 지형을 파악하고자 했습니다. 그들은 2010년 이후 발표된 수천 편의 과학 논문을 검색하여, 특히 비디오 데이터를 사용하여 움직임을 분석한 연구들을 찾아냈습니다. 엄격한 선별 과정을 거친 결과, 연구 대상은 32개의 연구로 좁혀졌습니다. 이 연구들은 세 가지 주요 범주로 나뉩el었습니다: 자폐의 심각도를 등급화하려는 연구, 주의력 결핍 과잉 행동 장애(ADHD)와 같은 다른 질환과 자폐를 구별하려는 연구, 그리고 행동을 포착하기 위한 새로운 도구를 구축하는 연구입니다. 이 리뷰는 유망하지만 표준화된 데이터의 부족으로 인해 여전히 어려움을 겪고 있는 이 분야의 모습을 보여줍니다.

심각도를 측정하는 문제에 있어서, 목표는 단순한 "예 또는 아니오" 식의 진단을 넘어 증상이 얼마나 강도 높게 나타나는지를 결정하는 것입니다. 이는 매우 중요한데, 왜냐하면 심각도의 수준이 아이가 받는 치료의 유형을 결정하기 때문입니다. 리뷰에 따르면 15개의 선택된 연구가 이 작업에 집중했습니다. 이 연구자들은 컴퓨터 알고리로 아이가 로봇을 모방하거나, 공을 가지고 놀거나, 사회적 게임에 참여하는 등의 특정 활동을 수행하는 영상을 관찰했습니다. 컴퓨터는 아이의 신체 움직임, 시선 처리, 얼굴 표정을 추적하여 전문가가 이미 부여한 임상 점수와 비교했습니다. 일부 연구는 높은 정확도를 달ей 성과를 거두었는데, 한 모델은 눈의 움직임과 얼굴의 경직도를 분석하여 심각도 수준을 거의 99%의 정확도로 올바르게 식별해 냈습니다. 그러나 리뷰는 중요한 장애물 또한 강조했습니다. 이러한 성공적인 모델 대부분은 특정 실험실에서 수집된 사적인 데이터로 학습되었기 때문에, 다른 과학자들이 결과를 검증하거나 해당 도구를 다른 곳에 적용하기가 어렵다는 점입니다.

리뷰에서 다룬 두 번째 주요 과제는 자폐를 다른 신경 발달 장애와 구별하는 것의 어려움입니다. 자폐를 가진 아이들은 발달성 협응 장애나 주의력 결핍 과잉 행동 장애(ADHD)와 같은 다른 질환을 가진 아이들과 행동적 특성을 공유하는 경우가 많습니다. 오진은 잘못된 종류의 치료로 이어져 아이에게 도움이 되지 않을 수 있습니다. 리뷰에서는 움직임 데이터를 사용하여 이 특정 문제를 해결하려고 시도한 연구가 단 6개뿐임을 확인했습니다. 이 연구들은 아이들이 어떻게 움직이거나 상호작용하는지의 미묘한 차이를 찾았습니다. 예를 들어, 한 연구는 자폐 아동과 ADHD 아동이 많은 면에서 비슷해 보일 수 있지만, 얼굴을 볼 때의 눈 움직임 패턴은 뚜렷하게 다르다는 것을 발견했습니다. 또 다른 연구는 자폐 아동과 파킨슨병 환아의 손 움직임 속도와 정밀도를 비교하여, 동작을 제어하는 방식에서 명확한 차이를 찾아냈습니다. 이러한 유망한 결과에도 불구하고, 리뷰는 매우 적은 수의 연구만이 이 문제를 다루었으며, 거의 모든 연구가 작은 규모의 사적인 데이터셋에 의존하여 이 분야에 비교를 위한 공통 표준이 부재하다고 지적했습니다.

분류를 넘어, 세 번째 그룹의 연구들은 이 기술을 작동시키기 위해 필요한 인프라를 구축하는 데 집중했습니다. 연구진은 기존의 데이터셋들이 너무 작거나 강력한 컴퓨터 모델을 학습시키는 데 필요한 상세한 임상 라벨이 부족하다는 것을 발견했습니다. 이를 해결하기 위해 여러 팀이 더 자연스러운 환경에서 행동을 수집할 수 있는 새로운 도구들을 개발했습니다. 어떤 팀은 부모가 집에서 아이를 촬영하여 임상실에서는 나타나지 않을 수 있는 자발적인 행동을 포착할 수 있도록 모바일 앱을 만들었습니다. 다른 팀은 아이의 시선이나 자세를 자동으로 추적하는 시스템을 구축하여, 수 시간 분량의 영상을 정밀한 움직임 측정값으로 변환했습니다. 이러한 도구들은 미래의 더 발전된 모델이 학습하는 데 필요한 원료, 즉 데이터를 제공한다는 점에서 필수적입니다.

리뷰는 컴퓨터 비전이 자폐 평가를 더 빠르고 객관적으로 만들 수 있는 강력한 방법을 제공하지만, 이 기술이 아직 광범위한 임상 현장에서 사용될 준비는 되지 않았다고 결론짓습니다. 가장 큰 장벽은 비디오 영상과 검증된 임상 점수를 모두 포함하는 대규모의 공개 데이터셋이 부족하다는 점입니다. 이러한 공유 자원이 없다면, 새로운 도구가 정말 효과적인지, 아니면 그것이 만들어진 특정 실험실에서만 작동하는 것인지 알기 어렵습니다. 또한, 대부분의 연구가 단순히 자폐와 일반적인 발달 사이의 구분에만 집중해 왔으며, 심각도를 등급화하거나 질환 간의 차이를 구별하는 더 복잡한 과제는 충분히 탐구되지 않았습니다. 저자들은 향후 발전이 표준화된 벤치마크를 만들고, 자폐 공동체의 폭넓은 경험을 반영하는 더욱 다양한 데이터를 수집하는 데 달려 있다고 제언합니다. 이러한 단계들이 선행되지 않는 한, 이 기술은 임상의와 가족들에게 진정으로 도움이 될 수 있는 데이터를 기다리는, 유망하지만 미완성된 도구로 남을 것입니다.