Improved stacking ensemble learning for objective tinnitus severity assessment based on functional near-infrared spectroscopy signals

전 세계 수백만 명의 사람들에게 환청이 끊임없이 귀에서 들려옵니다. 이명이라고 알려진 이 질환은 외부 소스로부터 발생하는 울림이 아니라, 뇌 스스로가 만들어낸 지각 현상입니다. 이는 희미한 웅웅거림부터 귀를 찢는 듯한 굉음까지 다양하게 나타날 수 있으며, 종종 수면, 기분, 그리고 일상을 즐기는 능력을 방해합니다. 현재 의사들은 특정 환자의 이명이 얼마나 심각한지를 측정할 수 있는 신뢰할 만한 방법을 가지고 있지 않습니다. 표준 진단은 전적으로 환자가 설문지를 통해 자신의 고통을 설명하는 것에 의존합니다. 이는 개인적인 감정과 기억에 의존하기 때문에 결과가 매일 혹은 사람마다 크게 달라질 수 있으며, 이로 인해 경과를 추적하거나 치료를 맞춤화하는 것이 어렵습니다. 과학자들은 혈압처럼 측정 가능한 뇌의 물리적 신호, 즉 이명 상태의 실제 심각도를 결정할 수 있는 객적인 지표를 찾기를 오랫동안 희망해 왔습니다.

상하이의 한 연구팀은 특화된 뇌 영상 도구와 정교한 컴퓨터 학습법을 결합함으로써 그 목표를 향한 중요한 발걸음을 내디뎠습니다. 그들은 기능적 근적외선 분광법(fNIRS)이라는 기술을 사용하여 뇌의 소리에 대한 반응에 집중했습니다. 이 장치는 두개골을 통해 안전한 근적외선을 투과시켜 뇌 활동의 대리 지표 역할을 하는 혈중 산소 농도의 변화를 측정합니다. 뇌가 더 많이 작동할수록 더 많은 산소를 소비하며, 이에 따라 혈류가 변화합니다. 연구진은 특정 톤을 듣게 하고 뇌의 혈중 산소 수치가 어떻게 반응하는지 관찰함으로써, 이명 경험의 독특한 생리학적 특징을 포착했습니다. 그런 다음 이 신호들을 인간의 눈이 놓칠 수 있는 패턴을 학습하도록 설계된 새로운 유형의 컴퓨터 알고리즘에 입력했습니다.

연구진은 주관적 이명을 앓고 있는 성인 60명을 모집했는데, 이는 울림이 외부의 기계적 문제에 의한 것이 아니라 머릿속에서만 느껴지는 경우를 의미합니다. 스캔을 진행하기 전, 각 참가자는 자신의 이명 심각도를 평가하는 표준 설문지를 작성했으며, 이는 연구의 기준값(ground truth) 역할을 했습니다. 참가자들은 조용한 방에 앉아 광원과 검출기가 포함된 캡을 착용했습니다. 그들은 18초 동안 고음의 톤을 듣고 18초 동안 침묵하는 과정을 6회 반복했습니다. 이 과정 동안 캡은 뇌의 여러 부위에서 산소 수치가 어떻게 변하는지를 기록했습니다. 연구진은 소리와 언어를 담당하는 것으로 알려진 측두엽 및 전두엽과 같은 특정 영역에 집중하였으며, 연속적인 데이터 스트림을 분석하기 위해 작은 단위로 나누었습니다.

이 복잡한 데이터를 이해하기 위해 연구팀은 스태킹(Stacking)이라 불리는 머신 러닝 기법의 개선된 버전을 개발했습니다. 전통적인 설정에서는 컴퓨터가 여러 모델을 사용하여 답을 추측한 뒤 단순히 그 투표의 평균을 취할 수 있습니다. 연구진은 이러한 방식이 뇌 신호의 노이즈가 많고 복잡한 특성을 다루기에는 너무 단순하다고 판단했습니다. 대신, 그들은 더 협력적인 시스템을 구축했습니다. 그들은 패턴을 포착하는 데 각기 다른 강점을 가진 세 가지 유형의 컴퓨터 모델을 사용하여 뇌 신호를 분석했습니다. 단순히 결과를 평균 내는 대신, 새로운 방법은 이 모델들이 더 발전된 방식으로 서로 소통할 수 있도록 했습니다. 이들은 예측을 결합하고, 데이터 포인트들 사이에 새로운 복잡한 관계를 생성하며, 특정 데이터 부분에서 성능이 좋은 모델에 더 많은 영향력을 부여했습니다. 이 과정은 최종 결과가 단순히 운 좋은 추측이 아니라는 것을 보장하기 위해 다양한 데이터 그룹을 사용하여 여러 번 반복되었습니다.

결과는 이 새로운 개선된 접근 방식의 명확한 우위를 보여주었습니다. 연구팀이 이전에 본 적 없는 환자 그룹을 대상으로 시스템을 테스트했을 때, 이명의 심각도를 96.31%의 정확도로 식별해 냈습니다. 이는 약 90%의 정확도를 보였던 표준 방식과 비교했을 때 유의미한 도약입니다. 새 시스템은 가벼운 짜증 수준부터 극심한 고통에 이르기까지 다양한 심각도 단계를 구별하는 데 특히 뛰어났습니다. 연구진은 이러한 향상이 퍼센트 수치상으로는 작아 보일 수 있지만, 의료 진단의 세계에서 90%에서 96%로 이동하는 것은 의사들에게 훨씬 더 신뢰할 수 있는 도구가 된다는 점에 주목했습니다. 이 시스템은 귀에서 들리는 소리라는 보이지 않는 주관적 경험을, 소리에 대한 뇌의 물리적 반응에 기반한 구체적이고 측정 가능한 숫자로 성공적으로 변환했습니다.

이러한 성공에도 불구하고, 저자들은 이 연구가 아직 임상 현장에서 사용될 최종 해결책은 아니라고 주의를 기울였습니다. 연구에 참여한 환자 집단이 상대적으로 작았으며, 이 방법이 모든 사람에게 적용되는지 확인하기 위해서는 더 많은 인원을 대상으로 한 확인이 필요합니다. 또한, 연구에는 가짜 치료를 받는 대조군이 포함되지 않았으므로, 일부 뇌의 변화는 이명 자체보다는 환자의 기대감에 의해 영향을 받았을 가능성이 있습니다. 더욱이, 이 기술은 의사가 진료 중에 실시간으로 사용할 수 있는 병원 워크플로우에 아직 통합되지 않았습니다. 그러나 이 연구는 강력한 개념 증명(proof of concept)을 제공합니다. 이는 뇌의 산소 수치에 귀를 기울이고 이를 해석하는 더 똑똑한 방법을 사용함으로써, 오랫동안 환자가 느끼는 고통의 정도에 의해서만 정의되어 온 질환을 객관적으로 측정하는 단계로 나아갈 수 있음을 보여줍니다.