Cardio Fusion: A Dual-Stream Regularized Fusion Architecture for Generalizable Cardiovascular Disease Prediction Under Dataset Heterogeneity

심장 질환은 전 세계적으로 주요한 사망 원인으로 남아 있으며, 매년 약 1,800만 명의 생명을 앗아가고 있습니다. 이 질환은 연령, 혈압, 콜레스테롤 수치, 그리고 흡연과 같은 생활 습리 습관을 포함한 복잡한 요인들의 혼합으로 인해 발생합니다. 의사들은 이러한 문제를 진단하기 위해 신체 검사와 전문적인 검사에 의존하지만, 이러한 방식은 비용이 많이 들고 전문 인력이 부족할 수 있습니다. 이는 위험을 예측하여 전통적인 의료를 보완할 수 있는 확장 가능한 도구로서 컴퓨터 시스템에 대한 탐색을 촉진했습니다. 그러나 이러한 시스템을 구축하는 데는 지속적인 장애물이 존재합니다. 즉, 시스템이 학습하는 데이터가 종종 지저도하고, 불완전하거나, 전체 인구를 대표하지 못하는 소규모 환자 집단에서 추출된다는 점입니다. 컴퓨터 모델이 좁은 범위의 정보로 훈련되면, 서류상의 모습이 다른 새로운 환자를 마주했을 때 제대로 작동하지 못해 신뢰할할 수 없는 예측을 내놓게 됩니다.

이러-한 과제를 해결하기 위해 연구자 K. 파드미니(K. Padmini), 닐레시 V. 잉갈레(Nilesh V. Ingale), 그리고 V. 아루나(V. Aruna)는 "카디오 퓨전(Cardio Fusion)"이라 불리는 새로운 접근 방식을 개발했습니다. 단일 컴퓨터 알고리즘에 의존하여 진단을 내리는 대신, 그들은 전문가 팀이 함께 협력하는 방식을 모방한 시스템을 만들었습니다. 이 구조는 매우 다른 두 가지 유형의 의료 정보를 동시에 처리하도록 설계되었습니다. 한 흐름은 표 형태로 저장된 연령, 혈압, 콜레스테롤과 같은 표준 환자 기록을 처리합니다. 다른 흐름은 의료 영상이나 심전도라고 알려진 심장 리듬 궤적을 분석하도록 구축되었습니다. 이 두 가지 정보원을 각각 분리하여 처리한 후 결론을 결합함으로써, 이 시스템은 다양한 방식으로 나타나는 심장 질환의 다양성에 더 견고하고 적응력 있게 대응하는 것을 목표로 합니다.

이 새로운 방법의 핵심은 예측을 수행하기 전의 세심한 선택 과정에 있습니다. 의료 기록에는 수십 가지의 측정치가 포함되어 있을 수 있지만, 그중 상당수는 질병의 약한 지표이거나 단순히 노이즈(잡음)에 불과합니다. 연구진은 수학적 기법을 사용하여 데이터를 걸러내고, 각 특정 환자 집단에 대해 가장 강력한 예측 인자만을 식별했습니다. 예를 들어, 한 대규모 데이터셋에서는 수축기 혈압, 연령, 포도당 수치가 가장 중요한 요소라고 판단한 반면, 다른 데이터셋에서는 다른 측정치들이 우선순위를 가졌습니다. 이는 컴퓨터가 무관한 세부 사항에 의해 주의가 분산되지 않도록 보장합니다. 가장 중요한 특징들이 선택되면, 시스템은 네 가지 서로 다른 알고리즘이 일제히 작동하는 하이브리드 팀인 "태뷸러 브랜치(tabular branch)"로 이들을 전달합니다. 이 팀은 복잡한 패턴 인식 도구인 딥 뉴럴 네트워크와 세 가지의 보다 전통적인 분류기를 포함합니다. 이 네 모델은 결과에 대해 투표하며, 최종 결정은 각 모델이 자신의 답변에 대해 갖는 확신도에 따라 가중치가 부여됩니다.

이와 병행하여, 시스템에는 고급 딥 러닝 모델을 사용하여 심장 스캔이나 전기 신호를 분석할 수 있는 "이미징 브랜치(imaging branch)"가 포함되어 있습니다. 이 모델들은 인간의 눈이 놓칠 수 있는 미세한 시각적 패턴을 포착하도록 설계되었습니다. 결정적으로, 두 브랜치는 독립적으로 작동합니다. 만약 병원에 환자 기록만 있고 이미지가 없다면, 시스템은 태뷸러 브랜치만을 사용하여 여전히 작동할 수 있습니다. 이미지가 있다면, 시스템은 이를 별도로 처리한 다음 두 결론을 병합합니다. 이러한 설계 덕분에 프레임워크는 수십 년 된 소규모 컬렉션부터 수만 명의 환자를 포함하는 거대한 현대적 기록에 이르기까지 매우 다양한 데이터셋에 대해 테스트될 수 있습니다.

연구진은 시스템이 압박 속에서 얼마나 잘 버티는지 확인하기 위해 여섯 가지 서로 다른 데이터셋을 대상으로 시스템을 테스트했습니다. 클리블랜드 벤치마크(Cleveland benchmark)로 알려진 고전적인 소규모 데이터셋에서 시스템은 96.5%의 정확도를 달성했습니다. 이 결과는 기존의 최상위 방법들과 경쟁할 만한 수준입니다. 그러나 의료 도구의 진정한 시험대는 더 크고 다양한 인구 집단에서도 작동하느냐 하는 것입니다. 연구팀은 68,000명 이상의 환자 기록이 포함된 훨씬 더 큰 규모의 캐글(Kaggle) 데이터셋에 시스템 전체를 재구현했습니다. 이 더 큰 테스트에서 시스템은 73.95%의 정확도와 80.57%의 점수로 측정된 강력한 환자 구분 능력을 보여주었습니다.

작은 데이터셋에서 큰 데이터셋으로 넘어갈 때 발생한 정확도의 하락은 시스템의 실패가 아니라 데이터 자체의 특성을 반영한 것이었습니다. 더 큰 데이터셋은 작은 규모의 구체적인 데이터셋에서 볼 수 있었던 상세한 심장 리듬 및 흉통 데이터가 부족했고, 생활 습관과 활력 징후 정보만을 포함하고 있었습니다. 연구진은 아무리 정교한 알고리즘이라 할지라도, 주어지지 않은 것을 예측할 수는 없다는 사실을 발견했습니다. 이 발견은 연구의 핵심 결론을 강조합니다. 즉, 단순히 컴퓨터에 더 많은 데이터를 입력한다고 해서 더 나은 결과가 보장되는 것은 아니라는 점입니다. 대신, 특징(feature)을 선택하는 품질과 서로 다른 모델을 결합하는 방식이 훨씬 더 중요합니다. 본 연구는 컴퓨터가 노이즈를 암기하는 것을 방지하고 일반적인 패턴을 학습하도록 강제하는 잘 규제된 하이브리드 시스템이 단일한 복잡한 알고리즘보다 더 신뢰할 수 있다고 주장합니다.

최적화된 특징 선택과 이중 스트림 구조를 결합함으로써, 카디오 퓨전 프레임워크는 정확하면서도 유연한 예측 도구를 구축하는 것이 가능하다는 것을 입증했습니다. 이 시스템은 작고 특정한 데이터셋에서 우수한 성능을 보이는 동시에, 거대하고 이질적인 데이터셋을 처리할 수 있는 구조를 유지합니다. 연구진은 자신들의 시스템이 중요한 진전이지만, 최종적인 해결책은 아니라고 언급했습니다. 향후 연구에는 더욱 다양한 코호트(cohort)에 대한 시스템 테스트와, 컴퓨터가 왜 특정 예측을 내렸는지 설명하는 도구를 통합하여 의사들이 기계의 조언을 신뢰할 수 있도록 돕는 작업이 포함될 것입니다. 현재로서는, 이 연구가 환자들이 놓칠 수도 있는 심장 질환 위험을 식별하는 데 도움을 주며 의사 곁에 자리 잡을 수 있는, 더 신뢰할 수 있고 일반화 가능한 도구를 향한 명확한 경로를 제시하고 있습니다.