Physiology-augmented deep representations improve cross-database electrocardiogram beat classification under unseen-domain shift

인간의 심장은 생물학적이면서도 전기적인 리듬으로 고동치며, 의사들이 한 세기 넘게 심전도(ECG)라고 불리는 기계를 사용하여 가슴을 통해 읽어온 신호를 보냅니다. 이 기계들은 화면에 들쭉날쭉한 선을 만들어내는데, 이는 심장의 전기적 활동을 시각적으로 기록한 것으로, 장기가 정상적으로 뛰고 있는지 아니면 부정맥으로 인해 어려움을 겪고 있는지를 보여줍니다. 수십 년 동안 이 선들을 해석하는 작업은 인간 전문가의 몫이었으나, 웨어러블 기기와 병원 모니터에서 발생하는 데이터의 양이 방대해짐에 따라 컴퓨터가 이 작업을 수행하도록 가르치는 것이 필수적이 되었습니다. 최근 몇 년 동안 인공지능은 선택할 수 있는 최선의 도구가 되었으며, 딥러닝 시스템은 육안으로는 식별하기 어려울 수 있는 심장 박동의 패턴을 인식하도록 훈련되었습니다. 그러나 고질적인 문제가 남아 있습니다. 한 병원에서 심장 박동을 완벽하게 읽도록 학습된 컴퓨터 프로그램이 다른 병원, 다른 기기, 또는 다른 집단의 심장 박동을 읽어야 할 때 실패하는 경우가 빈번하다는 점입니다. 이는 서로 다른 출처의 데이터가 미세하게 다르게 보이기 때문에 발생하며, 컴퓨터가 재학습 없이 쉽게 건너갈 수 없는 간극을 만듭니다.

가나의 콰메 은크루마 과학기술대학교(Kwame Nkrumah University of Science and Technology) 연구진은 인공지능 모델이 새로운 데이터를 미리 접하지 않고도 어떻게 이 간극을 건너갈 수 있을지 알아보기 위해 연구를 시작했습니다. 그들은 간단한 질문을 던졌습니다. 만약 컴퓨터가 파형의 가공되지 않은 형태를 보고 심장 박동을 인식하는 법을 배운다면, 파형이 지속되는 시간이나 박동 사이의 간격과 같이 해당 심장 박동에 대한 구체적이고 측정 가능한 사실들을 함께 전달받았을 때도 이득을 얻을 수 있을까? 이를 테스트하기 위해 그들은 두 가지 방식으로 심장을 바라보는 결합된 시스템을 구축했습니다. 시스템의 한 부분은 강력하고 현대적인 신경망을 사용하여 가공되지 않은 신호로부터 직접 복잡한 패턴을 학습했는데, 이는 마치 학생이 수천 개의 사례를 암기하는 것과 유사합니다. 시스템의 다른 부분은 전통적인 규칙 기반 방법을 사용하여 특정 간격과 모양을 측정함으로써, 리듬과 타이밍에 관한 40가지의 명확한 수치적 사실들을 추출했습니다. 연구진은 이 결합된 시스템을 하나의 크고 잘 알려진 데이터베이스의 심장 데이터로 훈련시킨 후, 시스템이 이전에 본 적 없는 완전히 다른 데이터베이스를 사용하여 테스트하였으며, 이 과정에서 새로운 테스트 세트의 정보가 모델 조정에 사용되지 않도록 보장했습니다.

결과에 따르면, 딥러닝 모델에 명시적으로 측정된 사실들을 추가하는 것이 실질적인 차이를 만들어냈습니다. 시스템이 본 적 없는 외부 데이터베이스로 테스트했을 때, 가공되지 않은 패턴 인식만을 사용한 버전은 새로운 데이터에 대해 상당한 어려움을 반영하는 점수를 기록하며 심장 박동을 정확하게 분류하는 데 고전했습니다. 그러나 가공되지 않은 패턴과 40가지의 측정된 사실을 결합한 버전은 눈에 띄게 더 나은 성능을 보였습니다. 이 향상은 미미한 변동이 아니라, 통계적 분석을 통해 우연이 아닌 실제적인 이득임이 확인되었습니다. 딥러닝 패턴과 명시적 측정을 모두 사용한 하이브리드 시스템은 딥러닝 시스템 단독보다 심장 박동의 유형을 더 자주 정확하게 식별했습니다. 이는 두 방법이 심장을 서로 다른 각도에서 바라보고 있음을 시사합니다. 딥러닝 모델은 단일 박동의 전체적인 형태를 인식하는 데는 뛰어났지만, 그 박동 전후에 일어나는 맥락은 놓쳤습니다. 박동 사이의 시간과 리듬을 포함한 측정된 사실들은 그 놓친 맥락을 제공하여, 컴퓨터가 새로운 데이터를 본 적이 없음에도 불구하고 데이터를 이해할 수 있도록 돕는 가교 역할을 했습니다.

연구진은 시스템이 얻은 측정된 사실 중 가장 가치 있는 정보가 바로 리듬 자체라는 것을 발견했습니다했습니다. 연구진이 박동 사이의 타이밍을 보는 것을 일시적으로 차단했을 때, 다른 어떤 종류의 정보를 차단했을 때보다 성능이 더 크게 떨어졌습니다. 이는 딥러닝 모델이 1초 단위의 고립된 심장 박동 창(window)을 바탕으로 훈련되었기 때문에, 전체적으로 심장이 얼마나 빠르게 뛰는지 또는 리듬이 얼마나 규칙적인지를 자연스럽게 알지 못했기 때문입니다. 명시적 측정값은 이러한 공백을 메워줌으로써 시스템에 더 넓은 관점을 제공했습니다. 딥러닝 모델 단독으로는 대부분의 정상적인 심장 박동을 처리할 수 있었지만, 새로운 데이터베이스와 마주했을 때 더 복잡하고 드문 유형의 불규칙한 리듬을 처리하는 데 어려움을 겪었습니다. 측정된 사실의 추가는 시스템이 이러한 까다로운 사례들을 더 잘 다룰 수 있도록 도와주었으며, 다양한 종류의 부정맥을 구별하는 능력을 향상시켰습니다.

이러한 개선은 데이터베이스 간의 이동이라는 특정 과제에 국한된 것이라는 점에 유의해야 합니다. 연구진이 시스템을 훈련시킨 곳과 동일한 병원의 데이터로 테스트했을 때는, 측정된 사실을 추가했을 때의 이점이 훨씬 작았으며 통계적으로 유의미하지 않았습니다. 이는 추가된 정보가 모든 상황에 대한 일반적인 촉진제가 아니라, 데이터가 예상치 못한 방식으로 변할 때 컴퓨터가 적응하도록 돕는 특정한 도구임을 말해줍니다. 이 연구는 심장 질환 진단 문제를 해결했다고 주장하거나, 이 모델들이 모든 클리닉에서 즉시 사용될 준비가 되었다고 제안한 것도 아닙니다. 연구진은 테스트 데이터에 매우 적은 사례만이 존재했기 때문에, 시스템이 가장 희귀한 유형의 심장 박동을 다루는 데 여전히 어려움을 겪고 있다는 점을 신중하게 지적했습니다. 또한, 이 시스템은 심장 신호의 단일 유도(lead)에 의존하고 있는데, 실제 의료 기기는 더 완전한 모습을 보기 위해 여러 개의 유도를 사용하는 경우가 많습니다.

이러한 한계에도 불구하고, 이 연구는 명확한 진로를 제시합니다. 우리는 현대 인공지능의 강력한 패턴 인식 능력과 전통 의학의 신뢰할 수 있고 해석 가능한 측정값 사이에서 하나를 선택할 필요가 없다는 것을 보여줍니다. 대신, 이 둘은 함께 협력할 수 있습니다. 딥러닝 모델에 가공되지 않은 신호와 심장의 타이밍 및 형태에 관한 명확하고 검증된 사실들을 함께 입력함으로써, 연구자들은 더욱 견고하고 다양한 출처의 데이터가 존재하는 복잡한 현실에 더 잘 대응할 수 있는 시스템을 만들 수 있습니다. 이 접근 방식은 자동화된 심장 모니터링의 미래가 기계로 인간의 지식을 대체하는 것이 아니라, 기계에게 인간 의사들이 수 세대 동안 의존해 온 구체적이고 측정 가능한 진실을 존중하고 활용하도록 가르치는 데 있을 수 있음을 시사합니다. 연구는 딥러닝 모델이 강력한 토대를 제공하지만, 생리학적 사실의 추가가 시스템이 심장을 더 명확하게 볼 수 있도록 돕는 보완적인 이해의 층위를 제공한다는 결론을 내렸습니다.