Sleep EEG foundation models reveal within-stage microstructure that improves health screening beyond traditional stages

기술 요약: 수면 EEG 파운데이션 모델이 밝혀낸 수면 단계 내 미세구조(Microstructure)

문제 제기
전통적인 수면 의학은 복잡한 수면다원검사(PSG)를 인간이 정의한 기준에 따라 다섯 가지 단계(Wake, N1, N2, N3, REM)라는 거친 분류 체계로 압축한다. 이는 임상적으로는 유용하지만, 의도적으로 정보 손실을 유발하는 방식이며, 개인의 생리적 특성, 연령 관련 역동성, 그리고 단계 내에서 짧게 발생하는 사건들을 가린다. 기존의 자동 채점 시스템은 대체로 이러한 인간의 라벨을 재현하는 데 그치며, 잠재적인 생리적 구조를 포착하지 못한다. 본 연구가 다루는 핵심 질문은 자기지도 학습(SSL) 기반의 파운데이션 모델이 기존의 거친 골격을 넘어, 더 세밀한 단계 내 미세구조(within-stage microstructure)를 통해 풍부한 건강 정보를 인코딩하는 수면 표현(representation)을 학습할 수 있는가 하는 점이다.

연구 방법론
저자들은 7개의 공개 데이터셋(MESA, MrOS, SHHS, WSC, SOF, CFS, NCHSDB)에서 추출한 11,261개의 야간 PSG 기록을 사용하여 Sleep2.0이라는 HuBERT 스타일의 트랜스포머 파운데이션 모델을 훈련시켰다. 모델은 명시적인 수면 단계 라벨 없이 문맥적 표현을 학습하기 위해, 두 단계의 마스크드 의사 라벨 예측(two-stage masked pseudo-label prediction) 목적 함수를 사용하여 라벨이 없는 데이터로 SSL 사전 훈련을 수행했다.

예측 성능 향상의 원천을 엄격히 격리하여 규명하기 위해, 저자들은 세 가지 아키텍처를 비교하는 엄격하게 매칭된 실험 설계를 채택했다:

1. SSL 사전 훈련 모델 (Sleep2.x): 라벨이 없는 데이터로 사전 훈련됨.
2. 5단계 지도 학습 사전 훈련 모델: 동일한 아키텍처를 사용하여 표준 5단계 라벨을 예측하도록 사전 훈련됨.
3. 처음부터 학습 (From-Scratch): 사전 훈련 없이 무작위 초기화 상태에서 다운스트림 태스크를 수행한 동일 아키텍처.

다운스트림 평가는 확장 가능한 가정 내 모니터링에 부합하도록 EEG 단독 표현(중앙 유도 C3/C4)에 초점을 맞추었다. 모델들은 진단 지표(AHI, 수면 단계), 인구통계학적 특성(연령, 성별, BMI), 그리고 기능적 결과(기분, 인지 기능)를 예측하기 위해 APPLES 데이터셋($n=1,044$ 명의 홀드아웃 참가자)에서 미세 조정(fine-tuning)되었다.

주요 분석 단계는 다음과 같다:

• 중첩된 통제 변수(Nested Controls): SSL 점수를 공변량, 실제 단계 요약, 스펙트럼 요약 및 매칭된 5단계 사전 훈련 모델과 비교하여 증분 가치를 테스트함.
• 미세구조 정량화: 단계 내 임베딩에 대한 베이지안 정보 기준(BIC) 스윕을 사용하여 최적의 미세상태(microstate) 개수($k$)를 결정하고, 이를 표준 단계와 매핑하는 "로제타(Rosetta)" 매핑을 수행함.
• 메타-상태 프레임워크(Meta-State Framework): 피험자별 미세상태를 공유된 교차 피험자 어휘($M=7$ 개의 메타-상태)로 클러스터링하여 단계 내 이질성을 정량화함.
• 생리학적 앵커링(Physiological Anchoring): 유도된 미세상태 내에서 저주파, 세타, 시그마 전력, 스핀들 밀도 및 서파(slow-oscillation) 형태를 분석함.

주요 결과

• 예측 성능: SSL 사전 훈련은 여러 결과(단계 구분, AHI, BMI, 연령, 성별, BDI, IQ)에 대해 처음부터 학습한 모델보다 유의미하게 우수한 성능을 보였다. 5단계 지도 학습 사전 훈련 모델과 비교했을 때, SSL은 EEG 단독 분석에서 BMI 및 연령 예측에서 유의미한 우위를 보였다. AHI, 성별 및 기능적 결과에 대한 차이는 작거나, 명목 수준이거나, FDR(False Discovery Rate) 보정 후 신뢰할 수 없는 수준이었다.
• 증분 가치: 인구통계학적 특성, 실제 단계 요약 및 스펙트럼 특징을 통제한 중첩 회귀 모델에서, SSL 유도 점수는 연령, BMI 및 AHI에 대해 유의미한 증분 예측 가치를 유지했다. 5단계 사전 훈련 모델은 특히 연령과 BMI에 대해 이러한 잔차(residuals)와 더 약한 연관성을 보였다.
• 미세구조 발견:
  • 기하학적 구조: SSL 임베딩은 라벨 없이도 5단계 골격의 전역적 기하학적 구조를 자율적으로 복구했으나, 5단계 사전 훈련 모델($k=5$)보다 훨씬 높은 수의 미세상태(중앙값 $k \approx 11$)를 지원했다.
  • 국소화: 추가적인 해상도는 균일하게 나타나지 않았다. 이는 이질적인 생리 현상을 포함하고 있는 것으로 알려진 N2 및 Wake 단계에서 우선적으로 나타났다. N2는 약 5개의 미세상태로 세분화되는 것으로 나타났다.
  • 표현형 연관성: N2 내에서 서로 다른 미세상태는 상반된 표현형과 연관되어 있었다. 예를 들어, 특정 N2 지배적 메타-상태는 AHI와 양의 상관관계를 보인 반면, 다른 상태들은 음의 상관관계를 보였다. 이는 이질적인 N2 생리 현상을 하나의 라벨로 통합하는 것이 건강 관련 신호를 약화시키거나 상쇄시킨다는 것을 시사한다.
  • 생리학적 해석 가능성: 유도된 N2 미세상태는 저주파/세타 전력, 시그마 전력, 스핀들 밀도 및 서파 형태에서 구별되는 생리학적 특성을 보였다. 예를 들어, 높은 AHI와 관련된 특정 N2 미세상태는 낮은 스핀들 밀도와 더 강한 서파 형태를 보였다.
• 선별 유용성: SSL 유도 점수는 무호흡 심각도(AHI $\ge$ 15에 대한 AUROC 0.762) 및 비만(BMI $\ge$ 30에 대한 AUROC 0.720)에 대해 중간에서 강한 변별력을 보여주었으며, 안정적인 교정(calibration)과 긍정적인 의사결정 분석적 유용성을 입증했다.

의의 및 주장
본 논문은 자기지도 학습 기반의 파운데이션 모델이 단순히 기존의 수면 구조를 재포장하는 것이 아니라, 기존의 5단계 인터페이스에 의해 소실되는 건강 관련 정보를 담고 있는 고해상도의 단계 기반 미세구조를 발견한다고 주장한다.

• 이득의 메커니즘: 이러한 개선은 5단계 인터 l페이스에 의해 붕괴되는 (특히 N2에서의) 단계 내 이질성을 보존하고 조직하는 모델의 능력 덕분이다. 이를 통해 모든 N2 에포크(epoch)를 단일 클래스로 취급할 때 가려지는 연령, BMI, 무서(apnea)와 관련된 신호를 탐지할 수 있다.
• 임상적 번역: 저자들은 이 EEG 단독 SSL 표현을 진단 표준의 대체제가 아닌, 선별, 분류(triage) 및 바이오마로 발견을 위한 압축되고 재사용 가능한 요약 정보로 위치시킨다. 이 모델들은 익숙한 임상 개념과 정렬하면서도 더 높은 해상도를 제공하는 "뇌 연령(brain-age)" 대리 지표 및 위험 계층화 도구로서의 역할을 할 수 있다고 주장한다.
• 겸손한 태도: 저자들은 미세상태와 메타-상태가 고정된 온톨로지적 분류 체계가 아니라 "운영적 요약(operational summaries)"임을 명시하며 한계를 인정한다. 여기에는 향el적인 검증의 필요성, 소비자용 전두부 몽타주가 아닌 중앙 EEG 사용, 그리고 호흡 이벤트 탐지가 여전히 무호흡 진단의 표준이라는 점 등이 포함된다. 연구의 핵심은 기존 프레임워크를 폐기하는 것이 아니라, 기존 프레임워크에 저차원의 단계 기반 요약을 추가하는 데 있다.