경량화 모델을 활용한 심방세동 분류 및 엣지 디바이스 적용

Abstract

딥러닝 모델은 성능을 높이기 위해서 모델의 파라미터와 레이어수를 늘리 고 네트워크의 복잡성을 증가시키는 방식으로 발전했다. 또한 발전된 딥러 닝 모델을 의료 인공지능 분야에서 활용한 사례가 점진적으로 증가했다. 이제는 딥러닝 모델을 컴퓨터나 클라우드에서만 작동시키는 게 아니라 온 디바이스 형태로 하드웨어에서 구동시키는 시대가 도래하였다. 기업들에서 도 온디바이스 기기 적용하기 위한 움직임이 증가하는 추세이다. 온디바이스는 기기 자체에서 모델을 실행할 수 있으므로, 빠른 응답 속도 와 저전력, 저비용, 개인정보 보호에 쉽다. 또한 클라우드나 서버에서 모 델을 작동시켰을 때 가지는 처리속도나 보안성과 같은 단점들을 해결해준 다. 그러나 온디바이스 인공지능은 하드웨어의 제약으로 인해 전력 사용 량, RAM 사용, 저장공간, 계산력 등을 고려하여 설계해야 한다. 모델을 경량화 할 때 더 적은 처리 시간으로 더 많은 처리 요청 수가 가능하다. 심장 질환은 우리나라에서 3대 사망 질환 중 하나이다. 이 중 심방세동은 심방의 수축이 소실되어 불규칙하게 수축하는 상태로 빈번하게 발생하는 부정맥의 한 종류이다. 본 연구에서는 심방세동 환자의 홀터 심전도 데이 터를 이용하여 학습과 평가를 진행하고자 한다. Physionet 에서 제공하는 오픈 데이터 형식의 MIT-BIH Atrial Fibrillation Dataset을 이용한다. Interpatient와 Intrapatient 두 가지의 패러다임을 진행하기 위해서 학습 데이터 세트를 두 그룹으로 생성한다. 그리고서 각 데이터 세트에서 RR 간격을 이용하여, 1개의 비트(beat)로 segmentation을 진행한다. 비트 단위로 나눈 데이터를 이용하여 심방세 동과 심방세동이 아닌 것으로 분류하는 이중분류 학습을 진행한다. 학습은 정답이 있는 데이터를 학습시켜 결과에 대한 예측을 만들어내는 방법인 지도학습 방식으로 진행한다. 잔차 연결을 이용한 Resnet 기반의 총 3가 지 모델을 이용해 지도학습 방법으로 학습을 진행하였다. 학습한 모델은 하드웨어 장치인 젯슨 나노 오리노에 이식하여 결과를 평가한다. 하이퍼 파라미터는 학습율은 0.0001, 배치 사이즈는 128, 손실함수로는 binary_cross_entropy를, 마지막 밀집층의 활성화 함수는 softmax를 사 용하였다. 연구 결과는 분류 모델의 대표적인 평가 지표인 Precision (정밀도), Recall (재현율), F1 score (F1 점수), Accuracy (정확도), Area Under Curve (곡선 아래의 면적)를 이용하여 평가했다. 학습과 평가에 같은 환 자의 레코드가 섞인 Intrapatient 데이터 세트의 결과가 겹치는 환자의 데 이터가 없는 Interpatient 데이터 세트를 이용하여 학습한 결과보다 월등 히 좋은 값을 기록했다. Intrapatient에서 제일 좋은 결과를 보인 성능은 모델에서 F1 점수가 0.9763이었다. 반면에 Interpatient에서 제일 좋은 결과를 보인 모델은 F1 점수가 0.8589이었다. 이를 통해서 심방세동 분류 모델이 온디바이스 기기의 실행을 실질적으로 확인 할 수 있었다. 본 연구가 가지는 한계점은 한 종류의 데이터셋으로만 학습했다는 점과 경량화 모델을 한 종류의 하드웨어에서만 평가했다는 점과 경량화 방식 중 하나만 선택한 점이다. 이러한 한계점에도 불구하고 장시간 심전도 기 록에서 심방세동을 찾는 과정에서 소요되는 시간과 비용을 감소시킬 수 있고, 경량화 모델을 이식한 온디바이스 기기을 이용해 장소와 환경에 구 애받지 않고, 어디서든 모델을 실행할 수 있다는 측면에서 편리성과 실용 성이 갖춰졌으므로 임상적으로도 의의가 있는 것으로 판단된다.