딥러닝을 활용한 심혈관계 디지털 헬스케어 연구

Abstract

본 연구는 인공지능을 활용한 다양한 디지털 헬스케어 환경에서의 애플리케이션들을 개발 및 적용한다. 생체신호는 디지털 헬스케어 환경에서 특히 중요한 부분을 자지하고 있으며 실시간으로 오랜 시간 감시가 가능한 장점에 반해 비정형적, 비표준적, 불규칙성 등을 가지며 노이즈에 매우 취약하여 지금까지 주목받지 못했으나 최근 컴퓨팅파워와 인공지능 분야의 연구가 활발해지며 장시간 데이터를 인력소모 없이 적용이 가능해지며 주목을 받고 있다. 그러므로, 인공지능을 기반으로 생체신호를 활용한 다양한 애플리케이션을 개발하였으며 이를 소개하고자 한다. 첫째로, 딥러닝은 머신러닝 중 하나의 분야로 인공신경망을 활용한 모델링을 통해 학습하는 모델을 말한다. 최근 의료분야에서도 활발하게 활용되고 있으며, 떠오르는 문제로는 데이터 편향문제가 있다. 일반적인 데이터는 쉽게 구할 수 있으며, 데이터 증강(augmentation)이 가능하지만 의료데이터에서는 신뢰성을 잃을 수 있다. 이러한 문제로 다양한 데이터베이스의 자료를 통합하여 사용하는 메타분석(meta analysis)이 효과적이지만 각 데이터베이스에 따른 측정장비의 AC resolution과 sampling rate이 달라 같은 측정방식에도 불구하고 데이터의 형태가 약간씩 달라진다. 이러한 상황에서 동일한 형태의 데이터로 구성해 준다면 과연 데이터베이스에 따른 편향성이 사라지는지 확인해보았다. ResNet 모델을 활용하여 3개의 공공데이터베이스에서 수집된 심전도를 활용하여 AF와 non-AF로 각각의 데이터베이스별로 학습하였을 경우 다른 데이터베이스에서 테스트를 하였다. 결과는 자신의 데이터베이스 외 다른 데이터베이스에서는 정확도가 떨어지는 것을 확인하였으며 이를 통해 학습데이터에 따른 편향이 존재함을 입증하였다. 다음으로, 혈압은 주요한 생체신호 지표 중 하나이다. 비침습적으로 연속혈압을 측정하기 위한 rule base기반의 다양한 시도들이 있어왔다. ECG와 PPG를 기반으로 혈압을 추정하는 맥파전달시간(pulse transit time, PTT)과 맥파도달시간(pulse arrival time, PAT)이 대표적이다. 하지만 정확한 혈압추정에는 도달하지 못하였으며 최근 딥러닝을 활용한 시도가 있다. 많은 PAT와 PTT연구와 같이 ECG와 PPG는 혈압과의 상관관계를 딥러닝을 활용하여 추정해보았다. 결과적으로 연속혈압추정이 가능함을 입증하였고 국제표준의 성능을 확인하였다. 또한 심방세동 환자를 대상으로 심방세동 중에도 혈압추정이 가능함을 통해 질환이 있는 환자에서도 추정이 가능함을 확인하였다. 마지막으로, ECG는 벡터 값이므로 하나의 전극으로부터 얻은 심전도를 활용하여 다른 전극의 심전도를 추정할 수 있을 것이라는 가설을 입증하고자 하였다. 적대적 생성신경망(Generative Adversarial Networks, GAN)을 활용하여 단일전극 lead I을 입력하여 나머지 다중전극 11개를 생생하는 딥러닝 모델을 학습하여 임상현장에서 활용이 가능한지 검증하였다. 개발된 모델을 활용하여 precordial ECG 기반의 질환을 선정하여 임상의가 생성된 ECG를 임상현장에서 활용가능 여부를 판단하였다. 그 결과 단일전극으로 생성한 다중전극 심전도를 활용하기에 충분함을 입증하였으며 디지털 헬스케어로써 웨어러블 시스템에 탑재하여 활용 가능할 것으로 기대한다. 다양한 심장관련 디지털 헬스케어 연구들을 통해 딥러닝 기반의 애플리케이션들이 임상현장에서 충분히 활용 가능함을 확인하였으며 추후 더 많은 데이터들을 활용하여 유효성을 입증한다면 의료기기로써 자리매김할 수 있을 것으로 기대한다.