인공지능을 활용한 생체 신호 데이터 분석 사례

인공지능을 활용한 생체 신호 데이터 분석 사례

인공지능을 활용한 생체 신호 데이터 분석 사례

2016년 이세돌과 인공지능 알파고가 바둑 대결을 펼쳤습니다. 여기서 알파고가 이세돌을 이겨 큰 충격을 주었습니다. 영상의학분야의 일련의 논문들이 인간에서의 성능을 능가하는 인공지능 모델 개발을 발표하였습니다. 이후 2018년에는 생체신호 처리 분야인 심전도 판독에 있어서도 심장내과 전문의의 수준을 능가하는 인공지능 모델이 개발되어 보고되었습니다. 이후로도 많은 연구자들이 심전도, 혈압 파형, 뇌파 등 다양한 신체 신호를 분석하는 인공지능 모델을 개발하여 좋은 성능을 보고하였으며, 현재에는 인공지능 기법을 활용한 상용 의료장비가 개발되어 식약처 인허가를 거친 후 의료현장에서 활용되고 있습니다.

생체 신호 데이터

선 강의에서 여러분들은 생체 신호의 정의와 다양한 생체 신호 데이터에 대해서 배웠을 것입니다. 즉, 생체 신호란 인체에서 발생하는 다양한 전기적, 기계적, 열역학적 신호를 의미하며, 대표적인 예로 심전도, 동맥압 파형, 맥압 파형, 뇌파 등이 있습니다. 최근에는 이러한 생체 신호 기반의 이차 지표들도 임상 현장에서 널리 사용되고 있습니다. 대표적인 것으로 동맥압 파형으로부터 혈관 내 용적 부족을 정확하게 평가해주는 Pulse Pressure Variation, 즉 PPV는 현재 거의 모든 환자 모니터에 내장되어 있으며 맥압 파형 기반의 SPI나 PVI 등도 임상 현장에서 널리 사용되고 있습니다. 이러한 생체 신호 데이터의 특징으로는 시간에 따라 계속 변하며 많은 노이즈가 들어가 있다는 점, 그리고 하나의 결과를 예측하기 위해 어떤 파라미터를 이용해야 하는지가 정해져 있지 않다는 점, 그리고 의료인들이 끊임없이 개입해 대부분 정상 값을 만들어 내기 때문에 매우 비대칭적인 데이터라는 점이 특징입니다. 그렇지만 최근에 코로나 사태로 의료 인력이 부족해지고 모니터링을 필요로 하는 환자나 자가 격리자들이 많아지게 되고 식약처 인허가를 받은 웨어러블 장비들이 등장하게 되면서 이러한 데이터들을 분석하기 위한 인공지능 알고리즘의 필요성이 날로 높아지고 있습니다.

생체 신호 분석 인공지능 모델

가장 널리 활용되는 분야는 심전도 분석입니다. 심전도는 심장에서 생기는 전기적인 신호를 체표면에서 측정한 신호이고, 전극을 어떻게 붙이냐에 따라 Frontal Plane에서 6개의 리드, Horizontal Plane에서 6개의 리드가 있으며, 이것을 모두 측정한 것을 12 리드 ECG라고 합니다. 앞서 소개해드린 이 논문은 2018년 인공지능의 대가인 Andrew Y. Ng이 nature medicine에 출판한 연구 결과로 심전도 분류를 위해 CNN 모델을 이용합니다. 이 알고리즘은 소스 코드와 데이터가 모두 온라인에 공개되어 있으므로 살펴보시면 좋을 것 같습니다. 최근에는 12-lead ECG로부터 사망을 예측할 수 있다는 연구 결과가 nature medicine에 발표되기도 하였으며, 1년 이내 발생할 심방 부정맥과 뇌졸중의 리스크를 정확히 예측할 수 있다는 연구결과가 Circulation에 발표되기도 하였습니다. 심전도와 더불어 웨어러블 장비에서 많이 측정되는 맥압 파형은 흔히 PPG라고 불리며, LED에서 나온 빛을 Photodetector에서 측정하여 그중에 박동성 부분을 그림으로 나타낸 것입니다. 맥압 파형으로부터 혈압을 추정하는 인공지능 모델은 이미 수많은 모델들이 발표되었으며 LSTM을 이용하기도 하고 feature extraction 후 ada boosting regression 등의 방법을 이용하기도 합니다. 관련하여 정확한 방법은 알려지지 않았지만 삼성 갤럭시 워치에 내장된 삼성 헬스 앱이 작년에 식약처 인허가를 받기도 했습니다. 혈압은 동맥 내 압력을 의미하며 조직의 산소 공급에 중요한 영향을 주는 인자이기 때문에 임상적으로 매우 오랫동안 중요한 vital sign으로 여겨져 왔습니다. 혈압을 측정하는 방법으로는 팔에 커프를 감아 측정하거나 동맥에 관을 넣어 침습적으로 측정하는 방법이 있습니다. 이 중 침습적 혈압 측정의 방법의 경우에는 연속적인 혈압 파형을 얻을 수 있다는 장점이 있습니다. 혈압 파형을 이용한 인공지능 모델로 대표적인 것으로 수술 중 혈압을 미리 예측해주는 HPI라고 하는 장비가 미국 Edward Lifescience사에서 개발되어 미국뿐만 아니라 국내에서도 임상 현장에서 활용되고 있습니다. HPI를 이용하는 것이 저혈압을 줄일 수 있는지에 대해서는 한 연구에서는 저혈압의 75%를 예방할 수 있다는 결과가 발표되었으며, 다른 연구에서는 차이가 없다는 결과가 발표되어 현재도 논의가 진행 중입니다. 뇌파는 뇌의 표면에서 발생하는 전기적인 신호를 두피에서 측정하는 것으로, 임상적으로는 마취 중에 환자의 마취 심도를 모니터링하거나 수면을 분석하거나 간질과 같은 뇌의 이상을 진단하는 데 사용됩니다. 뇌파를 분석하여 수면의 심도를 자동적으로 판독하거나 수술 중 환자에서 마취 심도를 예측하는 인공지능 모델이 발표되어 왔습니다.

생체 신호 기반 예후 예측 모델

생체 신호 데이터는 여러 파라미터를 이용하여 예후를 예측하는데 활용되기도 합니다. 병실 환자에서 한 시간 단위에 4가지 파라미터, 즉 혈압, 심박수, 호흡수, 체온 등을 이용하여 입원 환자의 심정지를 예측하는 듀스 모델이 뷰노에서 이미 2018년에 개발되어 발표되었고, DeepCARS라는 제품명으로 다기관 검증연구 및 식약처 확진 임상시험을 최근에 마쳤습니다. 또한 생체 신호 데이터는 환자의 나이나 체중과 같은 임상 정보와 함께 활용되었을 때 진가를 발휘합니다. 이 연구에서 중환자에서 9가지 파라미터를 이용하여 중환자실 환자의 사망을 높은 정확도로 예측하는 모델이 소개되었습니다. 중환자실에서 생체신호 데이터와 검사 결과를 이용하여 사망을 예측하는 모델은 고전적인 사망 예측 모델인 아파치 스코어보다 훨씬 높은 성능을 보여줍니다. 인공지능 모델이 임상적인 예후 예측에 왜 이렇게 좋은 성능을 보일까요. 고전적인 임상 예측 모델은 대부분 입력 변수가 출력 변수에 미치는 영향이 일정하고 선형적인 모델을 사용합니다. 그러나 실제 플루이드 AKI에 미치는 형향, 혈압이 사망에 미치는 영향 등을 살펴보면 이러한 관계는 비선형적이고 더할 수 없고, 일정하지 않은 경우가 더 많습니다. 인공지능 모델은 내부에 많은 노드들이 있어 이러한 비선형적인 모델도 쉽게 모델링할 수 있습니다. 때문에 다양한 임상 예후 예측에서 고전적인 예후 예측 모델보다 훨씬 좋은 성능을 보입니다. 앞으로 인공지능 모델은 임상 현장에서 의사를 도와 진단을 보조하고 향후에는 환자의 예후 개선에도 도움이 될 것으로 기대합니다. 또한, 이렇게 수집된 임상 현장의 데이터가 다시 인공지능 학습에 데이터로 활용되는 선순환이 이루어져 궁극적으로는 빠르고 정확한 예측 및 조기 발견을 통해 환자의 예후를 개선할 수 있을 것으로 기대합니다.