다양한 睡眠 生體 信號를 標準化해 構成한 高解像度 이미지.
世界 最大 睡眠多元檢査 데이터셋 통해 開發
自動判讀으로 80% 以上 水面段階 分類 正確度
水面 段階 分類를 높은 正確度와 說明 可能한 方式으로 보여주는 ‘이미지 基盤 自動 判讀 알고리즘’이 最近 國內 硏究陣에 依해 開發됐다.
서울大病院 신현우 敎授, 한림대 春川성심病院 김동규 敎授 共同 硏究팀은 世界 最大 規模의 睡眠多元檢査 데이터셋을 活用한 이미지 基盤 自動 判讀 알고리즘을 開發해 水面 段階 判讀 및 睡眠 生體 信號를 視覺化한 硏究 結果를 發表했다.
水面 段階 分類는 睡眠 關聯 疾患을 診斷하는 데 必須로 睡眠의 質을 評價하는 데 重要한 役割을 한다. 普通 水面 段階는 覺醒(Wake), 얕은 睡眠(N1~N2), 깊은 睡眠(N3~REM) 段階로 分類한다. 睡眠 데이터 分析을 위한 旣存 硏究에서는 檢事 環境에 있어 샘플링 速度나 센서의 타입이 變할 때마다 版讀者가 直接 調整을 해야 했다. 따라서 보다 效果的인 睡眠 段階 分析을 위해서는 다양한 檢査 및 判讀 環境에 一般的으로 適用될 수 있는 自動化된 技術과 睡眠 結果를 綿密하게 解釋할 수 있는 프레임이 必要한 狀況이다.
硏究팀은 世界 最大 規模인 1萬253件의 睡眠多元檢査 데이터셋을 構築하고, 이 中 7745件의 데이터를 活用해 ‘이미지 基盤 醫療 人工知能 알고리즘’을 開發했다. 以後 水面 段階 自動 判讀 可能性을 分析했다. 分析 結果, 새로 開發된 이미지 基盤 自動 判讀 알고리즘은 約 80% 以上의 睡眠 段階 分類 正確度를 보였다.
서울大病院 신현우 敎授(왼쪽), 翰林大春川성심病院 김동규 敎授
特히 硏究팀은 視覺的으로 把握할 수 있는 生體 信號 데이터의 標準化된 이미지를 바탕으로 人工知能 모델의 學習 패턴을 具現해냈다. 이는 旣存 人工知能 모델이 내놓은 判斷이나 決定 過程 或은 方法에 對해 說明할 수 없는 이른바 ‘人工知能 블랙박스’ 問題를 解決할 수 있는 可能性을 提示한다고 硏究팀은 說明했다.
追加的으로 硏究팀은 美國 睡眠 데이터셋인 SHHS을 活用해 外部 檢證을 實施했다. 檢證 結果, 一部 信號의 漏落이나 變更 或은 다른 機種의 檢査機器 等의 檢査 環境의 差異에도 不拘하고, 內部 檢證과 同一한 水準(Weighted F1-Score 79.7~81.7%)을 보여 人種이나 國家에 相關없이 알고리즘 分析 適用이 可能하다고 硏究팀은 덧붙였다.
신현우 敎授는 “醫療 人工知能 모델에서 要求되는 說明 可能性을 充足할 수 있는 이미지 基盤의 水面 段階 自動 判讀 알고리즘을 開發했다는 點에서 큰 意味가 있다”며 “이番 硏究結果가 向後 AI 基盤 睡眠多元檢査 自動 判讀을 더욱 活性化하고 睡眠 醫療의 效率性 向上에 寄與할 수 있기를 期待한다”고 말했다.
한便 이番 硏究 結果는 水面醫學 關聯 國際學術誌 ‘睡眠(Sleep)’ 最近號에 실렸다.
스포츠동아 김재범 記者 oldfield@donga.com
記者의 다른記事 더보기
