AI, 심방세동 재발 90% 정확도로 탐지

• 3D 심장 MRI 이미지를 분석해 개인별 랜드마크 기반 해부 표현 생성하는 새로운 딥러닝 방법, 심방세동 재발 가능 신호 90% 정확도로 탐지

CDC 보고서에 따르면 미국에서 약 610만 명이 심방세동(AFib)을 앓고 있습니다. 심방세동은 불규칙하고 종종 빠른 심박수로 심부전, 뇌졸중 및 기타 합병증 위험을 높입니다.

고혈압과 노화가 심방세동 사례의 최대 22%를 차지합니다. 보통 뇌졸중 위험을 5배 높이며, 혈관 내벽에 지방 침착물(플라크)로 혈류가 차단되어 발생하는 허혈성 뇌졸중의 20%를 유발합니다.

심방세동은 생명을 직접 위협하진 않지만 응급 치료가 필요한 심각한 질환입니다. 많은 경우 치료 후 재발합니다. 재발 가능 신호를 탐지하기 위해 유타 대학교 연구진이 90% 정확도로 심방세동을 탐지하는 딥러닝 방법을 개발했습니다.

작동 원리

딥 뉴럴 네트워크가 3D 심장 MRI 이미지를 사용해 개인별 랜드마크 기반 해부 표현을 생성해 수동 전처리 및 분할 같은 번거로운 작업을 없앱니다.

심방세동 재발 예측을 위해 심장의 4개 방 중 하나인 좌심방(left atrium) 모양을 분석하고 불규칙성을 찾습니다. 그러나 제한된 샘플로는 네트워크를 효율적으로 훈련시킬 수 없습니다. 따라서 연구진은 데이터 증강(data augmentation) 접근법을 적용해 통계적으로 더 실현 가능한 정보를 생성, 과적합 위험을 줄이며 네트워크를 훈련시켰습니다.

컨볼루션 뉴럴 네트워크(CNN)는 수백 장의 MRI 이미지로 훈련되었으며, 엔비디아 테슬라 GPU와 텐서플로(TensorFlow) 딥러닝 프레임워크를 사용했습니다. 원본 데이터셋의 75%에 데이터 증강을 수행해 네트워크 정확도를 개선했습니다.

참조: arXiv:1810.00475 | 유타 대학교

구체적으로 좌심방 구조는 폐정맥 배열의 수많은 가능한 배열로 인해 형태 공간에서 클러스터링을 보입니다. 이 숫자를 다루기 위해 주성분 분석(PCA) 부분공간에서 다중 모드 가우시안 분포로 좌심방 형태를 모델링했으며, 3개 구성요소가 최적의 베이지안 정보 기준을 제공했습니다.

표준 형태 모델링 vs 제안된 방법 | 연구진 제공

이 실험에서 총 207개 샘플을 사용했으며, 그중 175개는 데이터 증강에 사용하고 나머지는 네트워크 테스트용(미관측 샘플)으로 따로 두었습니다.

결과

제안된 기법이 이미지에서 형태 기술자(shape descriptor)를 학습해 작동하므로, 좌심방 자동 분할에 유망한 결과로 활용되었습니다.

참고: AI, 숙련 의사보다 피부암 더 정확히 탐지

기존 최첨단 형태 분석 워크플로(정기적 사람 개입과 대응 최적화 필요)와 비교한 결과, 결과가 통계적으로 비교 가능했습니다. 딥 뉴럴 네트워크가 예측한 재발률은 ±0.06% 오차로 90% 정확합니다.