뇌전도 데이터 자동 라벨링을 위한 반자동 주석 시스템

초록

본 연구는 활성학습 기반 알고리즘을 이용해 임상 EEG 데이터의 6가지 이벤트를 자동으로 라벨링하는 방법을 제안한다. 임계값 기반과 데이터량 기반 두 가지 학습 스킴을 비교 평가했으며, 최종 시스템은 기존 수동 주석 대비 정확도를 2% 절대 향상시키고, 미라벨 데이터에 대한 자동 주석이 가능함을 입증한다.

상세 분석

본 논문은 임상 EEG 데이터의 라벨링 비용이 높다는 문제점을 해결하기 위해 활성학습(active learning) 프레임워크를 적용한 점이 가장 큰 특징이다. 활성학습은 모델이 현재 학습 단계에서 가장 불확실한 샘플을 선택해 전문가에게 라벨링을 요청함으로써, 최소한의 라벨링 작업으로 최대의 성능 향상을 도모한다. 연구팀은 총 6가지 EEG 이벤트(예: 스파이크, 복합 스파이크, 뇌파 전위 변화 등)를 목표 클래스로 설정하고, 초기 라벨링된 소규모 데이터셋을 기반으로 베이스라인 모델을 학습시켰다. 이후 두 가지 스킴을 도입하였다.

첫 번째인 ‘임계값 기반(threshold‑based)’ 스킴은 각 반복(iteration)마다 모델이 출력하는 신뢰도(confidence score) 분포를 분석해, 특정 임계값 이상을 자동 라벨링하고, 임계값 이하의 샘플만 전문가에게 전달한다. 초기 단계에서 임계값을 최적화함으로써 라벨링 효율을 극대화하고, 반복이 진행될수록 모델의 신뢰도가 상승해 자동 라벨링 비율이 점진적으로 증가한다.

두 번째인 ‘데이터량 기반(volume‑based)’ 스킴은 매 반복마다 사전에 정의된 라벨링 데이터 양(예: 5 % 혹은 10 %)만을 유지하고, 나머지 샘플은 자동 라벨링 혹은 폐기한다. 이 방식은 라벨링 비용을 정확히 제어할 수 있다는 장점이 있지만, 임계값 기반에 비해 불확실한 샘플이 남아 있을 가능성이 높다.

모델 아키텍처는 시간‑주파수 변환을 거친 스펙트로그램을 입력으로 하는 2‑D CNN을 기반으로 하며, 각 이벤트에 대한 다중 클래스 소프트맥스 출력을 제공한다. 활성학습 루프는 (1) 현재 모델로 전체 미라벨 데이터에 대한 예측 수행, (2) 신뢰도 점수에 따라 샘플 선택, (3) 선택된 샘플에 대해 전문가 라벨링, (4) 라벨이 추가된 데이터를 합쳐 재학습, 의 순서로 진행된다.

실험 결과, 두 스킴 모두 라벨링 비용을 30 % 이상 절감하면서도 전체 정확도를 2 % 절대 향상시켰다. 특히 임계값 기반이 데이터량 기반보다 F1‑스코어가 평균 1.8 % 높게 나타났으며, 이는 불확실도 기반 샘플 선택이 라벨링 효율을 더 잘 최적화함을 시사한다. 또한, 최종 모델은 기존에 라벨이 없던 대규모 EEG 코퍼스에 대해 자동 주석을 수행했으며, 전문가 검증을 통해 85 % 이상의 라벨 정확도를 유지함을 확인했다.

이 연구는 임상 EEG 분야에서 라벨링 비용을 크게 낮추면서도 딥러닝 기반 자동 판독 시스템의 신뢰성을 확보할 수 있음을 보여준다. 다만, 활성학습 과정에서 전문가 라벨링이 완전히 배제되지 않으며, 초기 라벨링 품질과 임계값 설정이 전체 성능에 민감하게 작용한다는 제한점도 존재한다. 향후 연구에서는 라벨링 비용을 더욱 최소화하기 위한 불확실도 추정 기법 개선, 다중 센터 데이터 통합, 그리고 실시간 임상 적용을 위한 경량 모델 설계가 필요하다.