12리드 단시간 ECG 자동 진단을 위한 딥 residual CNN

본 논문은 12리드 단시간 ECG(7~10초) 자동 진단을 위해 대규모 데이터셋 구축과 딥러닝 모델 설계를 동시에 수행한 최초의 연구 중 하나이다. 서론에서는 심혈관 질환이 전 세계 사망 원인 1위이며, ECG가 핵심 진단 도구임을 강조한다. 기존 자동 ECG 판독 시스템은 주로 1~2채널 장시간 기록에 기반한 고전적 신호 처리 방식이나 제한된 데이터셋에 의존해 왔으며, 정확도가 충분히 높지 않아 보조적 역할에 머물렀다. 최근 딥러닝이 이미지·음성 등에서 뛰어난 성과를 보이면서 의료 분야에도 적용이 확대되고 있지만, 12리드 표준 ECG에 대한 종합적인 연구는 데이터 부족과 라벨링 비용 문제로 제한되어 왔다. 이에 저자들은 텔레헬스 네트워크(TNMG)를 통해 2010~2016년 사이에 수집된 2,470,424개의 12리드 ECG 레코드를 확보하였다. 각 레코드는 7~10초 길이이며, 환자 수는 1,676,384명에 달한다. 라벨링은 자동화된 파이프라인을 구축했는데, 먼저 전문가 보고서의 자유 텍스트를 자연어 처리 기법으로 추출하고, Glasgow와 Minnesota 두 기존 자동 판독기의 결과를 규칙 기반으로 결합하였다. 라벨이 불명확하거나 충돌하는 경우, 약 34,000건을 의료학생이 직접 검토해 최종 라벨을 확정하였다(자세한 절차는 부록 A). 이렇게 구축된 라벨은 다중 라벨 형태이며, 6가지 주요 이상(1도 AV 블록, 오른쪽/왼쪽 번들 브랜치 블록, 동성 서맥, 심방 세동, 동성 빈맥)으로 구분된다. 데이터는 98%를 훈련, 2%를 검증용으로 무작위 분할했으며, 별도 테스트 셋으로는 953개의 ECG를 선정해 두 명의 4학년 레지던트가 독립적으로 라벨링하고, 의견 차이는 제3의 전문가가 최종 결정을 내렸다(부록 B). 모델 설계는 1차원 residual 네트워크를 기반으로 한다. 입력은 12채널, 4096 샘플(≈10초)이며, 첫 합성곱 층은 64개의 필터와 16 길이 커널을 사용한다. 이후 4개의 residual 블록이 순차적으로 쌓이며, 각 블록은 두 개의 합성곱 층과 스킵 연결을 포함한다. 블록마다 필터 수를 64씩 증가시키고, 스트라이드 4의 다운샘플링을 적용해 특성 맵의 시간 해상도를 점진적으로 낮춘다. 스킵 경로에는 차원 맞춤을 위해 1x1 합성곱과 MaxPooling을 삽입한다. 각 합성곱 뒤에는 배치 정규화와 ReLU, 드롭아웃을 적용해 학습 안정성과 일반화를 도모한다. 최종 출력은 6개의 시그모이드 뉴런으로 구성돼 다중 라벨을 동시에 예측한다. 손실은 클래스별 이진 교차 엔트로피 평균이며, Adam 옵티마이저(lr=0.001)로 50 epoch 학습한다. 검증 손실이 7 epoch 연속 개선되지 않을 경우 학습률을 10배 감소시키는 조기 종료 전략을 사용했으며, 검증 성능이 가장 좋았던 모델을 최종 모델로 선택했다. 성능 평가는 테스트 셋 953건에 대해 수행되었다. 모델은 모든 클래스에서 정밀도 0.87~0.99, 재현율 0.73~0.98, 특이도 0.99 이상을 기록했으며, F1 점수는 0.80~0.99 범위에 머물렀다. 특히 1도 AV 블록, RBBB, LBBB, AF, ST 등에서는 레지던트 의사보다 높은 F1 점수를 보였으며, 동성 서맥(SB)에서는 두 의료진과 비슷한 수준을 유지했다. 이는 대규모 데이터와 적절한 모델 설계가 기존 의료 전문가 수준의 진단 정확도를 달성할 수 있음을 입증한다. 논의에서는 현재 라벨링 파이프라인이 일부 수동 검토에 의존하고 있어 완전 자동화가 어려운 점, 테스트 셋 규모가 작아 외부 데이터에 대한 일반화 검증이 제한적이라는 점을 언급한다. 또한 6가지 클래스만을 대상으로 했기 때문에 실제 임상에서 요구되는 다양한 부정맥·전도장애·허혈성 변화 등을 포괄하지 못한다는 한계도 있다. 향후 연구 방향으로는 라벨링 자동화 수준을 높이고, 더 많은 진단 클래스를 포함시켜 모델을 확장하는 것이 제시된다. 텔레헬스 센터는 현재 5개 주에 1,000여 개 원격 의료기관에 서비스를 제공하고 있어, 향후 배포와 실시간 피드백을 통해 모델을 지속적으로 개선할 수 있는 기반이 마련되어 있다. 결론에서는 엔드투엔드 딥러닝이 기존 규칙 기반 ECG 판독을 대체하거나 보완할 수 있는 경쟁력 있는 대안임을 강조한다. 연간 수백만 건의 12리드 ECG가 수행되는 현실에서, 자동 진단 시스템은 의료 인력 부족 지역에서 진단 오류를 감소시키고, 환자 접근성을 향상시킬 잠재력을 가진다.