다중뷰 심초음파를 이용한 조기 심근경색 자동 검출

본 논문은 심근경색(MI) 조기 진단을 위한 새로운 자동화 파이프라인을 제시한다. 연구 배경으로는 MI가 전 세계 사망 원인 1위이며, 조기 진단이 치료 성공률을 크게 높인다는 점을 들었다. 기존 진단 방법인 ECG·혈액 마커는 민감도가 낮고, 결과가 나오기까지 시간이 오래 걸린다. 반면 2차원 초음파(심초음파)는 저비용·실시간·비침습이라는 장점으로 조기 평가에 적합하지만, 인간 전문가가 RWMA(지역 벽운동 이상)를 시각적으로 판단하는 과정은 주관적이며, 특히 단일 뷰(A4C 혹은 A2C)만으로는 병변이 보이지 않을 위험이 있다. 이에 저자들은 두 가지 주요 기여를 한다. 첫째, A4C와 A2C 두 뷰를 동시에 활용해 총 12개의 심근 세그먼트를 분석함으로써 기존 단일‑뷰 접근법의 한계를 극복한다. 둘째, ‘활성 다항식(Active Polynomials, APs)’이라는 새로운 경계 추적 기법을 도입한다. APs는 Ridge Polynomial으로 잡음이 많은 영역을 사전 제약하고, Chan‑Vese 기반 활성 컨투어를 적용해 내강 경계를 정확히 추출한다. 이후 4차 다항식 피팅을 통해 부드러운 연속 곡선을 얻어, 변위 측정의 신뢰성을 확보한다. 경계가 확보되면 좌심실을 미국 심장학회(AHA) 17‑segment 모델에 따라 12개의 분석 가능한 세그먼트로 나눈다(세그먼트 17은 제외). 각 세그먼트에 대해 5개의 등간격 포인트를 선택하고, 한 심장 주기 동안 평균 변위 Dₛₖ(t)를 계산한다. 변위 곡선은 정상에서는 수축기·이완기 전형적인 상승·감소 패턴을 보이며, MI 환자에서는 해당 세그먼트의 최대 변위가 현저히 감소한다. 저자들은 이 최대 변위값을 피처로 채택하고, A4C와 A2C에서 얻은 12개의 피처를 연결해 24차원 피처 벡터를 만든다. 다음 단계에서는 다양한 머신러닝 및 딥러닝 분류기를 비교한다. Decision Tree, Random Forest, k‑Nearest Neighbour, Support Vector Machine, 그리고 1D‑Convolutional Neural Network(1D‑CNN)를 사용했으며, 교차 검증을 통해 최적 모델을 선정한다. 실험 결과, Random Forest와 1D‑CNN가 가장 높은 성능을 보였으며, 전체 데이터셋(260개 영상, 130명 MI 환자·130명 정상)에서 90.91%의 민감도와 86.36%의 정밀도를 달성했다. 이는 기존 단일‑뷰 기반 임계값(Threshold) 방식보다 크게 향상된 수치이며, 다중‑뷰 융합이 실제 임상 상황에서 놓칠 수 있는 RWMA를 효과적으로 포착함을 증명한다. 또한, 저자들은 HMC‑QU라는 새로운 벤치마크 데이터셋을 구축하고 공개하였다. 데이터는 Kaggle에 업로드돼 누구나 다운로드·재현이 가능하며, 코드 역시 GitHub(https://github.com/degerliaysen/MultiEchoAI)에서 제공한다. 이는 초음파 기반 MI 진단 연구의 투명성과 확장성을 크게 높이는 조치이다. 논문의 제한점으로는 피처가 최대 변위 하나에만 의존해 시간적 동역학 전체를 활용하지 못한다는 점, 12세그먼트만을 사용해 심근 전체를 완전하게 커버하지 못한다는 점, 그리고 현재는 두 뷰만을 고려했으므로 장축·단축 등 추가 뷰를 포함하면 더욱 강인한 모델이 될 가능성이 있다는 점을 언급한다. 향후 연구에서는 변위 곡선의 주파수·스펙트럼 분석, 시계열 딥러닝(LSTM, Transformer) 모델 적용, 그리고 ECG·바이오마커와의 멀티‑모달 융합을 통해 진단 정확도와 임상 적용성을 높일 수 있을 것으로 기대한다.