뇌혈관 기형 진단을 위한 실시간 머신러닝 모델

초록

**
본 연구는 수술 중 측정된 혈류 속도와 압력 데이터를 기반으로, Sparse Identification of Nonlinear Dynamics(SINDy) 기법을 이용해 선형 강제 감쇠 진동자 모델을 실시간으로 추정한다. 추정된 세 파라미터(a, b, ε)를 로지스틱 회귀에 입력하면 동맥류·동정맥 기형·수술 후 상태를 73 % 정확도로 구분할 수 있음을 보였다. 모델은 해석 가능하고 계산량이 적어 임상 현장에서 즉시 활용 가능함을 시사한다.

**

상세 분석

**
이 논문은 기존의 고차원 비선형 라이어드(Liénard) 모델을 과도하게 복잡하게 설계한 점을 비판하고, 실제 임상 데이터에 적용 가능한 최소 모델을 탐색한다. 저자들은 혈압 p(t)와 혈류 속도 v(t) 사이의 관계를 2차 미분 형태 ¨p = f(p, ˙p, v) 로 표현하고, 후보 함수 집합 Θ에 다항식, 고차 미분항, 교차항 등을 포함한 포괄적인 라이브러리를 구축하였다. 이후 SINDy와 순차적 임계값 최소제곱(STLS) 알고리즘을 적용해 sparsity threshold η를 단계적으로 증가시켰다. η = 5.0 일 때 비선형 항이 모두 제거되어 ¨p + a ˙p + b p = ε v 라는 선형 강제 감쇠 진동자 형태가 남았다. 이 모델은 세 개의 파라미터(a, b, ε)만으로 혈압‑속도 동역학을 충분히 설명하며, 실시간(밀리초 수준) 파라미터 추정이 가능함을 실험적으로 입증했다.

파라미터 추정 정확도는 RMSE와 상대 편차(최대 24 %)로 평가되었으며, 환자 간 변동성을 충분히 포괄한다는 점에서 임상 적용 가능성을 높인다. 추정된 파라미터를 특징량으로 사용해 로지스틱 회귀 모델을 학습시켰을 때, 동맥류(AA), 동정맥 기형(AVM), 수술 후 정상 흐름 세 클래스를 73 % 정확도로 구분하였다. 데이터는 10명(AA 5명, AVM 5명)으로 제한적이지만, 짧은 시간 구간(≈5심장주기)만으로도 의미 있는 분류 성능을 달성했다는 점이 주목할 만하다.

하지만 몇 가지 한계도 존재한다. 첫째, 표본 수가 적어 과적합 위험이 남아 있다. 둘째, 현재는 침습적 도플러 가이드와이어를 이용한 직접 측정에 의존하므로, 비침습적 영상 기반 데이터와의 연계 가능성을 추가 검증해야 한다. 셋째, 로지스틱 회귀 외에 더 복잡한 비선형 분류기(예: SVM, 신경망)와의 비교가 부족하다. 마지막으로, 파라미터 ε가 혈류 강제 입력을 직접 반영하므로, 환자별 혈관 저항·탄성 특성 차이를 정량화하려면 추가적인 물리적 모델링이 필요하다.

전반적으로, SINDy 기반의 실시간 파라미터 추정과 간결한 선형 모델링이 뇌혈관 기형의 위험 평가와 수술 계획에 실용적인 도구가 될 수 있음을 보여준다. 향후 대규모 코호트와 비침습적 측정 데이터를 결합하면, 정확도 향상과 함께 예후 예측 모델로 확장될 가능성이 크다.

**