개인 맞춤형 심전도 생성 모델 ECGTwin

초록

ECGTwin은 환자별 심전도(ECG) 디지털 트윈을 생성하기 위해 두 단계로 구성된 프레임워크이다. 첫 단계에서는 대조 학습 기반 개인 베이스 추출기(Individual Base Extractor)를 이용해 참조 ECG에서 개인 고유 특징을 벡터 형태로 추출한다. 두 번째 단계에서는 확산 모델에 AdaX 조건 인젝터를 결합해 추출된 개인 특징과 목표 심장 상태(임상 보고서, 연령·성별·심박수 등)를 동시에 주입함으로써, 고품질·다양성·개인 일관성을 동시에 만족하는 ECG를 합성한다. 실험 결과, 생성된 ECG는 원본 환자 특성을 보존하면서도 다양한 병리 상태를 정확히 반영했으며, downstream ECG 자동 진단 성능을 크게 향상시켰다.

상세 분석

ECGTwin은 개인화 ECG 생성이라는 새로운 과제를 정의하고, 이를 해결하기 위해 두 가지 핵심 기술을 제시한다. 첫 번째는 대조 학습 기반 개인 베이스 추출기이다. 저자들은 MIMIC‑IV‑ECG 데이터셋에서 동일 환자의 ECG 쌍을 구성하고, 코사인 유사도를 활용한 CLIP‑유사 손실을 최적화함으로써 같은 환자에서 추출된 베이스 벡터가 서로 가깝고, 다른 환자와는 멀어지도록 학습한다. 이 과정에서 ECG를 VAE 인코더를 통해 잠재 공간(z)으로 변환한 뒤, Transformer 인코더에 조건(c_ref) 정보를 교차‑어텐션 형태로 결합한다. 이렇게 하면 베이스 벡터는 환자 고유의 전기적 패턴을 압축하면서도, 다양한 심장 상태에 대해 불변성을 유지한다.

두 번째 핵심은 AdaX Condition Injector이다. 확산 모델의 노이즈 예측기 εθ에 조건을 주입할 때, 서로 다른 특성(시간, 베이스 벡터, 목표 심장 상태)을 별도의 경로로 처리한다. 시간·베이스 경로는 Adaptive LayerNorm을 통해 스케일링 파라미터(α, β, γ)를 동적으로 생성하고, 이를 잠재 특징에 적용해 전역 정보를 균일하게 반영한다. 반면 심장 상태 경로는 임상 보고서를 토큰화하고, 각각을 768‑차원 임베딩으로 변환한 뒤, 연령·성별·심박수와 결합해 크로스‑어텐션 키‑밸류 쌍을 만든다. 이렇게 하면 모델이 특정 보고서에 집중하거나, 필요에 따라 정보를 강조·억제할 수 있다.

또한 저자들은 조건 주입을 두 단계로 분리함으로써, 서로 다른 차원과 의미를 갖는 입력이 혼합돼 모델이 혼란스러워지는 현상을 방지한다. AdaX는 프롬프트‑투‑프롬프트 편집과도 호환돼, 생성 후에도 세부 파라미터를 조정해 원하는 파형을 미세하게 수정할 수 있다.

실험에서는 ECGTwin이 기존 VQ‑VAE 기반 개인화 모델보다 정량적 지표(FID, DTW, 개인 일관성 점수)에서 우수했으며, 시각적으로도 원본 환자의 P‑wave, QRS 복합체, T‑wave 형태를 잘 보존했다. 특히, 생성된 ECG를 사용해 환자 맞춤형 자동 진단 모델을 재학습했을 때, 진단 정확도가 평균 7%p 상승하는 등 실용적 가치를 입증했다.

전체적으로 ECGTwin은 (1) 개인 특징 추출을 대조 학습으로 효과적으로 수행하고, (2) 다중 조건을 전용 경로로 명확히 구분해 주입함으로써 고품질·다양성·개인 일관성을 동시에 달성한다는 점에서 기존 연구와 차별화된다. 향후 심전도 데이터가 부족한 희귀 질환이나, 실시간 환자 모니터링 등 다양한 임상 시나리오에 적용 가능성이 크다.