시간 간격 가중치를 활용한 PPG 기반 바이오마커 예측

초록

스마트워치 PPG 신호와 임상 검체 사이의 시간 차이를 가중치로 활용해, 희소한 라벨에도 효과적으로 학습하는 ‘가중 시간 감쇠 손실’ 방법을 제안한다. 10가지 바이오마커에 대해 450명 데이터를 사용한 실험에서, 기존 셀프‑슈퍼바이즈드 모델(0.674 AUPRC)과 전통적인 랜덤 포레스트(0.626 AUPRC)를 능가하는 0.715 AUPRC를 달성하였다. 선형 감쇠 함수가 가장 안정적이며, 학습된 감쇠율은 각 바이오마커의 시간 민감도를 해석하는 지표로 활용될 수 있다.

상세 분석

본 논문은 웨어러블 PPG 데이터를 임상 라벨과 연결할 때 발생하는 ‘시간적 라벨 노이즈’를 정량화하고, 이를 손실 함수에 직접 반영하는 새로운 학습 프레임워크를 제시한다. 핵심 아이디어는 각 PPG 세그먼트와 가장 가까운 라벨 간의 시간 차이 Δt(일)를 입력으로, 바이오마커별 학습 가능한 감쇠 파라미터 α̂_b를 통해 가중치 w_i = g(α̂_b·Δt_i) 를 계산하고, 이를 가중 이진 교차 엔트로피 손실에 곱해 학습한다는 점이다. 여기서 g(·)는 단조 감소 함수이며, 실험에서는 선형, 지수, 역함수, 코사인 스케줄 네 가지 형태를 비교하였다. 선형 감쇠가 평균 성능에서 가장 우수했으며, 이는 Δt가 커질수록 가중치가 일정하게 감소해 과도한 멀리 떨어진 샘플이 학습에 미치는 영향을 효과적으로 억제하기 때문이다.

손실 함수에는 평균 가중치 보너스 λ·(1/N)∑w_i 를 빼는 정규화 항을 추가해, α̂_b가 무한히 크게 학습되어 w_i≈0이 되는 퇴보 현상을 방지한다. λ는 0.5로 고정했으며, 이는 실험 전반에 걸쳐 동일하게 적용되어 하이퍼파라미터 튜닝 부담을 크게 낮춘다. 중요한 점은 이 가중치가 학습 단계에서만 사용되고, 추론 시에는 원본 네트워크만 적용되므로 실시간 추론 비용이 전혀 증가하지 않는다.

데이터 측면에서 저자는 2024‑2025년 사이에 수집된 삼성 갤럭시 워치 6의 녹색 PPG(25 Hz)를 10 초 비중첩 세그먼트로 나누고, 신호 품질 지수(SQI)를 통해 저품질 구간을 제거하였다. 이후 0.5‑5 Hz 밴드패스와 Z‑스코어 정규화를 적용했다. 라벨은 10가지 바이오마커(콜레스테롤, 트리글리세리드, HbA1c, 헤모글로빈, CO₂, 염소, 칼륨, 나트륨, 백혈구, 혈소판) 중 상위·하위 25 %를 각각 양·음 클래스로 정의했으며, 라벨과의 시간 차이가 30일을 초과하는 세그먼트는 배제하였다.

모델은 5‑fold 교차 검증을 수행했으며, 베이스라인으로는 34개의 수공학 특징을 이용한 랜덤 포레스트와, 대규모 PPG 데이터에 사전 학습된 PAPAGEI(자기 지도 학습) 모델을 사용하였다. PAPAGEI는 동일한 인코더와 분류 헤드를 사용했지만 손실만 가중 시간 감쇠 손실로 교체하였다. 결과는 평균 AUROC 0.712, AUPRC 0.715로, PAPAGEI(FT) 0.660/0.674, RF 0.599/0.626을 크게 앞섰다. 특히 빠른 동태를 보이는 칼륨(0.724 AUROC)과 백혈구(0.843 AUROC)에서 두드러진 향상이 관찰되었다.

추가 실험에서는 감쇠 함수를 고정하고 학습 가능한 α̂_b만 제거한 경우 AUROC 0.676, AUPRC 0.694로 성능이 감소했으며, 시간 가중치 손실 자체를 제거하면 베이스라인 수준(0.660/0.674)으로 떨어졌다. 이는 Δt 기반 가중치가 전체 성능 향상의 주된 원천이며, 바이오마커별 감쇠율 학습이 부가적인 이득을 제공한다는 것을 의미한다.

한계점으로는 모든 바이오마커에 동일한 30일 윈도우를 적용했으며, 실제 임상 현장에서는 바이오마커마다 최적 윈도우가 다를 수 있다. 또한 단일 디바이스와 단일 의료 시스템 데이터에 국한되어 있어, 다른 센서 하드웨어나 인구통계학적 특성에 대한 일반화 검증이 필요하다. 향후 연구에서는 윈도우 길이 자체를 학습 가능한 파라미터로 두거나, 멀티‑모달(심박수, 가속도 등) 정보를 결합해 성능을 더욱 향상시킬 여지가 있다.

전반적으로 이 논문은 ‘시간적 라벨 신뢰도’를 정량화해 손실에 반영함으로써, 희소하고 시차가 큰 임상 라벨을 효과적으로 활용하는 새로운 패러다임을 제시한다. 학습 가능한 감쇠 파라미터는 각 바이오마커의 생리학적 시간 민감도를 해석 가능한 형태로 제공하므로, 임상적 인사이트 도출에도 기여할 수 있다.