파킨슨병 및 독립형 REM수면 행동장애를 위한 범용 딥러닝 수면 단계 자동화

초록

본 연구는 대규모 비신경퇴행성 PSG 데이터셋으로 사전학습된 U‑Sleep 모델을 파킨슨병(PD) 및 독립형 REM수면 행동장애(iRBD) 환자에게 적용하기 위해 미세조정(fine‑tuning)하고, 다기관 검증을 통해 일반화 성능을 평가하였다. 사전학습 모델은 원본 비신경퇴행성 데이터에서 평균 κ=0.81을 기록했지만, PD/iRBD 데이터에 바로 적용했을 때 κ=0.66으로 감소하였다. 미세조정 후 κ=0.74(통계적으로 유의)로 향상되었으며, 독립 검증군(DCSM)에서도 평균 κ가 0.60→0.64, 중앙값 κ가 0.64→0.69로 개선되었다. 낮은 합의(κ<0.6)를 보인 에포크에 대해 두 번째 인간 평가자를 투입한 결과, 인간 간 합의도 낮아 모델·인간 간 차이가 데이터의 본질적 어려움에서 기인함을 확인했다. 또한, 신뢰도 기반 임계값을 적용해 REM 수면 에포크의 정확도를 85%에서 95.5%로 높였으며, 95% 이상의 피험자에게 최소 5분 이상의 REM을 유지하도록 했다.

상세 분석

이 논문은 신경퇴행성 질환 환자에서 흔히 나타나는 EEG 파형 이상과 수면 파편화가 수동 수면 단계 판독을 어렵게 만든다는 임상적 문제를 해결하고자 한다. 기존 U‑Sleep 모델은 19,236건의 비신경퇴행성 PSG 데이터를 12개 센터에서 수집해 사전학습했으며, 이는 다양한 장비와 프로토콜을 포괄하는 강력한 기반을 제공한다. 그러나 바로 PD·iRBD 코호트에 적용했을 때 κ가 0.66으로 급격히 떨어진 점은, 신경퇴행성 환자의 특수한 전기생리학적 패턴이 모델의 일반화 한계를 드러낸다.

연구팀은 두 개의 연구센터(PACE, CBC)에서 각각 112명 PD, 138명 iRBD, 89명 연령 매칭 대조군을 포함한 339건의 PSG 데이터를 활용해 전이 학습을 수행하였다. 미세조정 과정에서는 전체 네트워크 파라미터를 재학습시키는 것이 아니라, 마지막 몇 개 레이어와 배치 정규화 파라미터만을 조정함으로써 데이터 양이 제한된 상황에서도 과적합을 방지했다. 결과적으로 κ가 0.74로 상승했으며, 통계적 유의성(p<0.001)을 확보했다.

다음 단계로, 독립적인 DCSM 코호트(81명 PD, 36명 iRBD, 87명 대조군)에서 외부 검증을 진행했다. 여기서 평균 κ는 0.60→0.64, 중앙값 κ는 0.64→0.69로 개선됐으며, 이는 모델이 새로운 장비와 프로토콜에서도 일정 수준 이상의 일관성을 유지함을 의미한다.

특히, 모델·인간 스코어러 간 κ<0.6인 에포크를 재평가한 결과, 두 인간 스코어러 간에도 κ가 낮아 인간 간 변동성이 큰 구간임을 확인했다. 이는 모델이 ‘실수’를 범한 것이 아니라, 해당 구간 자체가 판독 난이도가 높다는 근거가 된다.

마지막으로, 모델이 출력하는 각 에포크의 신뢰도 점수를 활용해 REM 단계에 대한 임계값을 설정하였다. 신뢰도가 높은 에포크만을 선택하면 REM 정확도가 85%에서 95.5%로 급격히 상승했으며, 전체 피험자 중 95%가 최소 5분 이상의 REM을 확보했다. 이는 임상 현장에서 REM 수면을 정밀하게 추적하고, iRBD와 같은 REM 관련 질환을 조기에 탐지하는 데 실질적인 가치를 제공한다.

전반적으로, 대규모 비신경퇴행성 데이터에 기반한 사전학습 → 신경퇴행성 특화 미세조정 → 다기관 외부 검증이라는 체계적인 접근이 모델의 일반화와 실용성을 동시에 확보했음을 보여준다. 향후 연구에서는 실시간 스트리밍 PSG 데이터에 적용하거나, 다른 신경퇴행성 질환(예: 알츠하이머)에도 확장하는 방안을 모색할 수 있다.