심장 이벤트 예측을 위한 ECG 언어 모델 CAMEL

초록

CAMEL은 ECG 신호와 텍스트를 동시에 이해하도록 설계된 특수 인코더와 LoRA 기반 파인튜닝, 단계적 학습 커리큘럼을 결합한 최초의 ECG 언어 모델이다. 장시간 ECG 데이터를 입력으로 받아 향후 부정맥 등 심장 이벤트를 예측할 수 있으며, 6가지 과제와 9개 데이터셋에서 제로샷 성능을 입증한다. 특히 새로 만든 ECGForecastBench에서 기존 완전 지도 모델보다 12.4%·제로샷 ELM보다 21.1% 높은 정확도를 기록하고, ECGBench에서도 평균 7.0%p 상승한 SOTA를 달성한다.

상세 분석

CAMEL의 핵심은 “ECG‑텍스트 교차 이해”를 가능하게 하는 전용 ECG 인코더이다. 기존 ELM이 짧은 파형을 토큰화해 텍스트와 매핑하는 데 그쳤다면, CAMEL은 30초 이상 길이의 연속 신호를 멀티스케일 컨볼루션과 트랜스포머 기반 시퀀스 인코더로 압축하고, 이를 텍스트 임베딩과 동일 차원으로 정렬한다. 이렇게 정렬된 표현은 대형 언어 모델(LLM)과 직접 결합돼, “심전도 → 진단 보고서 → 예후 예측”이라는 일련의 추론 흐름을 자연어 형태로 수행한다.

학습 단계에서는 LoRA(Low‑Rank Adaptation)를 활용해 대규모 LLM의 파라미터를 효율적으로 조정한다. LoRA는 기존 가중치에 저차원 업데이트를 더함으로써 메모리와 연산 비용을 크게 절감하면서도 성능 저하를 방지한다. CAMEL은 이를 ECG 인코더와 텍스트 디코더 사이에 삽입해, 두 모달리티 간의 교차 어텐션을 저비용으로 학습한다.

커리큘럼 학습은 세 단계로 구성된다. 첫 번째 단계는 전통적인 ECG 분류(예: 정상 vs. 부정맥)로 기본 표현을 학습한다. 두 번째 단계에서는 심전도 파라미터(QT, PR, QRS 등) 계산과 같은 정량적 메트릭을 출력하도록 지도한다. 마지막 단계에서는 다중 턴 대화 형식으로 “환자 A의 최근 10분 ECG를 기반으로 1시간 뒤 부정맥 발생 가능성을 알려줘”와 같은 복합 질의를 제시해, 모델이 시계열 예측과 논리적 추론을 동시에 수행하도록 훈련한다. 이러한 단계적 접근은 모델이 단순 분류를 넘어 시계열 예측 능력을 자연스럽게 습득하게 만든다.

평가에서는 새로 제시한 ECGForecastBench를 포함해 9개 공개 데이터셋(PTB‑XL, Chapman, CPSC 등)에서 제로샷 설정으로 테스트했다. CAMEL은 평균 정확도·AUROC에서 기존 ELM(Zero‑Shot ECG‑BERT 등)보다 15~22%p 상승했으며, 완전 지도 기반 딥러닝 모델(ResNet‑1D, ConvTransformer 등)과도 경쟁하거나 이를 능가했다. 특히 장기 예측(30초 → 5분, 1시간) 상황에서 시간적 디코딩 오류가 크게 감소했으며, 이는 ECG 인코더가 장기 의존성을 효과적으로 포착했음을 의미한다.

한계점으로는 현재 모델이 30초~2분 길이의 신호에 최적화돼 있어, 수시간 이상 연속 기록에는 추가적인 메모리 최적화가 필요하다. 또한, 훈련에 사용된 라벨이 주로 미국·유럽 데이터에 국한돼 있어, 아시아·아프리카 지역의 특수 리듬 변이에는 일반화 성능 검증이 부족하다. 향후 연구에서는 멀티모달 데이터(임상 메타데이터, 영상)와 결합한 전이 학습, 그리고 연속 모니터링 환경에서 실시간 추론을 위한 경량화 모델 설계가 기대된다.