병리 인식 다중 뷰 대조 학습을 통한 환자 독립 ECG 재구성

본 논문은 12‑리드 ECG를 제한된 리드(Ⅰ, Ⅱ, V₂)만으로 복원하는 문제를, 해부학적 변이와 환자‑특이적 노이즈에 강인한 병리‑인식 다중 뷰 대조 학습(Pathology‑Aware Multi‑View Contrastive Learning, PAMV‑CL) 프레임워크로 해결한다. 기존의 선형 변환(Dower matrix)이나 단순 딥러닝 매핑은 환자 간 해부학적 차이(A(s))를 평균화함으로써 고주파 진단 정보를 소실시키는 “regression to the mean” 현상을 보였다. 이를 극복하기 위해 저자는 두 가지 주요 전략을 도입한다. 첫째, ECG 파형 자체와 병리 라벨을 결합한 두 개의 뷰를 동시에 학습한다. 파형은 0.5–45 Hz 대역의 필터링·세그멘테이션을 거쳐 256 샘플(≈2.56 s) 윈도우로 나뉘며, I, II, V₂ 3리드가 입력으로 사용된다. 둘째, 병리 라벨(l)을 이용해 supervised contrastive loss \(L_{sc}\)를 적용, 임베딩 h가 같은 병리 그룹 내에서는 가까이, 다른 그룹 간에는 멀리 배치되도록 한다. 이 과정에서 라벨 확신도가 80 % 이상인 샘플만을 사용해 라벨 노이즈를 최소화하였다. 학습된 임베딩 h는 ℓ₂ 정규화된 z로 투사된 뒤, 파형 \(\hat{x}\)와 함께 128‑채널 시계열로 변환된다. 두 텐서는 차원(256×256)으로 스택되어 1‑D Conv 레이어와 경량 Temporal Decoder에 입력된다. 디코더는 각 목표 리드(V₁, V₃‑V₆)마다 독립적으로 설계되어, 파형의 시간적 특성과 병리‑특이적 정보를 동시에 활용해 고해상도 전극 파형을 재구성한다. 손실 함수는 MSE와 MAE의 가중합으로, 큰 오차에 민감하면서도 이상치에 대한 안정성을 제공한다. 실험은 PTB‑XL 데이터셋을 환자‑단위로 8/1/1 (train/val/test) 분할해 수행하였다. 입력 리드 I, II, V₂를 사용해 V₁ 및 V₃‑V₆를 복원했으며, Baseline(C) 모델(파형만 사용)과 Proposed(C‑h) 모델(파형+임베딩) 간 성능을 비교했다. 결과는 모든 리드에서 RMSE가 평균 12.2 % 감소하고, R²가 평균 9.9 % 상승했으며, 특히 전이 구역(V₃‑V₄)에서 R²가 11‑13 % 향상되었다. 병리‑인식 임베딩이 실제로 라벨 기반 클러스터를 형성한다는 것을 k‑NN 친밀도 행렬(k=10)로 시각화했으며, h의 대각선 평균이 0.837로 크게 향상된 것을 확인했다. 또한, Rajotte et al. (2022)와의 환자‑독립 기록‑레벨 비교에서 평균 RMSE 0.084 → 0.082 (76 % 감소)와 R² 0.752 → 0.839 (6.6 % 상승)을 기록했으며, 파라미터 수는 239 K로 기존 모델과 비슷했다. 교차‑데이터셋 평가에서는 PTB Diagnostic 데이터베이스에 대해 평균 RMSE 0.095 mV, Pearson 0.887을 달성했으며, 이는 동일 입력 조건에서 Smith et al. (2021)의 0.173 mV보다 현저히 낮은 수치이다. 논문의 주요 기여는 (1) 병리‑인식 임베딩을 통해 해부학적 변이를 억제하고, (2) 다중 뷰 융합으로 시간‑도메인 파형과 병리 정보를 동시에 활용해 고품질 ECG 재구성을 구현한 점이다. 한계로는 라벨 품질에 대한 의존성, 희귀 병리에서의 클러스터링 효과 감소 가능성, 현재는 3리드 입력에 최적화돼 있어 다른 리드 조합에 대한 일반화 검증이 부족함을 들 수 있다. 그럼에도 불구하고, 0.035 ms의 초저지연 추론 속도와 239 K 파라미터라는 경량 설계는 웨어러블 및 실시간 진단 시스템에 바로 적용 가능함을 시사한다. 결론적으로, PAMV‑CL은 환자‑독립 ECG 재구성에서 정확도와 효율성을 동시에 달성한 혁신적 접근법으로, 향후 다양한 임상 환경과 다중 모달(예: ECG‑MRI 연계) 연구에 확장될 잠재력을 가지고 있다.