실제 환경에서 입술구개열 연관 구개기능장애 선별을 위한 견고한 비음성 표현 학습

본 연구는 입술구개열 환자에서 흔히 동반되는 구개기능장애(VPD)를 음성만으로 자동 선별하는 시스템을 개발하고, 특히 실제 현장(소비자 디바이스, 다양한 환경)에서 발생하는 도메인 쉬프트에 강인한 모델을 제시한다. 기존 연구들은 임상 실험실 수준의 표준화된 녹음 환경에서 높은 정확도를 보였지만, 녹음 장치·채널·배경 소음·실내 음향 등 현실적인 변수에 의해 성능이 급격히 저하되는 문제를 안고 있었다. 이러한 문제는 모델이 병리학적 신호보다 녹음 환경에 특화된 ‘단축 신호’를 학습함으로써 발생한다는 점에서, 의료 AI의 신뢰성을 크게 저해한다. 이에 저자들은 두 단계 프레임워크를 설계하였다. 첫 번째 단계는 ‘비음성(코소리) 특화 표현 학습’이다. 이를 위해 LibriSpeech Alignments 데이터베이스에서 모음 중심 0.2초 구간을 추출하고, 해당 모음의 좌·우측 자음이 구강(oral)인지 비음(nasal)인지에 따라 ‘oral‑context’와 ‘nasal‑context’ 라벨을 부여한다. 같은 화자·같은 모음 내에서만 양성 쌍을 구성하고, 교차 모음 비교는 제외하는 ‘모음 제한 supervised contrastive loss’를 적용한다. 이렇게 하면 화자와 발음 내용에 의한 혼동을 최소화하면서, 비음성·구강성 차이에 집중하는 임베딩을 학습할 수 있다. 인코더는 wav2vec 2.0‑Large‑960h를 백본으로 사용한다. 전체 트랜스포머 레이어 중 앞부분(L‑4)은 고정하고, 마지막 네 레이어와 레이어‑퓨전 가중치, 그리고 256‑차원 투사 헤드만 미세조정한다. 결과 임베딩은 ℓ2 정규화되어 코사인 유사도로 비교된다. 두 번째 단계에서는 고정된 인코더를 특징 추출기로 활용한다. 모든 녹음은 0.5초 청크로 나누고, 청크마다 경량 분류기(LR, SVM, MLP, XGBoost 등)를 적용해 VPD 존재 확률을 추정한다. 청크‑레벨 확률을 평균 집계하여 녹음‑레벨 최종 판정을 내리며, 이때 고정된 임계값을 사용한다. 이렇게 하면 도메인 적응 없이도 일관된 판단이 가능하다. 실험은 두 데이터셋을 이용해 수행되었다. 인‑도메인(임상) 데이터는 82명의 환자(44명 VPD, 38명 정상)로 구성되었으며, 0.5초 청크당 평균 4~5개의 녹음이 존재한다. 이 데이터에서 제안 모델은 매크로‑F1과 정확도 모두 1.000을 기록, 완벽한 성능을 보였다. 반면, 대규모 사전학습 모델(wav2vec 2.0, HuBERT, Whisper 등)은 도메인 쉬프트에 취약해 성능이 크게 떨어졌다. 외부 도메인(OOD) 테스트는 공개 인터넷에서 수집한 131개의 녹음(70 정상, 61 VPD)으로 구성되었다. 이 데이터는 녹음 장치·환경·화자 정보가 다양하고, 라벨링도 동일 프로토콜에 따라 이루어졌다. 여기서 기존 MFCC 기반 베이스라인은 매크로‑F1 0.612, 정확도 0.641을 기록했으며, 대규모 사전학습 모델은 이보다 낮은 성능을 보였다. 제안 방법은 매크로‑F1 0.679, 정확도 0.695를 달성해 가장 높은 성능을 기록했고, MFCC 대비 각각 +0.067, +0.054의 향상을 보였다(p‑value 수준에서 통계적 유의미성은 논문에 명시). 또한, 데이터 전처리 단계에서 0.5초보다 짧은 청크는 기존의 제로패딩이 아니라 기존 오디오를 반복 타일링하는 방식으로 보완해, 짧은 발화에서도 충분한 스펙트럼 정보를 유지하도록 설계했다. 이는 모바일 디바이스에서 흔히 발생하는 짧은 발화 상황에 대한 견고성을 높이는 실용적 조치이다. 결론적으로, 비음성 특화 사전학습을 통해 병리학적 신호와 무관한 녹음 환경 잡음에 대한 의존도를 낮추고, 고정된 인코더와 경량 분류기·확률 집계 방식을 결합함으로써, 임상 실험실 수준의 높은 정확도를 유지하면서도 실제 현장(소비자 디바이스, 다양한 배경 소음)에서의 일반화 능력을 크게 향상시켰다. 이는 디지털 헬스케어 분야에서 AI 기반 스크리닝 도구를 안전하게 배포하기 위한 중요한 설계 원칙을 제시한다.