동반 수면 장애 단계 분류에서의 AI 일반화 격차 연구

섹션별 상세

기존의 자동화된 수면 단계 분류 모델은 건강한 피험자 데이터에 편중되어 있어 수면 구조가 파괴된 실제 환자군에서는 성능이 급격히 저하된다.

연구진은 허혈성 뇌졸중 환자의 뇌파 데이터를 포함한 iSLEEPS 데이터셋을 새롭게 구축하여 모델의 임상 적용 가능성을 정밀하게 평가했다.

SE-ResNet과 bidirectional LSTM을 결합한 모델을 단일 채널 EEG 데이터에 적용했을 때, 건강한 군과 환자 군 사이의 교차 도메인 성능이 매우 낮게 나타났다.

Grad-CAM 시각화 분석을 통해 모델이 환자 데이터에서 수면 단계와 무관한 노이즈나 비정상적 패턴에 주의를 기울이는 해석의 오류가 증명됐다.

통계적 분석 결과 뇌졸중 환자와 건강한 대조군 사이의 수면 아키텍처 자체가 유의미하게 다르므로 범용 모델보다는 질환 인지형 모델 설계가 필요하다.

수면 다원 검사(PSG): — 수면 중 발생하는 뇌파, 안구 운동, 근육의 긴장도 등을 종합적으로 기록하여 수면 단계를 판정하는 표준 검사법이다. 정확도가 높지만 비용이 많이 들고 전문가의 수동 점수가 필요해 자동화 요구가 높다.
경사 가중치 클래스 활성화 맵(Grad-CAM): — 딥러닝 모델이 특정 결정을 내릴 때 입력 데이터의 어느 부분에 가중치를 두었는지 시각화하는 기법이다. 모델의 판단 근거를 해석하여 의학적 타당성을 검증하는 데 주로 사용된다.
일반화 격차(Generalisation Gap): — 학습 데이터셋에서는 높은 성능을 보이는 모델이 실제 환경이나 새로운 데이터군에서 성능이 급격히 떨어지는 현상이다. 의료 AI에서는 건강한 피험자 데이터로 학습한 모델이 환자군에 적용될 때 자주 발생한다.
스퀴즈-앤-엑사이테이션 레즈넷(SE-ResNet): — 기존 ResNet 구조에 채널 간의 상호의존성을 모델링하는 SE 블록을 추가한 신경망이다. 중요한 특징 맵의 가중치를 높이고 덜 중요한 것은 억제하여 특징 추출 능력을 강화한다.