VAE 오류 학습을 통한 심근 흉터 진단 지원 연구
Learning from VAE Errors to support ECG-based Differential Diagnosis of Myocardial Scar
arXiv심장 MRI 같은 고가 장비 대신, 인공지능(AI)을 활용해 일반적인 심전도(ECG) 신호만으로 심근 흉터 진단을 시도한 연구입니다.
- 연구진은 $\beta$-VAE 모델이 추출한 ECG의 재구성 오차는 흉터 환자와 정상군 간에 통계적으로 유의미한 차이를 보임을 확인했습니다.
- 이는 심장 MRI 접근성이 낮은 환경에서도 일상적인 ECG만으로도 흉터 관련 변화를 감지할 수 있는 새로운 진단 마커로서의 가능성을 제시합니다.
- 다만, 현재 연구 결과는 AUC가 0.6~0.7 수준에 머물러 있어, 실제 임상 적용을 위해서는 대규모 데이터와 추가 검증이 필수적입니다.
심장 자기공명영상(MRI)의 Late Gadolinium Enhancement (LGE)는 심근 흉터의 주요 지표이지만 접근성이 제한적입니다. 이에 따라, 연구진은 $\beta$-variational autoencoder ($\beta$-VAE)를 활용하여 일반적인 심전도(ECG) 신호만으로 LGE+와 LGE- 심장병 환자를 구별할 수 있는지 평가했습니다.
연구에서는 300명의 지역 코호트를 대상으로, 기존의 foundation model에서 추출한 32차원 특징과 정상 PTB-XL ECG로 학습된 $\beta$-VAE의 특징을 비교 분석했습니다. Random Forest를 사용했을 때 foundation model은 AUC 0.686을 기록했으며, 제안된 $\beta$-VAE는 Gradient Boosting을 통해 AUC 0.577(민감도 0.775)을 달성했습니다.
특히 Dynamic Time Warping (DTW)-재구성 오차를 분석한 결과, Mann-Whitney U 검정 결과 12개 리드 중 10개에서 클래스 간에 유의미한 차이를 보였습니다. 이 재구성 오차는 로지스틱 회귀(Logistic Regression)와 결합하여 AUC 0.643을 달성하며, 심근 흉터 관련 ECG 변화 마커로서의 잠재력을 입증했습니다.