기관지가 좁아지면서 발생하는 이상 호흡음을 감지하는 인공지능(AI)이 학습된 환경에서만 높은 성능을 발휘하는 한계를 극복하고 새로운 환경에서도 성능을 일관되게 유지하는 고도화된 모델이 나왔다.
분당서울대병원 소아청소년과 김경훈 교수팀(제1저자 광주과학기술원 김준우 박사후연구원)은 기존 학습 환경과 의료기기, 환자 연령 등이 서로 다른 조건에서 수집된 호흡음에서도 천명음(쌕쌕거림)을 정밀하게 구분할 수 있는 AI 모델을 개발했다고 밝혔다.
천명음은 천식 환자에서 흔히 나타나는 증상으로, 공기의 통로인 기도가 좁아져 압력에 의해 숨을 쉴 때마다 나는 고음의 쌕쌕거리는 호흡음이다. 특히 소아의 경우 성인보다 구조적으로 기도가 좁아 호흡기질환에 취약한 만큼 천명음을 정확하고 신속하게 감지해 천식 등 호흡기질환을 조기 진단하는 것이 매우 중요하다.
이에 AI 기술의 비약적인 발전과 함께 환자의 호흡음을 분석해 천명음과 같은 비정상적 숨소리를 가려내는 인공지능 모델이 잇달아 등장하고 있다.
문제는 호흡음이 △의료기기 △청진 위치 △환자 연령 및 성별 등 환경적 요소인 ‘메타데이터’에 따라 크게 변동될 뿐 아니라 각 요소가 미치는 영향이 다른데도 불구하고, 기존의 AI 모델들은 이를 충분히 고려하지 않았다는 점이다. 이로 인해 AI가 이상 호흡음의 본질적 특성을 제대로 학습하지 못해 환경이 바뀌면 성능이 떨어지는 한계가 있었다.
이를 해결하기 위해 연구팀은 메타데이터의 영향력 차이를 훈련 과정에 효과적으로 반영하는 두 가지 기법을 제시했다. 하나는 메타데이터별 중요도를 AI가 자동으로 판단해 학습 비중을 조정하는 ‘적응형 메타데이터 모델’이며, 다른 하나는 해당 작업을 연구자가 수동으로 수행하는 ‘메타데이터 활용 모델’이다.
연구팀은 자체 개발한 두 모델이 메타데이터가 완전히 다른 상황에서도 성능을 안정적으로 유지하는지 검증하고자 했다. 소아 환자만을 대상으로 하는 분당서울대병원 호흡음 데이터(총 2,134개)와 환자 연령 등이 다양한 국제 공공데이터(ICBHI, 총 6,898개)를 훈련용 및 테스트용으로 나눠 AI에 학습시킨 다음 천명음 감지 정확도를 평가했다.
그 결과 적응형 메타데이터 모델의 평균 정확도는 84.97%로 기존 모델(79.14%) 대비 약 7.37% 높게 나타났으며, 메타데이터 활용 모델은 84.58%로 확인됐다. 이는 AI가 환경에 따라 동적으로 가중치를 조정하는 적응형 메타데이터 모델이 효율성과 실용성은 물론 성능 측면에서도 우수함을 입증한다.
이번 연구는 새로운 데이터가 끊임없이 유입되는 현실을 반영해 환경 변화에 맞춰 학습 비중을 유연하게 조절하는 기술을 제시함으로써 실제 임상 현장에 적용 가능한 수준으로 AI 모델을 고도화했다는 점에서 의의가 크다.
김경훈 교수(교신저자)는 “청진은 이제 의사의 주관적 판단에 의존하던 단계에서 벗어나 AI 기반의 정량적 진단 체계로 전환되고 있다”며, “이번 연구는 의료 현장에서 소아 천식을 비롯한 호흡기질환을 조기 진단하고 모니터링할 수 있는 표준화된 AI 청진 시스템을 구축하는 데 기여할 것”이라고 밝혔다.
한편 이번 연구는 서울대학교에서 연구비를 지원받아 수행됐으며, 의료 정보 분야 저명 국제학술지 ‘IEEE Journal of Biomedical and Health Informatics(IF: 6.8)’에 게재됐다.
