희귀 심장 질환 진단을 위한 ECG 제로샷 학습의 가능성과 기술적 한계

초록

희귀 심장 질환의 자동 진단은 훈련 데이터 부족으로 어려움이 있다. 제로샷 학습(Zero-shot learning, ZSL)은 훈련 데이터에 없는 클래스를 예측할 수 있어 이러한 문제의 잠재적 해결책으로 제시된다. 본 연구는 트랜스포머 기반 ECG 인코더와 PubMedBERT를 활용하여 ECG 신호와 질환 설명을 공통 공간에 정렬하는 프레임워크를 제안한다. PTB-XL 데이터셋(21,837개 ECG, 71개 진단)을 45개 관찰 클래스와 26개 보이지 않은 클래스로 분할하여 5-fold 교차 검증한 결과, 보이지 않은 클래스에서 18.3±2.1%, 관찰된 클래스에서 73.5±1.8%의 정확도를 달성했으며 조화 평균(H-score)에서 기존 방법 대비 37.6%의 상대적 개선을 보였다(p<0.01). 그러나 생명을 위협하는 질환인 심실빈맥과 심실세동에서 12.5%의 낮은 민감도가 관찰되어 민감도 개선이 최우선 연구 과제임을 확인하였다. 본 연구는 ECG 분야 제로샷 학습의 체계적 적용을 탐색한 최초 연구로서 초기 기준선(18.3%)을 제시하며, 향후 퓨샷 학습과 다중 모달 학습이 유망한 연구 방향으로 제시된다.

키워드