식도 운동 장애의 멀티모달 그래프 기반 분류

고해상도 임피던스 마노메트리 (High-Resolution Impedance Manometry, HRIM) 데이터의 복잡성과 임상적 해석의 가변성으로 인해 식도 운동 장애를 진단하는 데는 상당한 어려움이 따릅니다. 본 연구는 HRIM 기록을 환자별 정보와 결합하고 식도 생리학의 그래프 기반 모델링 (graph-based modeling)을 통합하는 멀티모달 머신러닝 (Machine Learning, ML) 기반 분류 접근 방식의 타당성을 탐구합니다. 우리는 식도 운동 장애를 가진 104명의 환자로부터 얻은 HRIM 기록과 그에 상응하는 환자 정보를 분석합니다. 환자 데이터에는 인구통계학적, 임상적 정보 및 키워드 탐지와 대규모 언어 모델 (Large Language Model, LLM) 기반 처리를 통해 구조화된 설문지와 자유 형식의 노트에서 추출한 증상 정보가 포함됩니다. HRIM 데이터는 시공간 그래프 (spatio-temporal graphs)로 표현되며, 여기서 노드 (nodes)는 식도를 따라 측정된 압력 값에 대응하고 엣지 (edges)는 공간적 인접성과 임피던스 역학 (impedance dynamics)을 인코딩합니다. 생리학적으로 의미 있는 표현 (representations)을 학습하기 위해 그래프 신경망 (Graph Neural Network, GNN)이 적용되며, 이는 연하 (swallow) 이벤트의 다중 범주, 다중 클래스 분류를 위해 환자 임베딩 (patient embeddings)과 융합됩니다. 환자 특징과 그래프 기반 모델링의 영향은 절제 연구 (ablation studies) 및 비전 기반 분류기 (vision-based classifier) 베이스라인과의 비교를 통해 평가됩니다. 제안된 멀티모달 접근 방식은 모든 분류 범주에서 HRIM 유도 특징에만 의존하는 모델보다 개선된 성능을 보여줍니다. 또한, 그래프 기반 모델링은 비전 기반 베이스라인과 비교하여 이점을 제공합니다. 우리의 실험은 여러 모달리티 (modalities)의 상호 보완적인 기여를 체계적으로 평가하며, 제안된 그래프 기반 접근 방식의 타당성을 입증합니다. 초기 연구 결과는 환자 수준의 데이터와 HRIM 신호의 그래프 기반 표현을 통합하는 것이 식도 운동 장애의 더 정확한 분류를 위한 유망한 방향임을 보여줍니다.