합성 데이터를 활용한 사전 학습을 통한 ECG 분류 성능 향상

심층 신경망 (Deep Neural Networks, DNNs)은 일반적으로 효과적인 학습을 위해 방대한 데이터셋을 필요로 합니다. 의료 분야에서는 개인정보 보호 문제와 특정 질병의 희귀성으로 인해 대규모 데이터를 확보하는 것이 종종 어렵습니다. 이러한 데이터 부족 문제를 해결하기 위해, 본 연구에서는 도메인 특화 의료 지식을 기반으로 생성된 합성 데이터 (synthetic data)를 사용하여 DNN 모델을 학습시키는 효용성을 조사합니다. 구체적으로, 우리는 단일 유도 II ECG를 위한 지식 기반 가우시안 구성 합성 (knowledge-driven Gaussian-composition synthesis) 알고리즘을 개발하였으며, 여기서 각 심박동은 가우시안 형태의 P, Q, R, S, T 파형 성분으로 표현됩니다. 이 시뮬레이터를 사용하여 우리는 네 가지 비정상 심전도 (electrocardiogram, ECG) 클래스인 심방세동 (atrial fibrillation, AF), 심방조동 (atrial flutter, AFLT), 조기 심실 수축 (premature ventricular complex, PVC), 그리고 Wolff-Parkinson-White 증후군 (WPW)에 대한 합성 데이터를 생성합니다. 우리는 10가지의 서로 다른 DNN 아키텍처를 사용하여 비정상 ECG 분류를 수행함으로써 이 합성 데이터의 유용성을 평가합니다. 연구 결과, 합성 데이터에서 실제 데이터로 이어지는 학습 (synthetic-to-real training)이 네 가지 대상 이상 중 세 가지에 대해 분류 성능을 향상시킴을 입증하였으며, 아키텍처 평균 최대 이득은 AFLT에서 $33.2%$로 관찰되었습니다. 추가 분석 결과, 합성 데이터로 인한 성능 향상은 실제 데이터셋의 규모가 작을수록 더욱 두드러지게 나타납니다. 이러한 발견은 도메인 지식 기반의 합성 ECG가 특히 실제 데이터를 얻기 제한적이거나 어려운 시나리오에서 유용한 사전 학습 (pre-training) 자원으로 활용될 수 있음을 시사합니다.