환자 불변성을 넘어: 행동 조건부 JEPAs 를 통한 심장 동역학 학습

의료 분야의 자기지도학습 (self-supervised learning) 은 주로 동일한 환자의 다른 뷰 (view) 들 사이의 유사성을 최대화하는 불변성 기반 목표 (invariance-based objectives) 에 크게 의존해 왔습니다. 정적 해부학에 효과적이기는 하지만, 이 패러다임은 수학적으로 모델이 탐지하려는 일시적인 병리적 변화를 억제하도록 강요함으로써 임상 진단과 근본적으로 정렬되지 못합니다. 우리는 질병 진행의 동역학을 시뮬레이션하거나 사건 조건부 (Event-Conditioned) 인 학습을 가능하게 하는 행동 조건부 월드 모델 (Action-Conditioned World Models) 으로 전환하는 것을 제안합니다. LeJEPA 프레임워크를 생리학적 시계열에 적용하여, 병리학을 정적 레이블이 아닌 환자의 잠재 상태 (latent state) 에 작용하는 전이 벡터 (transition vector) 로 정의합니다. 질병 발병을 주어진 조건으로 심장의 미래 전기생리학적 상태를 예측함으로써, 우리의 모델은 안정된 해부학적 특징과 동적인 병리적 힘을 명시적으로 분리합니다. MIMIC-IV-ECG 데이터셋에서 평가한 결과, 우리의 접근법은 중요한 선별 (triage) 작업에서 완전 지도학습 기반선 (fully supervised baselines) 을 능가합니다. 특히, 우리는 우수한 샘플 효율성 (sample efficiency) 을 입증했습니다: 저자원 환경 (low-resource regimes) 에서 월드 모델은 지도학습보다 0.05 AUROC 이상 더 높은 성능을 보입니다. 이러한 결과는 생물학적 동역학을 모델링하면 정적 분류보다 훨씬 더 견고한 밀집된 지도 신호 (dense supervision signal) 를 제공한다는 것을 시사합니다. 소스 코드는 https://github.com/cljosegfer/lesaude-dynamics 에서 이용 가능합니다.