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

요약

본 논문은 의료 분야의 자기지도학습(SSL)이 기존에 사용해 온 환자 불변성 기반 목표가 정적인 해부학적 특징 학습에만 국한되어 임상 진단과 괴리가 있음을 지적하며, 이를 극복하기 위해 행동 조건부 월드 모델(Action-Conditioned World Models)을 제안합니다. 이 프레임워크는 질병 진행의 동역학을 시뮬레이션하거나 사건 조건부 학습을 가능하게 하여, 병리학을 정적 레이블이 아닌 환자의 잠재 상태에 작용하는 전이 벡터로 정의합니다. MIMIC-IV-ECG 데이터셋에서 테스트한 결과, 이 접근법은 중요한 선별 작업에서 완전 지도학습 기반선보다 우수한 성능과 높은 샘플 효율성을 보여주었습니다.

핵심 포인트

• 기존 의료 SSL의 불변성 목표는 정적 해부학에만 초점을 맞춰 동적인 병리 변화를 포착하는 데 한계가 있다.
• 제안된 행동 조건부 월드 모델은 질병 진행을 시뮬레이션하고 사건 조건부 학습을 가능하게 하여, 안정된 특징과 동적 병리를 분리한다.
• 병리학을 정적 레이블이 아닌 잠재 상태에 작용하는 전이 벡터로 정의함으로써 임상적으로 의미 있는 동역학 모델링을 수행한다.
• MIMIC-IV-ECG 데이터셋에서 완전 지도 학습 기반선보다 우수한 성능과 특히 저자원 환경에서 높은 샘플 효율성을 입증했다.