CycleGuardian: 심층 클러스터링과 대조 학습으로 혁신을 이룬 호흡음 분류 프레임워크

윤추 등 연구진이 개발한 CycleGuardian은 심층 클러스터링과 대조 학습을 기반으로 한 경량 호흡음 분류 프레임워크로, 기존 모델 대비 7% 향상된 성능과 Android 기기 배포를 통해 실용적인 의료 시스템 구축 가능성을 제시했습니다.

코로나19 이후 심층 학습 기반의 자동 호흡음 분류 방법이 등장했지만, 데이터셋의 부족과 다양한 이상 호흡음의 유사성으로 인해 정확한 진단에 어려움을 겪고 있습니다. 특히 정상 호흡음과 비정상 호흡음 모두 정상적인 호흡 구성 요소와 잡음이 공존하고, 다양한 비정상 호흡음이 유사한 특징을 가지고 있어 구분이 어렵다는 점이 큰 문제였습니다.

이러한 문제를 해결하기 위해, 윤추 등 연구진은 CycleGuardian이라는 경량 네트워크와 개선된 심층 클러스터링 및 대조 학습 기반 프레임워크를 개발했습니다. CycleGuardian은 특징 다양성을 위해 혼합 스펙트로그램을 생성하고, 간헐적인 비정상 호흡음 포착을 용이하게 하도록 스펙트로그램을 그룹화합니다.

핵심은 개선된 심층 클러스터링 모듈과 대조 학습 모듈의 통합입니다. 심층 클러스터링 모듈은 유사도 제약 클러스터링 구성 요소를 통해 비정상적인 특징을 포착하는 능력을 향상시키고, 대조 학습 모듈은 그룹 믹싱을 통해 비정상적인 특징을 더욱 명확하게 구분하도록 설계되었습니다. 여기에 다목적 최적화를 통해 전체 성능을 향상시켰습니다.

ICBHI2017 데이터셋을 사용한 실험 결과는 놀랍습니다. 기존 모델보다 약 7% 향상된 성능(Sp: 82.06%, Se: 44.47%, Score: 63.26%)을 달성했으며, 모델 크기는 38M에 불과합니다. 이는 CycleGuardian의 경량성과 효율성을 보여주는 훌륭한 증거입니다. 더욱 중요한 것은, 연구진이 CycleGuardian을 Android 기기에 배포하여 실제 의료 현장에 적용 가능한 지능형 호흡음 청진 시스템을 구축했다는 점입니다.

CycleGuardian은 단순한 알고리즘 향상을 넘어, 제한된 자원 환경에서도 정확하고 효율적인 호흡기 질환 진단을 가능하게 하는 혁신적인 기술로 평가받을 수 있습니다. 이는 의료 접근성 향상에 크게 기여할 것으로 기대됩니다. 앞으로 더욱 발전된 기술을 통해 더욱 정확하고 편리한 호흡기 질환 진단 시스템의 개발이 기대됩니다.