다중 청진 부위 심음도로 심잡음 특성을 자동 분류하는 방법 비교: CirCor DigiScope 735명 데이터 기준

Towards Automatic Heart Murmur Characterization from Multi-spot Phonocardiograms

이 연구는 심잡음을 있음·없음으로만 판별하던 기존 자동 분석을 넘어, 시기·모양·음조·질·등급 다섯 가지 속성을 환자 단위로 분류하는 과제로 정식화했다. 대동맥·폐동맥·승모판·삼첨판 네 청진 부위의 심음도를 세 가지 다중 부위 전략으로 비교했다. 첫 번째 전략은 부위별로 고전 분류기와 딥러닝 분류기를 독립적으로 학습한 뒤, 최대 중증도 기반 후기 융합 규칙으로 예측을 결합하는 방식이다. 두 번째는 부위마다 대표 구간 하나씩을 동시에 입력받아 단일 과제를 수행하는 동기식 다중 입력 CNN이다. 세 번째는 하나의 공유된 다중 부위 표현에서 다섯 속성을 모두 예측하는 통합 다중 입력·다중 출력 CNN이다. CirCor DigiScope 데이터셋에서 네 부위 녹음이 모두 갖춰진 환자 735명을 사용했다. 최적의 후기 융합 구성은 다섯 과제에서 비가중 평균 민감도 85.56%에서 93.81%에 이르렀고, 관련 범주별 재현율은 80.00%에서 100.00% 사이였다. 다중 입력 CNN은 과제에 따라 후기 융합보다 7~16%p 낮았으며, 다중 출력 모델은 72.59%에서 79.40%를 기록했다. 소수 클래스의 구간을 모두 추가해 학습 데이터를 균형 맞추는 방식은 최대 중증도 규칙 하에서 환자 단위 성능을 오히려 떨어뜨렸다. 평가에 쓰인 군집 기반 구간 선별을 거치지 않은 대표성 없는 잡음 구간이 함께 들어왔기 때문이라고 설명한다.