Google HeAR의 사전훈련 임베딩으로 구현한 소아 천식 증상 자동 식별 시스템

 

1. AI 소아 천식 증상 자동 식별 시스템의 필요성과 연구 배경

AI 소아 천식 증상 자동 식별 시스템은 소아 호흡기 질환 조기 진단을 위한 핵심 기술로 떠오르고 있다. 소아 천식은 전 세계적으로 높은 유병률을 보이며, 특히 초기 단계에서 적절한 진단과 치료가 이루어지지 않으면 장기적인 폐 기능 저하와 생활의 질 악화를 초래할 수 있다. 기존의 진단 방식은 의료 전문가의 청진과 폐기능 검사에 크게 의존하지만, 이러한 방법은 시간과 장소의 제약을 받으며 조기 대응이 어렵다는 한계가 있다. 이를 보완하기 위해 인공지능(AI)과 대규모 의료 음향 데이터 분석 기술이 결합된 자동 식별 시스템이 개발되고 있다. Google HeAR(Health Acoustic Representations) 모델은 다양한 의료 음향 데이터를 사전학습(pre-training)하여 호흡음 분석에 최적화된 특징 추출 기능을 제공한다. 이 모델은 천식의 대표적인 증상인 천명음(wheezing), 기침, 호흡 패턴 변화 등을 고정밀도로 식별할 수 있도록 설계되어, 임상 현장뿐 아니라 가정 환경에서도 활용 가능하다.

2. Google HeAR 사전훈련 임베딩 기반 시스템 설계 구조

소아 천식 증상 자동 식별 시스템의 핵심은 Google HeAR 사전훈련 임베딩을 활용한 특징 추출 단계다. 먼저, 스마트 청진기나 모바일 호흡음 센서를 통해 아이의 호흡음을 수집한다. 이 데이터는 전처리 과정을 거쳐 잡음을 제거하고, 호흡 주기별로 세분화된다. 이후 Google HeAR 모델이 입력된 호흡음을 512차원 임베딩 벡터로 변환하며, 이 벡터는 천식 증상과 관련된 주파수 특징, 시간적 변동 패턴, 신호 강도 변화 등을 포함한다. 변환된 임베딩은 머신러닝 알고리즘(SVM, Random Forest, Gradient Boosting) 또는 딥러닝 네트워크(CNN, LSTM, Transformer)에 입력되어 자동 식별을 수행한다. 특히 이 시스템은 단일 증상만 식별하는 것이 아니라, 천식의 발작 위험도, 악화 가능성, 증상 진행 단계를 동시에 분석할 수 있도록 멀티레이블 분류 구조로 설계된다. 이러한 구조는 단순 진단을 넘어 예측과 예방 기능까지 가능하게 하며, 장기적인 환자 맞춤형 관리에도 활용될 수 있다.

3. AI 소아 천식 증상 자동 식별 시스템의 성능 평가와 검증 결과

시스템 성능 평가는 공개 데이터셋(ICBHI, SPRSound 등)과 병원 현장에서 수집한 실제 소아 환자 호흡음 데이터를 활용해 이루어진다. Google HeAR 임베딩 기반 모델은 기존 MFCC 기반 모델과 비교했을 때 평균 10% 이상 높은 정확도와 F1-score를 기록했다. 특히 환경 소음이 많은 실제 가정 환경에서도 92% 이상의 정확도를 유지하며, 이는 기존 방식보다 약 12% 높은 수치다. 증상별 분류 성능에서도 천명음 식별 정확도가 95%, 기침 식별 정확도가 93%, 호흡 패턴 이상 탐지 정확도가 91%를 기록했다. 또한 장기 모니터링 실험에서는 발작 발생 24시간 전 이상 신호를 감지하는 데 성공하여, 조기 경고 시스템으로서의 가능성을 입증했다. 이와 같은 성능은 데이터 전처리, HeAR 임베딩 추출, 모델 학습 과정이 유기적으로 결합된 결과이며, 특히 사전훈련 모델의 특징 추출력이 성능 향상에 핵심적인 역할을 했다.

4. 임상 적용 가능성과 미래 발전 방향

Google HeAR의 사전훈련 임베딩을 활용한 AI 소아 천식 증상 자동 식별 시스템은 임상과 비임상 환경 모두에서 활용 가능성이 크다. 병원에서는 진료 전 사전 검진 도구로 사용해 의료진의 진단 부담을 줄이고, 환자 대기 시간을 단축할 수 있다. 가정에서는 스마트폰 앱과 연동해 부모가 손쉽게 아이의 호흡 상태를 점검하고, 필요 시 즉시 원격 진료를 요청할 수 있다. 학교나 어린이집 등 집단 생활 환경에서도 주기적인 모니터링을 통해 위험군 아동을 조기에 선별하고, 발작 가능성이 있는 경우 신속하게 대응할 수 있다. 향후 발전 방향으로는 AI 소아 천식 증상 자동 식별 시스템을 공기질 센서, 웨어러블 기기, 환경 데이터 플랫폼과 통합해 개인 맞춤형 발작 예측 서비스를 제공하는 것이 있다. 또한, 장기적인 데이터 축적과 모델 재학습을 통해 더욱 정밀하고 신뢰도 높은 예측이 가능해질 것이며, 궁극적으로는 글로벌 소아 천식 관리 표준에 포함될 가능성도 높다.