의료 인공지능(AI) 분야에서 다중 모드 대규모 언어모델(MLLM)의 활용이 늘고 있지만, 심장 질환 진단의 핵심인 장기 동적 심전도(ECG) 분석에서는 여전히 어려움을 겪고 있습니다. 기존 MLLM은 주로 정적인 이미지나 짧은 신호 데이터에 최적화되어 있어, 수십 시간에 걸친 홀터(Holter) 기록과 같은 복잡한 시계열 데이터를 정확하게 이해하고 진단 보고서를 생성하는 데 한계가 있었습니다.
이러한 문제를 해결하기 위해 연구진은 'Holtercare-23K'라는 대규모 다중 모드 동적 ECG 데이터셋을 새롭게 구축했습니다. 이 데이터셋은 788개의 실제 임상 홀터 기록에서 추출한 22,980쌍의 질문-답변(QA)으로 구성되며, 신호-비디오-텍스트의 삼중 모드 정렬(tri-modal alignment)이라는 혁신적인 방식을 특징으로 합니다. 이 데이터셋을 기반으로 'Holtercare-Bench'라는 벤치마크가 개발되었는데, 이는 모델의 시간적 위치 파악(temporal localization), 임상 진단(clinical diagnosis), 그리고 전반적인 요약(global summarization) 능력을 평가하도록 설계되었습니다. 선도적인 MLLM들을 제로샷(zero-shot) 방식으로 평가한 결과, 초장기 병리학적 시퀀스 처리에서 상당한 성능 격차가 확인되었으나, 대표 모델들을 미세조정(fine-tuning)했을 때는 성능이 크게 향상되는 것을 보여주었습니다.
이번 연구는 현재 MLLM이 심장 전기 생리학 분야에서 가진 한계를 명확히 보여주는 동시에, 장기 의료 MLLM 개발을 위한 중요한 기반을 마련했다는 점에서 큰 의미를 가집니다. 고품질의 데이터셋과 벤치마크의 부재는 그동안 AI 모델이 동적 ECG 데이터를 효과적으로 학습하고 임상에 적용하는 데 걸림돌이 되어왔습니다. 'Holtercare-Bench'와 'Holtercare-23K'는 이러한 격차를 메우고, 미래 AI 기반 심장 진단 시스템의 발전과 상용화를 가속화하는 데 결정적인 역할을 할 것으로 기대됩니다.