의료 분야 인공지능(AI)의 고질적인 문제 중 하나는 '블랙박스'와 같은 낮은 해석 가능성(interpretability)입니다. 특히 심전도(ECG)와 같은 민감한 진단 영역에서는 AI 모델이 어떤 근거로 결론을 내렸는지 이해하기 어려워 실제 의료 현장 적용에 한계가 있었습니다. 최근 발표된 연구는 이러한 문제를 해결하기 위해 단순히 데이터에만 의존하는 방식이 아닌, 의학적 전문 지식(domain knowledge)을 AI 모델에 직접 통합하는 새로운 접근 방식을 제시했습니다.
이 연구팀은 기존의 종단간(end-to-end) 합성곱 신경망(CNN) 대신, 도메인 지식 기반의 그래프 합성곱 신경망(Graph Convolution Network, GCN)을 심전도 인식에 도입했습니다. 심전도 해석에 필수적인 PRQST 파형의 주요 지점들을 핵심 도메인 지식으로 활용한 것이 특징입니다. 이중 스트림(double-stream) 방향성 그래프를 사용하여 심전도 주기 내(intra-cycle) 및 주기 간(inter-cycle) 관계를 모두 모델링했습니다. 구체적으로 공간 방향성 그래프는 주요 지점들 간의 위치 관계를, 시간 방향성 그래프는 확장된 심전도 시퀀스 내 인접 주기 간의 시간적 의존성을 포착합니다. 중국 심전도 지능형 경진대회 데이터셋(9가지 심전도 유형 분류)에 대한 실험 결과, 제안된 모델은 전체 평균 F1 점수 88.1%, 특히 희귀 질환 카테고리에서 76.3%의 평균 F1 점수를 기록하며 기존 최첨단 모델들을 능가했습니다. 이는 도메인 지식의 도입이 특히 희귀 카테고리의 탐지 성능을 크게 향상시켰음을 보여줍니다.
이번 연구는 의료 AI 분야에서 해석 가능성과 진단 정확도를 동시에 높일 수 있는 중요한 방향성을 제시합니다. 단순히 대규모 데이터 학습에만 의존하는 것을 넘어, 전문가의 지식을 AI 모델 설계에 적극적으로 반영함으로써 AI의 신뢰성을 확보하고 실제 임상 환경에서의 활용도를 높일 수 있습니다. 특히 희귀 질환 진단에서 높은 성능을 보였다는 점은, 기존 AI 모델이 놓치기 쉬운 미묘한 패턴을 전문가 지식이 보완해줄 수 있음을 시사하며, 이는 환자 진료의 질을 향상시키는 데 크게 기여할 수 있을 것입니다.