Omni-Sleep 연구진이 수면다원검사 신호를 중추신경계와 자율신경계로 나눠 학습하는 파운데이션 모델을 공개했다. 뇌파·안구전도·근전도 같은 중추 신호와 심전도·호흡 같은 자율 신호를 단순 결합하지 않고 생리 체계의 구조를 사전 지식으로 반영했다. 연구진은 여러 기관에서 수집한 10만 시간 이상의 멀티모달 수면 기록을 사전학습에 사용했다고 밝혔다.
학습 목표는 같은 체계 안의 신호가 공유하는 요인을 찾고, 두 체계의 시간적 궤적을 정렬하며, 잠재공간에서 가린 시간 구간을 복원하는 세 부분으로 구성된다. 이를 통해 밤 전체의 장기 흐름과 뇌·몸 사이 동역학을 함께 표현하려 했다. 이후 수면 단계 판별과 여러 질환 분류 과제로 전이 성능을 평가했다.
연구진은 비교한 수면 파운데이션 모델보다 적은 라벨로 학습하는 효율, 데이터셋 간 일반화, 일부 센서가 빠진 조건의 견고성이 개선됐다고 보고했다. 그러나 10만 시간은 기록 시간의 총량이지 환자 수나 임상적 다양성을 직접 뜻하지 않는다. 동일 환자의 여러 시간 구간이 포함될 수 있고 기관별 연령, 질환 구성과 장비 차이가 결과에 영향을 줄 수 있다.
중추와 자율신경의 구분은 유용한 구조를 주지만 실제 생리는 두 체계가 복잡하게 연결돼 있다. 모델이 생리 관계 대신 특정 장비의 잡음이나 기관별 기록 습관을 지름길로 사용했는지도 점검해야 한다. 가정용 간이 센서처럼 입력 채널과 결측 방식이 크게 달라지면 연구 데이터의 견고성이 그대로 유지된다고 보장할 수 없다.
이 결과는 arXiv 사전 논문에서 연구진이 보고한 벤치마크 결과이며 독립적인 다기관 임상 재현은 확인되지 않았다. 실제 진단에 쓰려면 환자 단위 분리, 외부 기관 검증, 연령·동반질환별 오류와 임상 의사결정 영향을 함께 공개해야 한다. 현재로서는 수면 생리 구조를 대규모 사전학습에 넣은 연구용 기반 모델로 보는 것이 적절하다.
저작권자 © STORIUM 무단전재 및 재배포 금지
