딥러닝 기반 폐음(肺音) 분석을 통해 천식과 만성폐쇄성폐질환(COPD)을 자동으로 감별하는 연구가 발표됐다. 연구팀은 2차원 입력 표현 방식과 호흡 하위 구간 특징 융합 전략을 체계적으로 비교해 최적 조합을 도출했으며, 주기 기반 F1 점수 0.877, 피험자 기반 F1 점수 0.855의 성능을 확인했다.
연구의 핵심 과제 중 하나는 호흡 주기 길이가 불규칙해 스펙트로그램 기반 표현의 시간 차원이 일정하지 않다는 점이었다. 이를 해결하기 위해 기존의 트리밍·제로 패딩 방식 외에 적응형 길이 윈도잉 기법을 새롭게 도입했다. 멜 주파수 켑스트럼 계수(MFCC) 행렬과 로그 멜 스펙트로그램, VAR 모델을 비교한 결과, 13개 계수와 64포인트 시간 해상도를 갖춘 MFCC 행렬이 가장 우수한 주기 기반 성능을 냈고, 256포인트 시간 해상도의 MFCC 행렬이 피험자 기반 성능에서 가장 좋은 결과를 보였다.
하위 구간 특징 융합 방식으로는 직접 연결(concatenation), 게이트 순환 유닛(GRU) 네트워크, 어텐션 메커니즘을 결합한 GRU 세 가지를 비교했다. 최고 성능은 직접 연결 방식에서 나왔으며, 복잡한 융합 전략이 반드시 진단 성능 향상으로 이어지지는 않았다. 데이터 증강 실험에서는 전반적으로 성능이 저하됐고, 믹스업(mixup) 증강이 그나마 가장 양호한 결과를 냈다. 연구팀은 이를 근거로 폐음 연구에서 진본 데이터의 중요성을 강조했다.
AI 기반 폐질환 감별 진단은 청진 전문가 부족 문제를 보완하고 의료 접근성을 높이는 방향으로 발전하고 있다. 이번 연구는 특징 추출 방식과 융합 전략의 선택이 모델 성능에 미치는 영향을 정량적으로 분석했다는 점에서 의의가 있으며, 향후 실제 임상 환경에서의 폐질환 자동 진단 시스템 개발에 참고 자료로 활용될 수 있다.
