김경훈 분당서울대병원 소아청소년과 교수

김경훈 분당서울대병원 소아청소년과 교수 연구팀이 트랜스포머(Transformer) 기반 인공지능(AI) 모델을 활용해 소아 환자의 천명음(wheezing)을 정확히 분류할 수 있는 기술을 개발했다.

천명음은 기도 협착으로 발생하는 고음의 ‘쌕쌕’ 소리로, 소아 천식이나 만성 폐쇄성 폐질환 등에서 흔히 나타나는 호흡기 증상이다. 기존에는 의료진이 청진기를 통해 직접 듣고 판단하는 방식이 사용돼 왔지만, 이는 의료진의 숙련도에 따라 정확도가 달라지는 한계가 있었다.

이러한 문제를 해결하고자 최근까지는 소리를 이미지처럼 처리하는 합성곱 신경망(CNN)을 활용한 인공지능 모델이 개발돼 왔다. CNN은 이미지 분석에는 강점을 보이지만, 소리를 짧은 시간 단위로만 분리해 분석하는 구조라서 전체 호흡 흐름을 파악하는 데 한계가 있었다. 이에 따라 김 교수팀은 구글이 자연어처리를 위해 개발한 트랜스포머 구조를 기반으로 한 ‘호흡음 분석 변환 모델(AST)’을 고안해, 보다 정밀한 분석이 가능하도록 설계했다.

AST 모델은 소리를 멜 스펙트로그램(Mel Spectrogram) 형태로 변환한 뒤, 이를 16x16 크기의 작은 조각으로 나누고 각 조각 간의 관계를 학습하는 방식으로 작동한다.

이 방식은 호흡의 전체 흐름과 맥락을 파악할 수 있어, 기존 CNN 방식보다 정밀도가 높고 오탐률이 낮은 것이 특징이다. 연구팀은 총 725개의 호흡음 중 80%를 학습용으로 사용하고, 나머지 20%를 테스트 데이터로 활용해 모델의 정확도를 검증했다.

AST가 천명음(W), 정상 호흡(B), 소음(N)을 분석하는 사진

평가 결과 AST 모델은 천명음 분류 정확도 91.1%, 정밀도 88.2%, F1-Score 82.2%를 기록하며 CNN 모델보다 우수한 성능을 보였다. 특히 AST는 천명음에는 민감하게 반응하면서도 정상 호흡이나 소음에는 거의 반응하지 않는 패턴을 보여 천명음을 효과적으로 구분할 수 있다는 사실이 확인됐다. 소아 폐 전문의 2명이 독립적으로 평가한 결과 역시 이 모델의 임상 적용 가능성을 뒷받침했다.

또한 AST 모델은 전처리 과정에서 정보 손실이 적고, 구조가 가벼워 스마트기기 등 모바일 환경에서도 쉽게 작동할 수 있다는 장점을 갖고 있다. 이는 의료 인프라가 부족한 지역에서도 휴대용 장치를 통해 실시간으로 정확한 호흡기 진단이 가능하다는 점에서 실용성이 매우 높다.

김경훈 교수는 “소아는 성인보다 폐포의 표면적이 작고 호흡기 질환에 더 민감하기 때문에, 조기진단을 위해 천명음을 정확히 구분하는 것이 무엇보다 중요하다”며 “이번 연구를 통해 AST 기반 호흡음 분석 기술이 임상에 적용될 수 있는 가능성을 입증했다”고 밝혔다.

향후 연구팀은 이 기술을 스마트기기에 내장시켜 의료진의 진단을 보조하거나, 의료 접근성이 낮은 지역에서 비전문가도 쉽게 사용할 수 있도록 실용화하는 것을 목표로 하고 있다. 또한 AST 모델의 정밀도를 더욱 높이고 다양한 호흡음 데이터를 활용해 기술을 고도화할 계획이다.

이번 연구는 네이처 출판그룹의 국제학술지 Scientific Reports (IF=3.8)에 최근 게재됐다.