대한중환자의학회

2024 중환자의학 연구비 선정 과제 “중환자실에서 딥러닝을 통한 호흡음 분석 정확도 연구”

청진은 비침습적 진단법으로, 실시간 정보 제공과 비용 효율성의 이점을 가집니다. 그러나 청진은 의사의 경험과 지식의 영향을 많이 받으며, 이로 인해 호흡 소리를 정확하게 구별하는 능력에 개인차가 발생할 수 있습니다. 한 연구에서는 호흡기내과 전문의들이 다른 의료 전문가나 의대생들보다 호흡음을 분류하는 데 있어 높은 정확도를 보였습니다[1]. 이는 청진 시 발생할 수 있는 호흡음 식별의 모호함이 잘못된 진단이나 치료로 이어질 위험을 시사합니다. 이러한 위험을 최소화하기 위해 X-레이, 초음파, CT 등의 보다 전문적인 검사가 필요하지만, 이들은 특별한 장비와 전문 인력을 요구합니다.

최근에는 인공지능(AI)을 활용하여 호흡음을 분석하고, 이를 통해 청진의 정확도를 높이고자 하는 시도가 이루어지고 있습니다. 호흡음은 정상적인 호흡 소리와 비정상적인 호흡 소리로 구분됩니다. 정상적인 호흡 소리에는 기관지, 폐포음 등이 포함되며, 비정상적인 호흡 소리는 각기 다른 폐 혹은 기관지 질환에 의해 발생합니다. AI를 이용한 분석 방법은 이러한 호흡음을 더욱 정확하게 식별하고 분류할 수 있는 잠재력을 가지고 있습니다. 호흡음의 평가에 AI가 효과적이라는 것이 이미 몇몇 연구[2,3]를 통해 입증되었습니다.

인공지능(AI)을 활용한 호흡음 분석은 현대 의학에서 중요한 발전을 나타냅니다. AI 모델 개발은 데이터 준비, 특성 추출, 훈련 및 검증, 그리고 테스트의 네 단계로 구성됩니다. AI 알고리즘은 주로 데이터 기반으로 훈련되며, 특히 딥러닝 방법은 호흡음의 분류에서 뛰어난 성능을 보여줬습니다. 최근 연구들은 Convolutional neural network 분류기, 최적화된 S-변환(Optimized S-transform), 심층잔차 네트워크(ResNets, deep residual networks), 인공신경망(Artificial neural networks) 등의 다양한 AI 기술을 사용하여 정상적인 호흡음과 폐 질환에서 나타나는 이상 호흡음을 구별하였습니다[4]. 연구 결과에 따르면, AI 기술은 전문의들의 평가보다 더 높은 정확도를 보였고, 일부 연구에서는 99% 이상의 높은 정확도를 달성하기도 했습니다[5-7].

이러한 기술은 디지털 청진기와 결합되어 원격 의료 및 텔레메디신에서 환자 모니터링에 사용되고자 시도되어 오고 있습니다. COVID-19와 같은 전염병 상황에서 비접촉식 환자 관리의 필요성이 증가함에 따라, AI 기반의 호흡음 분석은 진단의 정확도를 높이고 빠른 질병 감지를 가능하게 할 것으로 기대됩니다. 또한, 무선 및 웨어러블 청진기의 개발[8]은 환자를 개인적으로 만나지 않고도 폐 질환을 모니터링할 수 있는 새로운 가능성을 열어주었습니다. 이러한 기기들은 의료진이 원격으로 환자의 호흡 상태를 듣고 평가할 수 있게 해 주며, 특히 호흡기 질환자들에게 큰 도움이 될 것으로 기대됩니다.

그러나 대부분의 연구가 조용한 환경에서 수행되었기 때문에, 소음이 많은 실제 임상 환경, 특히 중환자실에서의 적용 가능성은 아직 한계가 있습니다. 중환자실과 같이 복잡한 환경에서도 정확한 호흡음 분석이 가능한 딥러닝 모델 개발은 이러한 한계를 넘어서는 데 중요합니다. 현재 중환자실에서 호흡기 관련 진단 및 모니터링은 대체로 의료진의 경험에 의존하고 있어, 절차에 시간이 많이 소요되고 초기 증상을 간과할 수 있는 위험이 있습니다. 딥러닝 기술은 대용량의 데이터를 신속하고 정확하게 분석하여, 세밀한 호흡음의 변화까지 감지할 수 있으므로, 질병을 조기에 발견하고 적시에 치료를 시작하는 데 큰 도움이 될 것입니다.

본 연구는 중환자실 환경에서 딥러닝을 활용한 호흡음 분석의 정확성을 향상시키고자 합니다. 목표는 신뢰할 수 있는 딥러닝 모델을 개발하여, 복잡한 중환자실의 조건 속에서도 호흡기 질환을 조기에 감지하고 효과적으로 치료할 수 있는 방법을 제시하는 것입니다.

1. Honorata Hafke-Dys, Anna Bręborowicz, Paweł Kleka, Jędrzej Kociński, Adam Biniakowski. The accuracy of lung auscultation in the practice of physicians and medical students. PLoS One. 2019 Aug 12;14(8):e0220606.

2. Yoonjoo Kim, YunKyong Hyon, Sung Soo Jung, Sunju Lee, Geon Yoo, Chaeuk Chung, Taeyoung Ha. Respiratory sound classification for crackles, wheezes, and rhonchi in the clinical field using deep learning. Sci Rep. 2021 Aug 25;11(1):17186.

3. Ajay Kevat, Anaath Kalirajah, Robert Roseby. Artificial intelligence accuracy in detecting pathological breath sounds in children using digital stethoscopes. Respir Res. 2020 Sep 29;21(1):253.

4. Yoonjoo Kim, YunKyong Hyon, Seong-Dae Woo, Sunju Lee, Song-I Lee, Taeyoung Ha, Chaeuk Chung, Evolution of the Stethoscope: Advances with the Adoption of Machine Learning and Development of Wearable Devices, Tuberculosis and Respiratory Diseases 2023;86(4):251-263.

5. Fraiwan M, Fraiwan L, Alkhodari M, Hassanin OJJoAI, Computing H. Recognition of pulmonary diseases from lung sounds using convolutional neural networks and long short-term memory. 2021:1-13.

6. Saldanha J, Chakraborty S, Patil S, Kotecha K, Kumar S, Nayyar A. Data augmentation using Variational Autoencoders for improvement of respiratory disease classification. PloS one. 2022;17(8):e0266467.

7. Alqudah AM, Qazan S, Obeidat YM. Deep learning models for detecting respiratory pathologies from raw lung auscultation sounds. Soft computing. 2022;26(24):13405-29.

8. Zhang P, Wang B, Liu Y, Fan M, Ji Y, Xu H, et al. Lung Auscultation of Hospitalized Patients with SARS-CoV-2 Pneumonia via a Wireless Stethoscope. International journal of medical sciences. 2021;18(6):1415-22.