분당서울대병원 소아청소년과 김경훈 교수팀이 소아 환자의 천명음을 분류할 수 있는 트랜스포머 기반 인공지능(AI) 모델을 개발했다. 이 모델의 천명음 분류 정확도는 91.1%로, 임상에서도 활용이 가능할 것으로 기대된다.

천명음은 기도가 좁아지거나 막혀서 발생하는 고음의 ‘쌕쌕’거리는 호흡음이다. 주로 소아 천식이나 만성 폐쇄성 폐 질환 등 호흡기 질환에서 나타나므로 호흡기 질환을 조기 진단하는 데 중요한 지표로 사용된다. 지금은 의료진이 환자 가슴에 청진기를 대고 호흡음을 듣는 방식으로 진단한다. 의료진 숙련도와 경험에 따라 진단 정확도가 달라질 수 있어 객관적인 진단법이 필요하다.

최근까지는 소리를 이미지로 변환해 분석하는 AI 기술인 ‘합성공 신경망(Convolutional Neural Network, CNN)’ 을 이용한 진단법이 연구돼왔다. 그러나 CNN은 짧은 시간 단위 내의 소리만 분석할 수 있어, 호흡 전체의 흐름을 파악해 천명음을 분류하는 데 한계가 있었다.

이에 김경훈 교수팀은 트랜스포머 기반의 ‘호흡음 분석 변환 모델(Audio Spectrogram Transformer, AST)’ 개발에 나섰다. 연구팀이 개발한 AST 모델은 소리를 주파수 형태 이미지로 변환한 ‘멜 스펙트로그램’을 작은 조각들로 나누고, 조각 간 관계를 학습함으로써 전체적인 호흡 흐름을 파악한다. 호흡 일부 구간만 분석하는 CNN보다 천명음 패턴을 정밀하게 확인할 수 있다.


연구팀은 천명음 194개와 기타 호흡음(심장 소리 포함) 531개 등 총 725개 호흡음 중 80%를 AST 모델에 학습시켰다. 천명음과 천명음이 아닌 호흡음은 소아 폐 전문의 2명이 평가했다.

학습을 마친 AST와 CNN 모델이 나머지 20%의 호흡음 중 천명음을 구분해내도록 한 결과, AST 모델은 정확도 91.1%, 정밀도 88.2%의 성능을 보였다. 83.6%, 정밀도 74.2%인 CNN 모델보다 쳔명음 분류 성능이 우수했다.

분당서울대병원 소아청소년과 김경훈 교수는 “소아는 성인보다 폐포 표면적이 작아 호흡기 질환에 더 취약하므로 천명음을 정확히 구분하는 조기 진단법이 필요하다”며 “AST 모델의 소아 호흡음 분석 기술을 스마트 기기에 적용해 실시간 진단에 활용하고, 의료 접근성이 낮은 지역에서도 정확한 천명음 진단이 가능할 수 있도록 후속 연구·개발을 추진할 계획”이라고 밝혔다.