소아천식 천명음, AI로 정밀하게 구분…트랜스포머 기반 분석 기술 주목

어린아이들의 기침이나 호흡 곤란 증상은 단순 감기일 수 있지만, 반복되거나 심해지는 경우 소아천식 같은 만성 호흡기 질환일 수 있습니다. 특히, 천식이나 **만성 폐쇄성 폐질환(COPD)**과 같은 질환에서는 ‘천명음(wheezing)’이라는 고유한 호흡음이 나타나는데, 이는 기도가 좁아지거나 막힐 때 들리는 ‘쌕쌕’거리는 고음의 호흡음입니다. 이러한 천명음을 정확히 감별하고 분석하는 것은 조기 진단과 치료에 있어 매우 중요한 과정입니다.

하지만 지금까지 천명음은 대부분 의료진의 청진을 통해, 즉 주관적인 판단에 의존해 진단되어 왔습니다. 이는 의료진의 숙련도나 경험에 따라 정확도가 달라질 수 있어, 보다 객관적이고 정밀한 분석 도구의 필요성이 꾸준히 제기되어 왔습니다.

이러한 배경 속에서 AI(인공지능) 기술이 의료 진단에 적용되기 시작했고, 최근에는 소리를 분석해 호흡기 질환을 판별하는 데 사용되는 연구들이 활발히 진행되고 있습니다. 그리고 그 중심에, **트랜스포머(Transformer)**라는 새로운 AI 기술이 등장했습니다.

---

트랜스포머 기반 AST 모델, 천명음 분석의 새 지평 열다

분당서울대병원 소아청소년과 김경훈 교수 연구팀은 최근, 소아의 천명음을 정밀하게 분류할 수 있는 **트랜스포머 기반 AI 모델인 AST(Audio Spectrogram Transformer)**를 개발했다고 밝혔습니다.

이 모델은 기존에 사용되던 합성곱 신경망(CNN) 기반의 분석과 달리, 호흡음 전체의 흐름과 구조를 파악하는 데 중점을 둔 것이 특징입니다. 기존 CNN 기반 모델은 소리를 짧은 시간 단위로 잘라서 분석하는 방식이라, 호흡 전체의 맥락을 놓치기 쉽다는 한계가 있었습니다.

반면 AST 모델은 **멜 스펙트로그램(Mel Spectrogram)**이라는 기법을 활용해 소리를 주파수 이미지 형태로 변환한 후, 이 이미지를 작은 조각들로 나눠 조각 간의 관계를 학습합니다. 이렇게 하면 호흡음의 흐름과 천명음의 반복 패턴을 더 정밀하게 파악할 수 있게 됩니다.

---

91.1%의 정확도, 88.2% 정밀도…의료 현장 활용 기대

연구팀은 총 725개의 소아 호흡음을 수집하여 이 중 80%를 AST 모델에 학습시켰고, 나머지 20%를 대상으로 CNN과 AST 모델의 성능 비교 실험을 진행했습니다. 평가에는 두 명의 소아 호흡기 전문의가 독립적으로 참여해, 인공지능이 실제 의사의 판단 수준에 얼마나 근접하는지를 검토했습니다.

그 결과, AST 모델은 정확도 91.1%, 정밀도 88.2%, 그리고 종합적인 성능 지표인 **F1-Score 82.2%**를 기록하며, 기존 CNN 기반 모델보다 월등히 높은 성능을 보였습니다. 이는 AI 모델이 천명음과 일반 호흡음 또는 심장 소리까지 구분할 수 있음을 의미하며, 특히 소아의 천명음을 조기에 진단하고 감별하는 데 큰 도움이 될 수 있습니다.

---

AI 분석의 장점: 경량화된 모델, 모바일에서도 활용 가능

이번 AST 모델의 또 다른 강점은, 모델 자체가 경량화되어 스마트기기에서도 구동 가능하다는 점입니다. 즉, 병원 환경이 아니더라도 모바일 앱, 휴대용 청진기, 스마트워치 등의 기기에서 호흡음을 녹음하고 바로 분석할 수 있는 가능성이 열린 것입니다.

이는 특히 소아천식을 앓고 있는 어린이들이 가정이나 학교에서 갑작스럽게 호흡 증상을 보일 때, 보호자가 즉각적으로 천명음을 분석하고 의료기관에 데이터를 전달할 수 있다는 점에서 실용성이 매우 높습니다.

김 교수는 “소아는 성인보다 폐포의 표면적이 작고 면역력도 약해 호흡기 질환에 더 민감하기 때문에, 천명음을 조기에 감별하는 것이 치료 방향을 결정하는 데 매우 중요하다”고 설명했습니다. 그는 “이번 연구를 통해 트랜스포머 기반 AST 모델이 임상 현장에서 실질적으로 활용될 수 있는 가능성을 입증한 것”이라고 밝혔습니다.

---

향후 발전 방향과 기대

현재는 천명음을 대상으로 한 분류이지만, 연구팀은 앞으로 천식의 진행 단계 구분, 폐렴이나 후두염 등 타 호흡기 질환 감별, 일상에서의 모니터링 시스템 개발 등 다양한 응용 가능성을 염두에 두고 연구를 이어가고 있습니다.

특히 트랜스포머 기반의 AST 모델은 다른 연령대나 다양한 환경에서 수집된 호흡음 데이터에도 적용이 가능하다는 점에서, 글로벌 소아 건강 관리 플랫폼으로 발전할 가능성도 충분합니다.

---

결론: 기술이 바꾸는 소아 진단의 미래

의료 현장에서 '소리'는 오랜 시간 진단의 중요한 수단이 되어왔습니다. 그러나 그동안은 숙련된 의사의 경험에만 의존해 왔고, 이는 정확성 측면에서 언제나 아쉬운 점으로 남아 있었습니다.

이번 트랜스포머 기반 AST 모델은 소리를 정량적으로 분석하고, 호흡기 질환의 주요 지표인 ‘천명음’을 정밀하게 분류함으로써 소아천식의 조기 진단과 예후 관리에 큰 전환점을 제공할 것으로 기대됩니다.

소아 환자와 그 보호자, 그리고 일선 소아과 의료진 모두에게 더 신뢰할 수 있는 진단 도구가 제공된다면, 이는 단순한 기술의 발전을 넘어 의료 평등성과 효율성을 실현하는 첫걸음이 될 것입니다.

---

 

유아·어린이 실리악병, 조기 진단과 식이요법이 중요한 이유

 

비트버니 퀴즈로 운동하면서 리워드까지, 일상 속 건강 앱테크 실천법

 

요즘 유행하는 전주 비빔밥와플, 건강하게 즐기는 이색 간식 여행