목적: 수면무호흡증은 심각한 건강 문제를 수반하는 흔한 수면 장애이다. 본 연구는 PSG-Audio 데이터를 사용하여 수면무호흡증 아형을 비침습적으로 검출하기 위한 Transformer 기반 오디오 분할 모델인 ApneaWhisper를 소개한다. 환자 및 방법: 우리는 284명의 환자에서 수집된 PSG-Audio 데이터셋을 활용하였다. ApneaWhisper는 사전학습된 Whisper 인코더를 활용하여 20초 길이의 오디오 클립에서 10 ms 해상도의 프레임 수준 특징을 추출한다. 토큰 기반 분할과 분류 헤드를 갖춘 경량 Transformer 디코더가 이 특징들을 집계하여 프레임 수준 및 클립 수준 예측을 모두 수행한다. 데이터 불균형을 완화하기 위해, 무호흡 아형 간 클래스 불균형을 고려한 가중 교차 엔트로피 손실을 사용하여 모델을 미세조정하였다. 결과: ApneaWhisper는 수면무호흡증 검출에서 강한 성능을 보였으며, 클립 수준 F1-score는 0.82, 프레임 수준 F1-score는 0.70로 MFCC+DNN, VGGish+bi-LSTM, VAD 기반 모델을 포함한 기존 기준 모델을 능가하였다. 또한 OSA, MSA, CSA 및 저호흡을 구분하는 데에도 유망한 능력을 보였으나, 성공 정도는 아형에 따라 다르게 나타났다. 결론: 모델의 세밀한 시간 해상도는 무호흡 사건의 정밀한 위치 추정, 지속시간 산정, 아형 분류를 가능하게 한다. ApneaWhisper는 OSA에 대해 견고한 성능을 보이는 반면, 중심성(CSA) 및 혼합성(MSA) 수면무호흡을 구분하는 데에는 어려움이 남아 있는데, 이는 미묘하거나 모호한 음향 패턴에 기인한다. 프레임 수준 분할은 또한 정확한 무호흡-저호흡지수(AHI) 추정을 가능하게 하여, 일부 임상 및 가정 모니터링 시나리오에서 전체 PSG 의존도를 낮출 수 있을 것으로 기대된다. 향후 개선은 다중모달 통합(예: 산소포화도)과 소음에 강인한 학습 기법을 포함할 수 있다.

수면의 건축(architecture)에 대한 정확한 평가는 수면장애를 진단하고 관리하는 데 핵심적이며, 이는 전 세계적 건강과 웰빙에 중대한 영향을 미친다. 다원수면검사(polysomnography, PSG)는 임상적 표준(gold standard)으로 남아 있으나, 내재된 침습성, 높은 비용, 그리고 운영상의 복잡성으로 인해 일상적 또는 가정 기반 모니터링에서의 활용이 제한된다. 최근의 발전에 따르면 호흡수 및 주기 규칙성(cycle regularity)과 같은 호흡 역학(respiratory dynamics)의 미세한 변동은 서로 다른 수면 단계와 의미 있는 상관관계를 보이며, 유용한 비침습성 바이오마커로 기능할 수 있다. 본 연구에서는 단일 수면 에피소드 동안 수집된 호흡 음성(respiratory audio)을 기반으로 수면 단계 분포를 추정하는 프레임워크를 제안하며, 구체적으로 Wake(각성), Light(N1+N2), Deep(N3), REM에 대한 분포를 산출한다. 제안된 프레임워크는 세 가지 주요 구성요소로 이루어진다: (1) 미세 조정된 Transformer 기반 아키텍처를 사용하여 호흡 음성에서 서로 다른 호흡 주기를 식별하는 분할(segmentation) 모듈, (2) 분할된 호흡 패턴으로부터 통계적, 스펙트럼적, 분포적(distributional) 기술자(descriptors)로 이루어진 일련의 특징을 도출하는 특징 추출(feature extraction) 모듈, (3) 각 수면 단계에 소요된 시간 비율(proportion)을 예측하는 단계별 회귀(regression) 모델이다. 공공 PSG-Audio 데이터셋(287명; 1인당 평균 5.3시간)에서, 피험자 단위 교차검증을 사용한 실험을 통해 본 접근법의 효과가 입증되었다. 분할 모델은 호흡수 및 주기 지속시간(cycle duration)을 예측하는 데 있어 RMSE와 MAE를 낮추었으며, 고전적인 신호처리 기반(baselines)과 비교해 성능이 우수하였다. 수면 단계 비율 예측의 경우, 제안 방법은 모든 단계에서 유리한 RMSE와 MAE를 보였고, TabPFN 모델이 일관되게 최상의 결과를 제공하였다. 해석 가능한 호흡 특징을 정량화하고 의도적으로 블랙박스 end-to-end 모델링을 회피함으로써, 본 시스템은 수동적 오디오를 이용한 투명하고 비접촉적(contact-free) 수면 모니터링을 지원할 수 있을 것으로 기대된다.

배경: 다양한 피부암 진단 장치가 제안되어 왔으나, 대부분은 진단 정확도가 충분하지 않아 사용되지 못하고 있다. 레이저 유도 플라즈마 분광법(Laser-induced plasma spectroscopy, LIPS)은 초단 펄스 레이저를 이용하여 피부 병변의 생화학적 정보를 비침습적으로 추출할 수 있다. 목적: 비중재적(비분할형) 분자 LIPS와 심층 신경망(DNN) 기반 진단 알고리즘을 결합한 실시간 비침습 체내(in vivo) 피부암 진단의 진단 정확도와 안전성을 평가하고자 한다. 방법: 다기관 임상 연구에서 296건의 피부암(기저세포암 186건, 편평세포암 96건, 흑색종 14건) 및 316건의 양성 병변으로부터 체내 LIPS 스펙트럼을 획득하였다. 진단 성능은 10-fold 교차검증으로 검증하였다. 결과: LIPS 및 DNN 기반 알고리즘을 사용하여 피부암과 양성 병변을 구별하는 민감도와 특이도는 각각 94.6%(95% CI: 92.0%-97.2%) 및 88.9%(95% CI: 85.5%-92.4%)였다. 레이저 조사로 인한 색소침착 또는 거시적·미시적 가시적 흔적을 포함한 어떠한 이상반응도 관찰되지 않았다. 제한점: 진단 성능은 제한된 데이터 세트를 사용하여 평가되었다. 이러한 결과를 검증하기 위해서는 보다 광범위한 임상 연구가 필요하다. 결론: DNN 기반 진단 알고리즘을 갖춘 이 LIPS 시스템은 실제 임상 환경에서 높은 진단 정확도로 피부암을 양성 병변과 구별하는 유망한 도구이다.

목적: 수면무호흡증은 심각한 건강 문제를 수반하는 흔한 수면 장애이다. 본 연구는 PSG-Audio 데이터를 사용하여 수면무호흡증 아형을 비침습적으로 검출하기 위한 Transformer 기반 오디오 분할 모델인 ApneaWhisper를 소개한다. 환자 및 방법: 우리는 284명의 환자에서 수집된 PSG-Audio 데이터셋을 활용하였다. ApneaWhisper는 사전학습된 Whisper 인코더를 활용하여 20초 길이의 오디오 클립에서 10 ms 해상도의 프레임 수준 특징을 추출한다. 토큰 기반 분할과 분류 헤드를 갖춘 경량 Transformer 디코더가 이 특징들을 집계하여 프레임 수준 및 클립 수준 예측을 모두 수행한다. 데이터 불균형을 완화하기 위해, 무호흡 아형 간 클래스 불균형을 고려한 가중 교차 엔트로피 손실을 사용하여 모델을 미세조정하였다. 결과: ApneaWhisper는 수면무호흡증 검출에서 강한 성능을 보였으며, 클립 수준 F1-score는 0.82, 프레임 수준 F1-score는 0.70로 MFCC+DNN, VGGish+bi-LSTM, VAD 기반 모델을 포함한 기존 기준 모델을 능가하였다. 또한 OSA, MSA, CSA 및 저호흡을 구분하는 데에도 유망한 능력을 보였으나, 성공 정도는 아형에 따라 다르게 나타났다. 결론: 모델의 세밀한 시간 해상도는 무호흡 사건의 정밀한 위치 추정, 지속시간 산정, 아형 분류를 가능하게 한다. ApneaWhisper는 OSA에 대해 견고한 성능을 보이는 반면, 중심성(CSA) 및 혼합성(MSA) 수면무호흡을 구분하는 데에는 어려움이 남아 있는데, 이는 미묘하거나 모호한 음향 패턴에 기인한다. 프레임 수준 분할은 또한 정확한 무호흡-저호흡지수(AHI) 추정을 가능하게 하여, 일부 임상 및 가정 모니터링 시나리오에서 전체 PSG 의존도를 낮출 수 있을 것으로 기대된다. 향후 개선은 다중모달 통합(예: 산소포화도)과 소음에 강인한 학습 기법을 포함할 수 있다.

수면의 건축(architecture)에 대한 정확한 평가는 수면장애를 진단하고 관리하는 데 핵심적이며, 이는 전 세계적 건강과 웰빙에 중대한 영향을 미친다. 다원수면검사(polysomnography, PSG)는 임상적 표준(gold standard)으로 남아 있으나, 내재된 침습성, 높은 비용, 그리고 운영상의 복잡성으로 인해 일상적 또는 가정 기반 모니터링에서의 활용이 제한된다. 최근의 발전에 따르면 호흡수 및 주기 규칙성(cycle regularity)과 같은 호흡 역학(respiratory dynamics)의 미세한 변동은 서로 다른 수면 단계와 의미 있는 상관관계를 보이며, 유용한 비침습성 바이오마커로 기능할 수 있다. 본 연구에서는 단일 수면 에피소드 동안 수집된 호흡 음성(respiratory audio)을 기반으로 수면 단계 분포를 추정하는 프레임워크를 제안하며, 구체적으로 Wake(각성), Light(N1+N2), Deep(N3), REM에 대한 분포를 산출한다. 제안된 프레임워크는 세 가지 주요 구성요소로 이루어진다: (1) 미세 조정된 Transformer 기반 아키텍처를 사용하여 호흡 음성에서 서로 다른 호흡 주기를 식별하는 분할(segmentation) 모듈, (2) 분할된 호흡 패턴으로부터 통계적, 스펙트럼적, 분포적(distributional) 기술자(descriptors)로 이루어진 일련의 특징을 도출하는 특징 추출(feature extraction) 모듈, (3) 각 수면 단계에 소요된 시간 비율(proportion)을 예측하는 단계별 회귀(regression) 모델이다. 공공 PSG-Audio 데이터셋(287명; 1인당 평균 5.3시간)에서, 피험자 단위 교차검증을 사용한 실험을 통해 본 접근법의 효과가 입증되었다. 분할 모델은 호흡수 및 주기 지속시간(cycle duration)을 예측하는 데 있어 RMSE와 MAE를 낮추었으며, 고전적인 신호처리 기반(baselines)과 비교해 성능이 우수하였다. 수면 단계 비율 예측의 경우, 제안 방법은 모든 단계에서 유리한 RMSE와 MAE를 보였고, TabPFN 모델이 일관되게 최상의 결과를 제공하였다. 해석 가능한 호흡 특징을 정량화하고 의도적으로 블랙박스 end-to-end 모델링을 회피함으로써, 본 시스템은 수동적 오디오를 이용한 투명하고 비접촉적(contact-free) 수면 모니터링을 지원할 수 있을 것으로 기대된다.

배경: 다양한 피부암 진단 장치가 제안되어 왔으나, 대부분은 진단 정확도가 충분하지 않아 사용되지 못하고 있다. 레이저 유도 플라즈마 분광법(Laser-induced plasma spectroscopy, LIPS)은 초단 펄스 레이저를 이용하여 피부 병변의 생화학적 정보를 비침습적으로 추출할 수 있다. 목적: 비중재적(비분할형) 분자 LIPS와 심층 신경망(DNN) 기반 진단 알고리즘을 결합한 실시간 비침습 체내(in vivo) 피부암 진단의 진단 정확도와 안전성을 평가하고자 한다. 방법: 다기관 임상 연구에서 296건의 피부암(기저세포암 186건, 편평세포암 96건, 흑색종 14건) 및 316건의 양성 병변으로부터 체내 LIPS 스펙트럼을 획득하였다. 진단 성능은 10-fold 교차검증으로 검증하였다. 결과: LIPS 및 DNN 기반 알고리즘을 사용하여 피부암과 양성 병변을 구별하는 민감도와 특이도는 각각 94.6%(95% CI: 92.0%-97.2%) 및 88.9%(95% CI: 85.5%-92.4%)였다. 레이저 조사로 인한 색소침착 또는 거시적·미시적 가시적 흔적을 포함한 어떠한 이상반응도 관찰되지 않았다. 제한점: 진단 성능은 제한된 데이터 세트를 사용하여 평가되었다. 이러한 결과를 검증하기 위해서는 보다 광범위한 임상 연구가 필요하다. 결론: DNN 기반 진단 알고리즘을 갖춘 이 LIPS 시스템은 실제 임상 환경에서 높은 진단 정확도로 피부암을 양성 병변과 구별하는 유망한 도구이다.

사람들은 각자 선호하는 스포츠 종목이 있지만, 이러한 선호는 거의 평생 동안 공유되는 경향이 있다. 이 선호가 어떻게 지속되는지는 아직 명확하지 않으므로, 본 연구는 사람들이 스포츠에 대해 서로 다른 관점을 갖는 이유를 규명하고자 한다. 이러한 차이는 문화, 직업, 인종의 차이에서 비롯된다고 추론하는 것이 타당하다. 이에 따라 우리는 서로 다양한 차이가 존재하는 국가인 한국, 미국, 일본에서 다음과 같은 자료를 수집하고 연구를 수행하였다. 사람들이 실제로 하는 스포츠의 유형은 설문을 통해 수집하고 스포츠 네트워크 간 비교를 실시하여 파악하였다. 즉, 특정 스포츠가 선택되어 플레이되는 이유를 추론하기 위해 ‘Sport Classification’, ‘The K-12 Physical Education System (textbooks)’, ‘Survey (actual physical activity)’, ‘Simple Notification Service (SNS) Activity’가 검토되었다. 첫째, 한국, 미국, 일본은 서로 다른 체육교육 과정을 운영한다. 따라서 그 결과는 사람들의 선호에 영향을 미친다. 둘째, 사람들이 SNS에 게시하는 내용과 실제 신체활동은 서로 다르다. 셋째, 스포츠 유형 간의 연계 정도 또한 서로 달랐다. 마지막으로, 스포츠 유형 가운데 허브로 간주될 목적을 수행하는 스포츠는 한국, 미국, 일본에서 공통적으로 나타났다.

대화에서 효과적인 정서적 지지는 전략적 의사결정을 요구하며, 이는 다양한 개인의 필요에 맞춘 복잡하고 맥락에 민감한 추론을 수반하기 때문이다. Emotional Support Conversation 프레임워크는 상호작용을 세 가지 뚜렷한 단계(탐색, 위로, 실행)로 구성하여 응답 생성 과정에서 전략 선택을 안내함으로써 이를 해결한다. 멀티태스크 학습은 전략 예측과 응답 생성을 공동으로 최적화하기 위해 적용되어 왔으나, 상충하는 학습 목적 때문에 흔히 과제 간 간섭(task interference)을 겪는다. 이를 극복하기 위해 본 연구에서는 디코더의 은닉 상태를 각 과제별로 분리하고 동적 게이팅 메커니즘을 통해 선택적으로 이를 결합하는 Strategy-Aware Refinement Module (STAR)을 제안한다. 이 설계는 과제 특화 표현을 보존하는 동시에 과제 간 정보 교환을 통제된 방식으로 가능하게 하여 간섭을 감소시킨다. 실험 결과 STAR은 과제 간 간섭을 효과적으로 줄이고, 전략 예측과 지지적 응답 생성 모두에서 최신 수준의 성능을 달성함을 보여준다.

의료 분야에서 가장 흔한 유형의 데이터는 표 형태(테이블) 데이터이며, 이는 의료 AI 분야에서 높은 중요성과 잠재력을 지닌다. 그러나 개인정보 보호에 대한 우려로 인해 표 형태 데이터의 광범위한 활용이 저해되어 왔다. 합성 데이터가 실행 가능한 해결책으로 등장했음에도 불구하고, 의료 표 형태 데이터(HTD) 생성은 각 기록 내 변수들 간의 광범위한 상호의존성이 다양한 임상적 특성, 즉 민감정보를 포함한다는 점 때문에 복잡하다. 이러한 문제를 극복하기 위해, 본 연구에서는 HTD 데이터셋 내에서 잠재적으로 존재할 수 있는 변수 간의 관계를 효과적으로 고려할 수 있는 합성 데이터를 생성하기 위한 표 변환기 생성적 적대 신경망(tabular transformer generative adversarial network, TT-GAN)을 제안하였다. 변환기(Transformer)는 다중 어텐션 메커니즘을 통해 각 기록 내 열(columns) 간의 관계를 고려할 수 있다. 또한 환자 정보에서 민감 데이터가 복원될 잠재적 위험을 해결하기 위해, 암묵적 기반 알고리즘을 보장하기 위해 생성적 적대 신경망(GAN) 아키텍처에 Transformer를 적용하였다. HTD 데이터셋의 연속 변수들이 갖는 이질적 특성을 고려하기 위해, 이산화(discretization) 및 변환기(converter) 방법론을 적용하였다. 실험 결과는 TT-GAN이 Conditional Tabular GAN(CTGAN)과 copula GAN보다 우수한 성능을 확인시켰다. 본 제안된 Transformer 알고리즘에서 이산화 및 변환기가 효과적임이 입증되었다. 그러나 동일한 방법론을 이산화 및 변환기 없이 Transformer 기반 모델에 적용한 경우, 성능이 유의하게 열등하였다. CTGAN과 copula GAN은 이산화 및 변환기 방법론에서 최소한의 효과만을 보였다. 따라서 TT-GAN은 의료 분야에서 상당한 잠재력을 보여주었으며, 실제 의료 데이터셋과 매우 유사한 인공 데이터를 생성할 수 있음을 입증하였다. 다항(polynomial), 이산(discrete), 연속(continuous) 변수 등 서로 다른 유형의 혼합 변수들을 효율적으로 처리하는 알고리즘의 능력은 건강 관리 연구 및 데이터 합성에서의 다양성과 실용성을 보여준다.

기계 독해( Machine Reading Comprehension, MRC)는 기계의 언어 이해 능력을 활용하여 정보를 추출하는 과제를 의미한다. 본 연구에서 우리의 주요 목적은 MRC를 활용하여 방대한 양의 비정형 문서 데이터를 능숙하게 처리함으로써 의사결정 과정의 정밀도를 향상시키는 데 있다. 본 연구의 혁신적인 접근은 기존의 단일-스팬 MRC 접근 방식이 제기하던 다중-스팬 추출 과제의 복잡성을 해결하도록 특별히 설계된 Multi-Span MRC 모델을 제안한다. 본 연구를 뒷받침하는 핵심 방법론은 단일 문맥 내에서 설계 사양 문서로부터 Part(P), Property(R), Value(V) 정보를 추출하는 데 초점을 둔다. 단일 스팬 마스킹 MRC(Single Span Masked MRC) 및 BiLSTM-CRF 모델의 결과와의 면밀한 비교를 통해, 본 연구는 Multi-Span MRC 모델의 우수한 성능을 견고하게 입증한다. 따라서 본 연구는 MRC 기술에 대한 이해를 진전시키는 동시에 식물(plant) 산업에서의 유리한 적용에 관한 의미 있는 통찰을 제공한다.