수면다원검사 : 딥러닝을 사용한 불안 및 우울증 식별

수면다원검사 : 딥러닝을 사용한 불안 및 우울증 식별

 

불안과 우울증은 심각한 이환율 및 의료 비용과 관련된 일반적인 정신 질환이다. 수면은 진화적으로 보존된 건강 상태이다. 불안과 우울증은 수면과 양방향 관계가 있다. 이 연구는 불안과 우울의 존재를 감지하기 위해 딥러닝 방법을 사용하는 수면다원 데이터 분석의 사용에 대해 보고한다. 수면다원검사분석을 위해 2016년 1월 1일부터 2018년 12월 31일까지 3년 동안 학업 수면 센터에서 수행한 940명의 환자에 대한 데이터를 식별했다. 데이터는 불안/우울증이 있는 환자 205명, 불안/우울증이 없는 환자 349명, 불안/우울 가능성이 있는 환자 386명의 3개 하위 그룹으로 나누었다. 처음 두 개의 하위 그룹은 딥러닝 알고리즘의 훈련 및 테스트에 사용되었고 세 번째 하위 그룹은 결과 모델의 외부 검증에 사용되었다. 수면곡선 12채널 PSG 데이터가 분석을 위해 3채널 RGB (빨간색, 녹색, 파란색 채널) 이미지로 변환되는 자동 수면 스테이징을 통해 구성되었다. composite 환자 이미지가 생성되어 Xception 모델을 훈련하는 데 활용되었으며, 이는 9번째 훈련 epoch에서 0.9782의 검증 세트 정확도를 제공했다. 독립 테스트 세트에서 모델은 높은 정확도 (0.9688), 정밀도 (0.9533), 재현율 (0.9630) 및 F1 점수 (0.9581)를 달성했다. 대부분의 다른 주류 딥러닝 모델의 분류 성능은 비슷했다. 이러한 결과는 기계 학습 기술이 수면 연구 데이터 분석에서 불안과 우울증의 존재를 정확하게 감지할 수 있는 가능성이 있음을 시사한다. 정신의학 분야에서 이러한 기술의 유용성을 탐구하기 위해서는 추가 연구가 필요하다.

 

불안과 우울증은 상당한 이환율과 건강관리 비용이 드는 일반적인 정신 질환이다. 이러한 조건의 진단 기준은 DSM-5에서 잘 확립되어 있지만, 상당한 수준의 상호 교환성과 모호성이 임상 실무자, 특히 비정신과의사 임상에서 지적되었다. 이는 많은 치료 양상의 높은 동형성과 트랜스진단 효과로 인해 더욱 복잡하며, 이는 부주의로 진단의 부정확성을 강화할 수 있다. 특히, 정신 의학 연구자들은 대리 생물학적 및 정신 생리학적 표지에 기초한 이러한 조건에 대한 분류 시스템을 개발하기 위해 고군분투해왔다. 이러한 모호성은 적어도 부분적으로 잘 확립된 병태 생리학적 메커니즘의 부족과 현재 확인된 인과 인자의 예외적인 광범위한 특성에서 비롯되었다.

수면은 뇌의 기능에 대한 중요한 통찰력을 제공할 수 있는 진화적으로 보존된 뇌 상태이다. 수면은 감정 조절과 신경생리학적 결과와 상호 연관되어 있기 때문에, 수면 장애는 신경정신 질환의 이해에 잠재적으로 중요한 요소를 나타낸다. 정신 질환에서 수면 구조의 다양한 측면에 대한 거의 60년 동안의 연구가 있으며, 특히 정신 질환에 대한 하나 이상의 생체 지표를 확인하고자 하는 희망으로 우울증이 있다. REM 밀도, REM 지연 시간 및 감소된 저속파 수면이 유망한 마커로 식별되었다. 그러나 정신 장애 내부와 정신 장애 간의 이질성, 연구된 모집단의 변화, 약물의 교란 효과 등은 이 약속을 이행하지 않았다. 정신 질환의 생물학적 기초를 이해할 필요성은 현대 이론으로 하여금 수면 장애의 초진단과 차원 측면에 초점을 맞추도록 자극했다. 이를 위해 수면장애는 정신과적 장애를 촉진하고 유지하는 데 관련 역할을 하며, 수면장애의 트랜스진단 치료가 임상 환경에서 일상적으로 사용된다고 가정했다.

몇 년간 임상 의료 및 의료의 다양한 분야에서 머신 러닝과 인공지능 사용이 기하급수적으로 증가했다. 이러한 접근 방식은 분류와 관련된 진단 문제에 대한 정확도 증가, 관찰자 간 변동 감소 및 시간 요구 감소의 이점을 제공했다. 이 분야는 계속 발전하고 있으며 ML의 산하에 광범위한 응용 프로그램을 가져올 것이다. PSG (Polysomnography)의 맥락에서 ML 기술은 수면 상태를 식별하고 임상 이벤트의 점수를 매기기 위해 사용되어 왔다. 예를 들어, 수면 장애의 분류를 위해 k-means clustering, k-nearest neighbor, 서포트 벡터 머신 및 다층 퍼셉트론 방법의 조합을 성공적으로 사용했다. DeepSleepNet 모델은 컨볼루션 신경망 (CNN), 양방향 LSTM 네트워크 및 반복 신경망 (RNN)의 조합을 사용하며 높은 정확도로 수면 스테이징에 사용되어 왔다.

그러나 주목할 점은 정신 질환의 식별과 특성화를 위한 그러한 연구는 지금까지 수행되지 않았다는 것이다. PSG 데이터 내에 내장된 뇌 기능의 세분성을 고려하여, 우리는 딥 러닝 방법을 사용하여 불안/우울증과 상관관계가 있는 미묘한 특징을 추출할 수 있다고 추측했다. 그럼에도 불구하고, 이 프로젝트의 목적은 PSG 기능이 정신 질환을 발견하는 데 사용될 수 있다는 것을 보여주기 위한 원칙적인 연구를 수행하는 것이었다. 불안/우울증 (A/D)을 정신 질환 후보자로 사용하여 PSG 데이터를 기반으로 이러한 정신 질환 식별을 위한 딥러닝 모델의 정확도를 평가하기 위한 연구를 수행했다.

 

데이터 수집

 

비식별화 방식으로 임상 데이터와 연결된 디지털화된 PSG 데이터는 모델 훈련을 위한 입력으로 사용되었다. PSG 신호에는 뇌파검사, 안전도 검사, 턱 및 다리 근전도 검사, 비강 기류, 흉복부 밴드, 코골이 센서, 신체 위치, 심전도 (ECG) 및 산소 포화도를 포함한 전체 시간 동기화 데이터가 포함되어 있다. 모든 PSG는 Compumedics Grael 기계와 Profusion PSG 소프트웨어를 사용하여 기록되었다. 모든 PSG는 유럽 데이터 형식 (EDF 파일)으로 디지털 방식으로 저장되었다.

 

분석 파이프라인

 

기록된 채널은 수면다원검사의 목적에 따라 환자마다 다르기 때문에 총 12개의 채널을 추출했다. 포함된 모든 채널은 256Hz에서 샘플링되었다. 추가 분석에 포함된 채널은 뇌전도(EEG) 채널 6개 (F3-M2, F4-M1, C3-M2, C4-M1, O1-M2, O2-M1), 안전도 (EOG) 채널 2개 (E1-M2 및 E2-2-M1) 및 심전도 (ECG) 채널 1개 (ECG1-ECG2)이다. PSG 기록의 다양한 길이와 초기 정착 기간을 설명하기 위해 각 PSG를 PSG 기록 시작 후 15분에 시작하여 6시간 후에 종료되는 세그먼트로 자른다. 따라서, 딥러닝 모델에 대한 입력은 6시간 동안 256Hz로 샘플링된 12채널 PSG 신호였다.

 

PSG 이미지 구축

 

컴퓨터 비전을 위한 딥러닝 아키텍처는 이미지를 사용하고 복잡한 신호 정보를 이미지로 표현할 수 있으므로 12채널 PSG 데이터를 3채널 (표준 빨강, 녹색, 파랑 채널) 이미지로 변환했다. 대부분의 딥러닝 모델의 이미지 크기 요구 사항에 맞추기 위해 최종 이미지 크기를 224 × 224 픽셀로 설계했다. 이 크기의 최종 이미지를 12채널 30년대 PSG epoch의 3개 채널로 매핑하기 위해 다음과 같은 새로운 절차를 사용했다. 각 이미지 채널은 112 x 112 픽셀의 4/4로 분할되어 12개의 PSG 채널 (3개의 이미지 채널 x 4/4)을 표현할 수 있다. 따라서, 112 × 112 픽셀의 각 분기는 단일 PSG 채널에서 총 12,544개의 샘플링된 값을 나타낸다. 100Hz의 샘플링 주파수에서 이 12,544개의 값은 PSG 데이터의 2.09분을 나타낸다. 그런 다음 최소값으로 조정된 PSG 값을 [0, 255] 간격으로 다시 조정하여 이미지 강도 값으로 변환했다. 특정 이미지 채널-쿼터 조합에 매핑된 특정 PSG는 그림 1C에 나와 있다. 마지막으로 3개의 채널을 결합하여 합성 RGB 이미지를 생성했다.

 

A/D를 예측하기 위한 딥러닝 모델의 학습 검증

 

https://www.sciencedirect.com/science/article/pii/S002239562200156X#bib31

Polysomnographic identification of anxiety and depression using deep learning