Journal Archive

2018년 통계청이 사망원인 통계를 살펴보면 총 사망자 수는 298,820명이며, 남성은 161,187명, 여성은 137,633명으로 보고되었다[1]. 사망원인별로는 악성신생물(암)이 79,153명과 심장 질환 32,004명, 폐렴으로 23,280명, 뇌혈관 질환으로 22,940명으로 보고되었다. 특히, 한국인의 경우 뇌혈관 질환으로 인한 사망률은 10만명 당 남성은 42.7명, 여성은 46.7명으로 높은 사망률을 보이고 있다[1]. 이러한 뇌혈관 질환으로 인한 사망자 수는 2005년 이후로 감소추세를 보이지만, 악성신생물을 제외한 단일 질환으로 사망원인 3위에 해당되는 고위험 질환이다. 특히, 60세 이상의 고령자는 순환계통 질환으로 대표되는 심장질환과 뇌혈관 질환으로 인한 사망률이 점차 증가하고 있다.

뇌졸중은 성인 및 고령자에게 기능 장애를 일으키는 가장 중요한 질환 중 하나로 장애 정도에 따라 사회적 또는 경제적 활동에 어려움이 생기는 치명적 질환 중 하나이다[2], [3], [4], [5]. 특히, 급성 뇌졸중 질환 발생 시 중추신경계와 자율신경계의 장애가 유발되어 심전도의 부정맥과 같은 장애가 발생될 수 있다. 이러한 뇌졸중은 장애 정도에 따라 사회적 또는 경제적 활동에 어려움이 생기는 치명적 질환이다[2], [3], [4]. 뇌졸중은 환자의 장애 양상 또는 동반되는 질환에 따라 다양하게 나타날 수 있다. 뇌졸중 환자는 개인별로 현재의 장애 수준을 정확히 평가하고 재활치료 또는 의료기관 방문을 유도해야 한다[4], [5]. 이러한 뇌졸중은 그 증상과 분류가 다양하므로, 뇌졸중으로 인한 장애 및 동반되는 신경학적 손상을 신뢰성 있게 평가하기가 어려운 실정이다. 특히, 뇌졸중 과거력이 없는 사람의 빠른 발견도 중요하지만, 과거력이 있는 사람의 경우 재발 확률이 9배가량 높다. 따라서 이들을 지속적으로 추적 관찰하여 빨리 의료기관 방문과 의료진에게 진단 및 치료를 받을 수 있도록 지원할 수 있는 기술이 절실히 요구된다.

최근의 연구문헌 조사에 의하면, 뇌졸중 환자의 재발을 예방하고 초기 장해를 평가하기 위해서는 환자의 상태를 추적 관찰하고 뇌졸중의 주요 위험요인을 발견하기 위한 연구가 성공적으로 진행 중이다[6], [7], [8]. 뇌졸중 환자의 장애를 평가하는 방법으로는, 1972년 Mathew scale이 처음 발표된 이후, 유럽 뇌졸중 척도, 캐나다 신경학적 척도, 미국 국립 보건원의 뇌졸중 척도(national institutes of health stroke scale, NIHSS) 등이 발표되었다[7], [8], [9]. 이 중에서, Brott 등에 의해 개발된 미국 국립 보건원 뇌졸중 척도는 뇌졸중 발병 이후의 장애에 정량적 측정에 널리 쓰이는 도구이다. NIHSS는 의식 수준, 응시, 시각, 안면마비, 상지와 하지 운동, 사지 운동실조, 감각, 언어능력, 구음장애, 무시, 원위부 운동을 측정하는 총 14개의 항목으로 구성되며, 환자 한 명당 수행시간이 6.6분정도 소요된다. 그리고 환자의 입원 초기에 비교적 측정이 쉽고 간단하게 실시할 수 있는 평가 척도로 사용되고 있다. 이러한 NIHSS는 검사와 재검사 간 신뢰도 및 타당도가 다양한 연구를 통해서 이미 검증된 도구로 전 세계적으로 널리 쓰이고 있다. 하지만, NIHSS은 각 뇌졸중 환자의 장해를 총괄적으로 평가하는데 쓰이는 도구지만, 무엇보다 초기 장해를 평가하기 위한 정확한 예측정보 결과를 제공하지 못한다는 단점을 가지고 있다.

또 다른 연구방법으로는, 뇌졸중 질환의 주요 위험 요인으로 밝혀진 흡연, 고혈압, 당뇨병 등의 정보로 향후 10년 후의 뇌졸중 발생 가능성을 예측하지만, 다양한 요인들이 상호 작용하여 발생될 가능성을 배제하고 있다. 이러한 위험 요인 정보를 기반으로 통계적 방법과 기계학습 방법을 적용한 연구도 진행되고 있다. Kannel 등[10]의 로지스틱 모형, Cox의 비례위험모형(proportional hazards model)[11], [12], [13]이나, Weibull 모형[14]이 보고되었지만, 이러한 선행 연구들은 한국인의 뇌졸중 질환 발생에 대한 위험도를 예측하는데 적당하지 않다.

본 논문에서는 딥러닝의 대표적인 분류 및 예측 모델인 CNN을 기반으로 60세 이상 고령자의 뇌졸중 질환을 조기발견 및 예측할 수 있는 시스템을 제안한다. 시스템의 뇌졸중 질환 예측 정확도와 성능 검증을 위해, 국민건강보험공단의 노인코호트 DB(ver 1.0)를 사용하였다[15]. 노인코호트 DB는 2002년부터 2013년까지 총 558,147명의 코호트 데이터로 구성되며, 인구 사회학적 특성, 의료이용현황, 노인 장기요양 정보 등을 포함하고 있다. 본 논문에서는 한국표준 질병분류코드[16]에서의 주요상병 중 뇌졸중 질환 명세와 일치하는 I60~I69까지의 주상병 코드를 뇌졸중 질환으로 정의하였고, 이에 해당되지 않는 병명을 뇌졸중이 아닌 기타 질환의 일반 고령자로 정의하여 실험하였다. 결과적으로, 뇌졸중 질환 발병 후의 중증도 측정을 통한 초기장애 진단, 향후 10년 이후의 질환 발생 확률 값으로 제공하는 기존 선행연구의 한계점을 벗어나, 코호트 DB의 정보만으로 과학적이고 정확한 예측이 가능함을 검증하였다. 또한, 이러한 예측 모델은 고령자를 대상으로 의료진 또는 병원에서의 뇌졸중 질환에 대한 조기발견 및 예측함으로써, 오진률 수치를 줄이고 선제적으로 치료 및 대응이 가능하다는 추가적인 장점을 갖는다.

본 논문의 구성은 다음과 같다. 2장에서는 뇌졸중 질환의 정의 및 연구방법을 서술하고, 3장에서는 본 논문에서 제안하는 CNN 기반의 뇌졸중 질환 예측 및 분석 모델에 대해 기술한다. 4장에서는 실험결과 및 성능 분석을 상세히 설명하고, 마지막으로 5장에서는 결론 및 향후 연구과제에 대해 논한다.

CNN(convolution neural network)은 1989년 LeCun이 소개하였으며, 필기체 인식을 위한 프로젝트를 통해 개발되었다[24]. 이후 2003년 Behnke[25]와 Simard[26]에 의해 일반화되고 단순화 되면서 이론적 개념정립과 다양한 분야에서 활발하게 연구 및 적용되는 기초가 되었다. 이러한 CNN은 특징 추출 기능과 다중 분류(multi classification) 등의 예측을 실행할 수 있는 기능이 있다. 먼저 특징 추출 단계에서는 컨볼루션 레이어(convolution layer)와 서브샘플링 레이어(sub-sampling layer)를 통과한다. 동일한 계수를 갖는 필터를 반복적으로 적용하여 변수의 수를 획기적으로 줄여줌으로써, 토폴로지 변화에 무관한 항상성(invariance)을 보장 받는다. 일반적으로 1개의 특징 맵(feature map)에 대해 1개의 서브샘플링 연산을 수행한다. 이러한 과정을 거치면서 지역적 특징(local feature)으로부터 전역적 특징(global feature)을 얻어내며, 여러 단계의 컨볼루션 레이어와 서브샘플링 레이어를 거치면서 특징 맵의 크기는 작아지고 전체 데이터를 표현할 수 있는 대표적 특징들만 남게 된다. 최종 분류 단계에서는 은닉 레이어(hidden layer) 간의 노드들이 모두 연결된 완전 연결 구조(fully connected)의 입력으로 연결되어 작동된다. 특히, CNN 모델의 중요 파라미터인 가중치(weight)는 back-propagation 알고리즘을 이용하여 예측 정확도를 높이도록 조정할 수 있다. 또한, 학습률(learning rate)과 훈련 횟수 등의 하이퍼 파리미터 튜닝(hyperparameter tuning)을 조정하며 최적의 뇌졸중 질환 예측모델을 찾도록 학습시켰다. 그리고 batch normalization 레이어를 추가함으로써, 파라미터를 결정할 때 발생될 수 있는 기울기 사라짐(gradient vanishing)문제를 방지하도록 하였다[27]. 더욱이 CNN 모델에서 빠른 학습을 위해 학습률 값을 크게 설정하는 경우에도 batch normalization 레이어에서 기울임 사라짐뿐만 아니라 지역 최적해(local minima)에 빠지는 문제를 최소화할 수 있다[28].

본 논문에서 제안하는 CNN 기반의 뇌졸중 질환 예측 시스템은 총 5개의 모듈로 구성된다. 세부적으로는 1개의 오프라인 처리(offline processing)인 CNN based on prediction model 모듈과, 4개의 온라인 처리(online processing) 모듈인 Cohort data extraction, data preprocessing & generalization, attribute subset selection, real-time stroke prediction 모듈로 구성된다(그림 1 참조). 1) 오프라인 처리 모듈에서는 국민건강보험공단(NHIS)의 클라우드 서버에서 제공하는 노인코호트 데이터를 시스템에서 설정한 주기대로 업데이트 한다. 다음으로 수집한 노인코호트 데이터를 기반으로 CNN based on prediction model에서 최적의 학습 및 학습모델을 저장하여 온라인 처리의 real-time stroke prediction 모듈로 전달한다. 2) Cohort data extraction에서는 시스템 요청 시, 국민건강보험공단의 클라우드 서버로부터 뇌졸중 질환 예측에 대한 원시 데이터를 실시간 수집한다. 3) Data preprocessing & generalization 모듈은 데이터 분석과 CNN 기반 뇌졸중 예측 모델 탑재를 위해 지정된 데이터 형식으로 변환 및 일반화를 실행시킨다. 4) Attribute subset selection 모듈은 CNN 기반 뇌졸중 예측 모델의 최적 성능을 보장하기 위해, 코호트 속성 집합을 선택함으로써 시스템의 예측 정확도와 분석 속도를 향상시킨다. 5) Real-time stroke prediction 모듈에서는 기 학습해놓은 CNN 기반의 뇌졸중 예측 모델을 탑재하고, 선택된 코호트 속성 집합을 이용하여 실시간으로 질환의 위험도 정도를 분석한다. 분석한 정보는 의료진 또는 병원에 전달되어 뇌졸중의 위험 상황 정도를 판단한다.

Fig. 1. 
The overall architecture of our proposed system

Real-time stroke prediction에서는 CNN based on prediction model을 생성하는 모듈에서 그 성능이 검증된 1차원(1-Dimension, 1-D) 형태의 CNN 구조[29], [30]로, 국민건강보험공단의 클라우드 서버로부터 코호트 데이터를 수집하고 전처리 및 최적 속성 집합을 이용하여 뇌졸중 질환 예측 및 위험 정도를 판단한다(그림 2 참조). CNN based on prediction model 모듈에서 학습하고 real-time stroke prediction 모듈에 탑재되는 노인코호트 DB를 이용한 1-D CNN 구조의 설명한다. 본 논문에서 새롭게 제안하는 1-D CNN 기반의 뇌졸중 질환 예측 모델을 Stroke-CNN으로 명명하며, 3개의 컨볼루션과 서브샘플링 레이어 및 2개의 완전 연결 구조의 은닉 레이어로 구성된다. 각각의 컨볼루션 레이어 이후에는 ReLU(rectified linear unit) 활성화 함수(activation function)를 사용하였다. ReLU 활성화 함수는 0보다 작은 값이 나올 경우 0으로 반환하고, 0보다 큰 값은 그대로 반환하는 함수이다. 다음으로 서브샘플링 레이어 이전에 batch normalization을 추가함으로써 파라미터들을 결정할 때 발생될 수 있는 기울기 사라짐 문제는 방지하도록 구조를 설계하였다. 마지막으로 은닉 레이어에서는 노드들이 모두 연결된 2개의 완전 연결 구조 레이어를 두도록 설계하였다. 일반적인 CNN 모델에서는 완전 연결 구조를 여러 개 레이어를 쌓아 모델링하지만, 본 논문에서 제안하는 Stroke-CNN에서는 2개의 레이어만 사용하여 뇌졸중 질환 예측 모델을 구성하였다. 은닉 레이어의 최종 레이어는 뇌졸중 노인과 정상 노인을 분류하는 계층으로, 본 논문에서는 각 클래스의 확률 값을 평가하기 위하여 softmax 레이어를 최종 계층에 두었다. 최종 할당되는 클래스에서는 평가한 확률 값이 큰 값을 갖는 쪽으로 결정된다.

Fig. 2. 
The architecture of Stroke-CNN(convolution neural network) using elderly cohort DB

본 장에서는 노인 코호트 DB를 이용하여 뇌졸중 질환을 예측하는 Stroke-CNN을 이용한 실험결과를 살펴본다. 본 실험에서 새롭게 제안하는 Stroke-CNN은 딥러닝의 파라미터인 학습률(learning rate)과 훈련 횟수, 하이퍼 파리미터 값의 설정에 따른 실험 결과를 살펴본다. 또한, Stroke-CNN 구조에서의 컨볼루션과 서브샘플링 레이어의 개수, batch normalization 적용여부 등을 고려하여 실험을 수행하였다. 특히, 초기 학습률이 0.01로 시작할 경우, 전체 훈련 횟수의 50%에서 0.01에서 0.001로 1/10로 줄인 다음, 다시 75%의 훈련 횟수에서 0.0001로 다시 1/10으로 줄이고, 최종 훈련 횟수에서 학습을 종료하였다[31].

본 논문에서는 기존의 뇌졸중 초기 장애를 평가하거나 향후 10년 후의 발병 가능성을 예측한다는 한계와 단점을 보완하는 차원에서 Stroke-CNN을 기반으로 한 새로운 뇌졸중 질환 예측 시스템을 제안하였다. 제안된 시스템은 실시간으로 질환 예측을 위하여 국민건강보험공단에서 공개한 노인 코호트 DB에서 뇌졸중과 관련된 코호트 속성을 전처리 및 최적 부분집합을 선택하여 빠르고 정확한 뇌졸중 예측을 실시하였다. 평가항목인 예측 정확도에서 만족스러운 수치 등을 실험 결과와 분석을 통해 확인함으로써 제안된 시스템의 성능을 검증하였다. 추가적으로, 제안된 딥러닝 CNN 기반의 뇌졸중 예측 모델은 다른 질환에 대한 조기발견 및 예측으로도 확장이 가능하다는 추가적인 장점을 갖는다.

향후 연구로는 코호트 DB뿐만 아니라 실시간 생체신호 정보와 결합한 종합적인 질환 예측시스템을 연구 및 개발하고자 한다.