급성 심근경색의 6개월 전 조기예측을 위한 AI 기반 실제 및 생성 12리드 심전도 활용 연구 = AI-Based Six-Month Pre-Onset Prediction of Acute Myocardial Infarction with Real and Generated 12-Lead ECGs|RISS 상세보기

다국어 초록 (Multilingual Abstract)

Electrocardiogram (ECG) signals are indispensable for diagnosing cardiovascular diseases (CVDs), yet conventional 12-lead ECG acquisition is limited in out-of-hospital environments. Although wearable devices enable real-time monitoring with single-lead ECGs, their diagnostic capacity remains restricted due to spatial incompleteness. To address this limitation, we propose a novel multi-stage deep learning framework that enhances single-lead ECG utility through signal generation, image-based transformation, and early event prediction.
First, we introduce a GAN-based model that, for the first time, synthesizes full 12-lead ECGs from only lead I which is, the signal commonly acquired from smartwatches. Unlike previous augmentation-focused GANs, our model directly targets diagnostic generation and achieves superior classification performance compared to real ECGs, validated across external datasets. This resembles that the generated ECG’s capability not only in practical use but also could help diagnose CVDs.
Second, we present one of the earliest deep learning frameworks capable of predicting acute myocardial infarction (AMI) up to six months before its clinical onset using large-scale, pre-event ECG records. Leveraging more than 6,600 AMI patients and 55,000 controls, our model analyzes temporally stratified ECG windows ranging from 1–3 days to 3–6 months pre-onset to identify subtle electrical and morphological signatures that precede infarction. Unlike prior studies focused exclusively on detecting MI at or near onset, our approach demonstrates that preclinical ECG alterations contain meaningful predictive information, enabling early risk stratification of asymptomatic individuals. Performance analyses show that predictive accuracy increases as the ECG approaches the AMI event, yet the model remains capable of distinguishing long-term (up to 180 days) risk patterns. Prospective study using newly diagnosed patients further confirms the generalizability of the framework, underscoring its potential utility as a proactive screening tool in both clinical and ambulatory monitoring environments.
Collectively, this dissertation pioneers a unified strategy to overcome the limitations of single-lead ECGs, integrating generative modeling and longitudinal prediction. These contributions represent a significant step toward practical, AI-enabled, real-time cardiac monitoring in ambulatory and remote settings.

번역하기

국문 초록 (Abstract)

심전도(ECG)는 심혈관질환(CVD) 진단에 필수적인 도구이지만, 기존의 12유도 심전도는 병원 외 환경에서의 활용이 제한적이다. 웨어러블 기기의 단일유도 ECG는 실시간 모니터링이 가능하다는 장점이 있으나, 공간적 정보가 부족하여 진단적 활용도가 낮다는 한계가 있다. 본 연구에서는 이러한 제약을 극복하기 위해 단일유도 ECG의 진단 능력을 향상시키는 신호 생성, 영상 기반 변환, 조기 사건 예측을 포함한 다단계 딥러닝 기반 프레임워크를 제안한다.
첫째, 스마트워치에서 주로 획득되는 lead I 신호만을 이용하여 최초로 12유도 ECG 전체를 합성하는 GAN 기반 생성 모델을 제안한다. 본 모델은 기존의 데이터 증강 중심 GAN 연구와 달리 진단 목적의 ECG 생성을 목표로 하며, 외부 데이터셋을 통한 검증에서 실제 ECG보다 우수한 분류 성능을 달성하였다. 이는 생성된 12유도 ECG가 실제 임상 환경에서 활용될 수 있을 뿐 아니라, CVD 진단을 보조할 수 있는 잠재력을 지님을 의미한다.
둘째, 대규모 사전 ECG 데이터를 활용하여 급성 심근경색(AMI)을 최대 6개월 이전에 예측하는 딥러닝 기반 조기 예측 프레임워크를 제시한다. 6,600명 이상의 AMI 환자와 55,000명의 대조군 정보를 기반으로, 본 모델은 AMI 발생 1–3일 전부터 3–6개월 전까지 다양한 시점의 ECG를 분석하여 임상적으로 명확히 드러나지 않는 미세한 전기적·형태학적 변화를 포착한다. 기존 연구들이 대부분 AMI 발생 시점 또는 직전의 진단에 집중한 것과 달리, 본 연구는 발병 훨씬 이전의 ECG에서도 유의미한 예측 신호가 존재함을 입증하였다. 또한 신규 발생 환자군을 이용한 전향적 평가에서도 모델의 일반화 성능이 확인되어, 병원 외 및 일상 환경에서 활용 가능한 조기 위험도 평가 도구로서의 가능성을 보여주었다.
종합하면, 본 학위 연구는 단일유도 ECG의 한계를 극복하기 위해 생성 모델링과 장기 예측을 통합한 새로운 전략을 제시하였다. 이러한 기여는 웨어러블 기반의 실시간·연속적 심장 모니터링을 가능하게 하여, 향후 원격 의료 및 일상 기반 심혈관 질환 관리에 있어 중요한 기반 기술로 활용될 수 있을 것이다.

번역하기

심전도(ECG)는 심혈관질환(CVD) 진단에 필수적인 도구이지만, 기존의 12유도 심전도는 병원 외 환경에서의 활용이 제한적이다. 웨어러블 기기의 단일유도 ECG는 실시간 모니터링이 가능하다는 ...

목차 (Table of Contents)