DCDM-ECG: Demographic-Conditional Diffusion Model for 12-Lead ECG Generation

Motivation

• Known: 기존 conditional 12-lead ECG 생성 모델(SSSD-ECG, DiffuSETS 등)은 진단 레이블이나 텍스트 프롬프트로 조건화되어 TSTR 성능이나 FID 등에서 우수한 결과를 보여왔다.
• Gap: 그러나 이러한 conditioning interface는 진단 정보만 노출할 뿐 환자의 수치 인구통계(나이, 성별, 신장, 체중, 심박수)를 구조적으로 전달하지 않아, 생성된 코호트가 실제보다 체계적으로 젊고 인구통계학적으로 좁게 분포되는 문제가 있었으며 이를 근본 원인(conditioning interface)에서 다룬 연구가 부재했다.
• Why: 합성 ECG 코호트가 분류기 학습 증강, 하위집단 스트레스 테스트, 프라이버시 보존 데이터 공유 등에 실제 데이터 대체물로 널리 쓰이는 상황에서, 인구통계적 왜곡은 다운스트림 응용 전반에 편향을 그대로 전파시키므로 이를 해결하는 것은 임상 데이터 생성의 신뢰성과 공정성 확보에 중요하다.
• Approach: SCP 코드 벡터에 5개의 수치 인구통계 축을 concatenate한 76차원 조건을 사용하는 conditional latent diffusion model(DCDM-ECG)을 제안하고, PTB-XL 데이터셋에서 분포 정합성과 TSTR 성능으로 검증한다.

Achievement

1. 인구통계 분포 정합: PTB-XL 실제 age 분포를 표준편차 1 이내로 추적하고, 지정된 heart rate를 샘플당 ~3 bpm 오차 이내로 재현.
2. TSTR 성능 향상: macro-AUROC 0.885 ± 0.012를 달성하여 최강 label-only 베이스라인(SSSD-ECG, 0.840) 대비 4.5%p 개선, 동일 크기 real-data ceiling과 0.022 차이로 근접.
3. Ablation을 통한 기여도 분리: 동일 아키텍처·학습 레시피에서 인구통계 축만 제거 시 macro TSTR이 0.561 ± 0.021로 급락, 0.324의 like-for-like gap으로 인구통계 조건화의 순수 기여를 정량화.
4. 파라미터 효율성: 10.1M 파라미터로 59.8M 파라미터의 SSSD-ECG보다 우수한 성능 달성.
5. 축별 충실도 계층화 발견: HR은 잘 추종되고, age와 sex는 방향성만 있으며, height와 weight는 거의 무시되는 3단계 fidelity tier가 PTB-XL의 각 필드 커버리지(100%, 100%, 32%, 42%, 100%)와 일치함을 규명.

How

• Backbone: frozen 4.71M 파라미터 1-D VAE로 12×1000 ECG를 4×128 latent로 인코딩하고, 5.36M 파라미터 U-Net denoiser가 76차원 조건(71-hot SCP + 5개 z-정규화 인구통계)으로 latent space에서 동작.
• Conditioning: 결측 인구통계 필드는 축별 학습 세트 평균으로 대체; Classifier-free guidance(학습시 condition dropout 0.1, 추론시 CFG scale 3.0) 적용.
• Diffusion 설정: 1000 training steps, 100 DDIM sampling steps.
• 학습: PTB-XL fold 1-8(n=17,418)에서 20,000 iteration, batch 128, AdamW(lr 1e-4, weight decay 1e-5), 단일 Apple Silicon GPU 사용.
• 평가: TSTR(train-on-synthetic test-on-real) 프로토콜로 n=8000 조건 튜플을 샘플링해 ECG 생성 후 XResNet1d-50을 30 epoch 학습, real fold 10에서 macro AUROC 측정(5 seed 평균); 외부 예측기(Ribeiro age regressor, 자체 XResNet1d-50 sex/height/weight 예측기, Pan–Tompkins HR)로 인구통계 충실도 측정; FID와 precision/recall도 공유 sex-predictor feature space에서 보고.
• Per-axis fidelity 실험(Figure 1): 레이블 벡터와 다른 인구통계는 고정한 채 한 축만 스윕하며 값당 n=100 샘플 생성, 외부 예측기 출력과 intended 값을 비교.

Originality

• 기존 연구들이 진단 레이블이나 텍스트 프롬프트에만 의존했던 것과 달리, 5개 수치 인구통계 축 전체(age, sex, height, weight, heart rate)를 구조적 numeric channel로 명시적으로 조건화한 최초의 시도로 제시됨(DiffuSETS는 일부만 지원).
• 마진 분포 정합성만으로는 조건화 기여를 검증하기 부족하다는 점을 지적하고, per-sample conditioning fidelity 실험(Figure 1)을 설계하여 모델이 실제로 조건을 사용하는지(단순 marginal memorization이 아닌지) 검증한 점이 방법론적으로 신선함.
• 동일 아키텍처·레시피를 유지한 ablation으로 인구통계 조건화의 순수 기여도(0.324 TSTR gap)를 격리해 정량화한 점.

Limitation & Further Study

• Height와 weight 축은 PTB-XL의 낮은 커버리지(31.9%, 41.5%)로 인해 사실상 조건을 무시하고 코호트 평균에 고정되는 한계가 있어, 데이터 커버리지 문제를 근본적으로 해결하지 못함.
• Sex 축은 방향성은 있으나 잔차 분산이 높고 male 쪽으로 편향되어 완전한 충실도를 달성하지 못함.
• SSSD-ECG와의 비교가 저자들의 자체 프로토콜(same-recipe ablation)이 아닌 원 논문 수치를 그대로 인용한 부분(head-to-head가 아닌 indicative 비교)이 있어 엄밀한 공정 비교로 보기 어려움.
• 단일 데이터셋(PTB-XL)에서만 검증되어 다른 코호트나 더 큰 규모의 데이터에 대한 일반화 가능성은 미검증.
• 후속 연구로는 height/weight 등 결측이 많은 필드에 대한 imputation 전략 개선, 다양한 임상 데이터셋으로의 확장, sex 편향 완화 기법 도입 등이 필요.

Evaluation

총평: 진단 레이블만으로 조건화되던 기존 ECG 생성 모델의 인구통계 왜곡 문제를 구조적 numeric conditioning으로 해결한 실용적이고 잘 검증된 연구로, ablation과 per-sample fidelity 분석을 통해 기여를 명확히 격리한 점이 돋보이나 height/weight 등 데이터 커버리지 한계로 인한 fidelity 격차는 향후 개선 과제로 남는다.