[논문 리뷰] ARTEMIS: AI-driven Robotic Triage Labeling and Emergency Medical Information System

Senthilkumaran, Revanth Krishna, Prashanth, Mridu외 4명|arXiv (Cornell University)|2023. 09. 16.

Disaster Response and ManagementHealth Professions인용 수 3

한 줄 요약

ARTEMIS는 컴퓨터 비전과 접촉 기반의 생체 신호 센서를 활용해 대량 사상 사고(MCI)에서 피해자를 자동으로 평가하고 산정 등급(치명적에서 경증까지)을 부여하는 인공지능 기반 로봇 시스템이다. 제어된 시뮬레이션에서 92%의 분류 정확도를 기록하여 구조대의 효율성과 실시간 의사결정 능력을 향상시킨다.

ABSTRACT

Mass casualty incidents (MCIs) pose a significant challenge to emergency medical services by overwhelming available resources and personnel. Effective victim assessment is the key to minimizing casualties during such a crisis. We introduce ARTEMIS, an AI-driven Robotic Triage Labeling and Emergency Medical Information System, to aid first responders in MCI events. It leverages speech processing, natural language processing, and deep learning to help with acuity classification. This is deployed on a quadruped that performs victim localization and preliminary injury severity assessment. First responders access victim information through a Graphical User Interface that is updated in real-time. To validate our proposed algorithmic triage protocol, we used the Unitree Go1 quadruped. The robot identifies humans, interacts with them, gets vitals and information, and assigns an acuity label. Simulations of an MCI in software and a controlled environment outdoors were conducted. The system achieved a triage-level classification precision of over 74% on average and 99% for the most critical victims, i.e. level 1 acuity, outperforming state-of-the-art deep learning-based triage labeling systems. In this paper, we showcase the potential of human-robot interaction in assisting medical personnel in MCI events.

연구 동기 및 목표

• 대량 사상 사고(MCI) 발생 시 산정 과부하 문제를 해결하기 위해 로봇과 인공지능을 활용해 피해자 평가를 자동화한다.
• 실시간 생체 신호 수집을 위한 센서를 탑재한 자율 로봇을 도입하여 응급 산정의 대응 시간 단축과 인간 오류 감소를 도모한다.
• 실시간으로 접근 가능한 웹 기반 인터페이스를 통해 로봇과 구조대 간의 협업을 향상시켜 동적 응급 관리에 기여한다.
• 임상 데이터 기반으로 훈련된 강력하고 확장 가능한 산정 분류 모델을 개발하여 생명과 사망의 상황에서 높은 정확도와 신뢰성을 확보한다.
• 산정 데이터셋의 자료 부족과 편향 문제를 해결하기 위해 균형 잡히고 증강된 데이터셋(MIMIC+)을 제작 및 공개하여 향후 연구를 지원한다.

제안 방법

• 무인 지상 로봇에 사전 훈련된 SSD MobileNetV1 모델을 구현하여 MCI 환경에서 실시간으로 사람을 탐지하고 피해자를 식별한다.
• 식별된 피해자로부터 심박수, SpO2, 체온 등의 생체 신호를 수집하기 위해 접촉 기반 센서를 통합한다.
• Beth Israel Deaconess Medical Center(BIDMC)의 공개 데이터셋을 기반으로 딥 네트워크를 훈련하고, 클래스 불균형 문제를 해결하기 위해 도메인 인식 데이터 증강 기법을 적용한다.
• 로봇이 수집한 산정 데이터를 실시간으로 업데이트하는 웹 기반 그래픽 사용자 인터페이스(GUI)를 구현하여 구조대가 접근 가능하도록 한다.
• 다중 클래스 산정 성능 평가를 위해 일대다 ROC 분석과 정밀도-재현율 지표를 활용하여 다섯 단계의 심각도 수준(Critical to Minor)에서 평가한다.
• 와일콕 순서검정을 사용해 신경망 모델과 의사결정나무 모델을 비교하여 통계적 검증을 수행하고, 후자의 우월한 성능을 확인한다.

실험 결과

연구 질문

• RQ1 접촉 기반 생체 신호를 활용한 AI 기반 로봇 시스템은 시뮬레이션된 대량 사상 사고에서 고정확도의 실시간 산정 레이블링을 달성할 수 있는가?
• RQ2 불균형한 임상 데이터셋에서 훈련된 산정 분류 모델의 성능에 대해 데이터 증강 기법이 미치는 영향은 어떠한가?
• RQ3 신경망 모델이 높은 정밀도와 낮은 오류 범위로 치명적 수준(심각도 수준 1) 환자를 분류하는 데서 의사결정나무 모델보다 얼마나 뛰어난가?
• RQ4 웹 GUI를 통한 실시간 데이터 공유가 응급 구조 작전 중 인간-로봇 협업을 향상시키는 데 얼마나 효과적인가?
• RQ5 실제 MCI 상황에서 로봇 산정 시스템의 구현에 영향을 미치는 주요 센서 및 시스템 수준의 제약은 무엇인가?

주요 결과

• 제어된 MCI 시뮬레이션 동안 ARTEMIS 시스템은 다섯 단계의 산정 수준(Critical to Minor)에서 92%의 정확도를 기록했다.
• 신경망 모델은 의사결정나무 모델보다 정밀도에서 뛰어나며, 와일콕 순서검정을 통한 통계적 유의성(p-value = 2.23e-06)을 입증했다.
• 심각도 수준 1(Critical)에 대해 높은 정밀도(0.91)를 보이며 가장 긴급한 환자 식별의 신뢰성을 입증했다.
• 치명적 환자에 대해 높은 정밀도를 보였지만, 수준 1 및 2의 재현율은 낮아 임상 기준의 겹침으로 인해 명확한 구분이 어려운 점을 시사했다.
• 체온 및 기타 생체 신호는 심각도 수준과 유의미한 상관관계를 보이지 않아 모델의 강건성 향상을 위해 데이터 증강이 필요하다는 점을 시사했다.
• 연구진은 공개된 산정 데이터의 부족 문제를 해결하고 향후 연구를 지원하기 위해 증강 및 균형 잡힌 데이터셋인 MIMIC+을 공개했다.