검사·임상기록 일부 없어도 안정적 '멀티모달 의료 AI' 개발

검사 결과나 임상 기록 일부가 빠진 실제 진료 환경에서도 안정적으로 작동하는 멀티모달 의료 인공지능(AI) 프레임워크가 개발됐다.

박유랑 연세의대 교수(의생명시스템정보학교실)와 홍재성 연세의대 의생명시스템정보학교실 연구원 연구팀은 결측 데이터를 임의로 추정하지 않고 확보된 정보만으로 환자의 사망 위험을 예측할 수 있는 멀티모달 AI 프레임워크 ETF-UML을 개발했다고 16일 밝혔다.

연구 결과는 국제학술지 인포메이션 퓨전(Information Fusion, IF 17.4)에 게재됐다.

멀티모달 AI는 환자의 기본 정보, 검사 결과, 의료진의 임상 기록 등 서로 다른 형태의 데이터를 종합해 환자 상태를 분석한다. 그러나 실제 진료 현장에서는 모든 정보가 같은 시점에 확보되기 어렵다.

혈액검사와 활력징후는 측정 시점과 횟수가 환자마다 다르고, 퇴원요약 등 일부 임상 기록은 입원 초기에는 존재하지 않는 경우가 대표적이다.

기존 멀티모달 AI는 여러 종류의 데이터가 모두 갖춰진 상황을 전제로 학습하는 경우가 많아 일부 데이터가 빠지면 예측 성능이 떨어질 수 있다.

이를 보완하기 위해 확보되지 않은 데이터를 추정해 채우는 결측치 대체 기법이 활용되기도 하지만, 실제로 확인되지 않은 의료정보를 임의의 값으로 대체할 경우 환자 상태나 의료진의 판단을 왜곡할 가능성이 있다.

연구팀이 개발한 ETF-UML은 이 같은 결측치 대체 과정 없이 확보된 데이터만 활용하도록 설계됐다.

환자의 기본 정보와 진단처방 기록 등 표 형식 데이터, 혈액검사와 활력징후 등 시간에 따라 축적되는 시계열 데이터, 의료진이 작성한 임상 기록 등 텍스트 데이터를 각각 독립적으로 학습하면서 서로 다른 데이터가 공통된 판단 기준을 공유하도록 했다.

연구팀은 국제 공개 중환자 데이터베이스인 MIMIC-IV와 eICU를 활용해 ETF-UML의 사망위험 예측 성능을 평가했다.

MIMIC-IV에서는 30일 사망 예측에 19만 27건, 90일 사망 예측에 16만 4723건을 사용했으며, eICU에서는 원내 10일 사망 예측에 11만 9852건을 활용했다.

평가 결과 ETF-UML은 세 가지 사망 예측 과제 모두에서 단일 모달리티 모델과 통합 학습형 융합 모델, 결측 대응 기법을 사용하는 기존 멀티모달 모델인 GRAPESMILSHASPECMUSE 등을 비교해 가장 높은 AUROC를 기록했다.

특히 데이터가 부족할수록 기존 모델과의 성능 격차가 커졌다.

환자 기본 정보 등 표 형식 데이터는 모두 확보하되 나머지 두 종류 데이터의 관측 비율을 30%까지 낮춘 조건에서도 ETF-UML은 모든 조건에서 기존 최고 성능 모델보다 높은 성능을 보였다. eICU 데이터에서는 성능 차이가 최대 5.34점까지 벌어졌다.

두 종류의 데이터만 활용한 조건에서도 ETF-UML은 여러 설정에서 기존 모델보다 4.4~10.7점 높은 성능을 기록했다.

AI 구동에 필요한 연산 부담도 낮았다. 여러 종류의 데이터를 결합하는 과정에서 ETF-UML이 사용한 최대 그래픽 메모리는 0.44GB로, 비교 대상인 MUSE의 4.70GB보다 약 10분의 1 수준이었다. 연산량 역시 MUSE의 절반 이하로 나타났다.

박유랑 교수는 각 데이터가 공통된 판단 기준을 공유하도록 설계해 확보된 데이터만으로도 안정적인 예측이 가능한 AI 프레임워크를 개발했다며 후속 연구를 통해 영상 데이터를 포함한 다양한 임상 과제로 확장해 실제 진료 현장에서 적용 가능한 인공지능으로 발전시켜 나가겠다고 말했다.

이번 연구는 한국연구재단 AI데이터기반바이오선도기술개발사업 치료 반응 중심 임상 바이오 빅데이터 결합과 멀티모달 인공지능을 이용한 난치암 치료 최적화 과제와 산업통상자원부 디지털헬스산업전문인력양성 과제의 지원을 받아 수행됐다.