세브란스, 의료 AI 프레임워크 개발 성공
검사·임상기록 일부 없어도 사망위험 예측
데이터 부족할 수록 성능 우수…메모리 부담↓
응급실이나 중환자실과 같은 실제 진료 현장에서는 환자의 기본 정보와 검사결과, 의료진 기록 등 필요한 데이터를 한 번에 모두 확보하기 어렵다. 혈약검사나 활력징후 등은 측정 시점에 따라 달라지고, 퇴원 요약과 같은 임상 기록은 입원 초기에는 존재하지 않기 때문이다.
연구팀이 개발한 솔루션은 이러한 현장의 한계를 극복했다. 기존에 확보한 데이터는 물론, 시간에 따라 축적되는 시계열 데이터까지 종합적으로 학습해 사망 위험을 정확하게 예측한다. 특히 데이터가 부족할수록 기존 AI 모델에 비해 예측 성능이 더 우수하고 격차도 커지는 것으로 나타났다. 메모리 사용량도 10분의 1 수준에 불과했다.
16일 세브란스병원에 따르면 박유랑 연세대학교 의과대학 의생명시스템정보학교실 교수와 홍재성 연구원 연구팀은 환자의 검사 결과나 임상 기록 일부가 빠져 있는 실제 진료 환경에서도 안정적으로 작동하는 멀티모달 의료 AI 프레임워크 'ETF-UML'을 개발했다.
기존 멀티모달 AI는 필요한 데이터가 모두 갖춰져 있다는 전제로 학습하는 경우가 많아 일부 데이터가 누락되면 예측 성능이 저하됐다. 이를 보완하기 위해 확보되지 못한 데이터를 추정해 임의의 값으로 채워 넣는 '결측치 대체 방법'을 사용하기도 한다. 하지만 확인되지 않은 의료 데이터를 임의로 채우면 오히려 실제 환자 상태와 의료진의 판단을 왜곡할 위험이 크다.
이에 연구팀은 빠진 데이터를 추정해 채워 넣는 대신, 서로 다른 종류의 데이터가 처음부터 같은 판단 기준을 공유하도록 하는 ETF-UML을 개발했다.
ETF-UML은 환자의 기본 정보와 진단·처방 기록 등 표 형식 데이터와 혈액검사와 활력징후 등 시간에 따라 축적되는 시계열 데이터, 의료진이 작성한 임상 기록 등 텍스트 데이터를 각각 독립적으로 학습시켰다.
AI 예측 성능 확인을 위해 국제 공개 중환자 데이터베이스인 MIMIC-IV와 eICU를 이용해 총 세 가지 사망 예측을 평가했다. MIMIC-IV 30일 사망 예측에 19만27건, 90일 사망 예측에 16만4723건, eICU 원내 10일 사망 예측에 11만9852건이 활용됐다.
그 결과 ETF-UML은 세 가지 평가 모두에서 단일 모달리티 모델, 통합 학습형 융합 모델, 결측 대응 기법 사용 모델(GRAPE·SMIL·SHASPEC·MUSE 등) 기존 모델과 비교해 가장 높은 AUROC(정확도)를 기록했다.
특히 확보할 수 있는 데이터가 적을수록 성능 차이가 두드러졌다. 환자의 기본 정보 등 표 형식 데이터만 모두 확보하고 나머지 두 종류 데이터의 관측 비율을 30%까지 낮춘 상황에서도 ETF-UML은 모든 조건에서 기존 최고 성능 모델보다 우수한 성능을 보였다. eICU 데이터에서는 성능 차이가 최대 5.34점까지 벌어졌다. 두 종류의 데이터만 활용한 조건에서도 다수의 설정에서 기존 모델보다 4.4~10.7점 높은 성능을 기록했다.
AI 구동에 필요한 연산 효율도 높았다. 여러 종류의 데이터를 결합하는 과정에서 ETF-UML이 사용한 최대 그래픽 메모리는 0.44GB(기가 바이트)로 비교 대상 멀티모달 AI 모델(MUSE)의 4.70GB와 비교해 10분의 1 수준이었다. 연산량도 절반 이하였다.
박유랑 교수는 "이번 연구를 통해 각 데이터가 공통된 판단 기준을 공유하도록 설계해, 확보된 데이터만으로도 안정적인 예측이 가능한 AI 프레임워크를 개발했다"고 말했다.
이번 연구 결과는 국제학술지 인포메이션 퓨전(Information Fusion)에 게재됐다.
◎공감언론 뉴시스 you@newsis.com