검사·임상기록 일부 없어도 안정적…멀티모달 의료 AI 개발

연세의대 박유랑 교수팀, 결측치 대체 없이 사망위험 예측
데이터 부족할수록 기존 AI와 예측 성능 격차 커져

진료 현장에서 검사 결과나 임상 기록이 충분하지 않은 채 환자의 위험도를 판단해야 하는 경우에도 안정적으로 작동하는 멀티모달 의료 인공지능(AI)이 국내 연구진에 의해 개발됐다.

연세대학교 의과대학 의생명시스템정보학교실 박유랑 교수와 홍재성 연구원 연구팀은 일부 검사 결과나 임상 기록이 없는 상황에서도 확보된 데이터만으로 환자의 사망 위험을 예측할 수 있는 멀티모달 의료 AI 프레임워크 'ETF-UML'을 개발했다고 16일 밝혔다.

멀티모달 AI는 환자의 기본정보, 검사 결과, 의료진의 임상 기록 등 서로 다른 형태의 데이터를 함께 분석하는 기술이다. 하지만 응급실이나 중환자실 등과 같은 의료 현장에서는 모든 데이터가 동시에 확보되기 어렵다. 혈액검사와 활력징후는 측정 시점과 횟수에 따라 달라지고, 퇴원요약 등 일부 임상 기록은 입원 초기에는 존재하지 않기 때문이다.

기존 멀티모달 AI는 모든 데이터가 갖춰져 있다는 전제에서 학습하는 경우가 많아 일부 데이터가 빠지면 성능이 떨어질 수 있다. 이를 보완하기 위해 없는 데이터를 AI가 추정해 채워 넣는 '결측치 대체' 방식도 활용되지만, 확인되지 않은 의료정보를 임의로 추정할 경우 실제 환자 상태와 의료진의 판단을 왜곡할 가능성이 있다.

연구팀은 결측치를 만들어내지 않고 확보된 데이터만 활용하는 방식에 주목했다. ETF-UML은 환자의 기본정보와 진단·처방 기록 등 표 형식 데이터, 혈액검사·활력징후 등 시간에 따라 축적되는 시계열 데이터, 의료진이 작성한 임상 텍스트를 각각 독립적으로 학습한 뒤 서로 다른 데이터가 공통된 판단 기준을 공유하도록 설계됐다.

연구팀은 국제 공개 중환자 데이터베이스인 MIMIC-IV와 eICU를 활용해 세 가지 사망 예측 과제를 대상으로 성능을 검증했다. MIMIC-IV의 30일 사망 예측에는 19만27건, 90일 사망 예측에는 16만4723건, eICU의 원내 10일 사망 예측에는 11만9852건의 데이터가 사용됐다. 그 결과 ETF-UML은 세 가지 평가 모두에서 단일 모달리티 모델과 통합 학습형 융합 모델, 결측 대응 기법을 적용한 GRAPE·SMIL·SHASPEC·MUSE 등 기존 모델보다 높은 AUROC(예측 정확도)를 기록했다.

ETF-UML은 세 가지 평가 모두에서 '단일 모달리티 모델', '통합 학습형 융합 모델', 결측 대응 기법을 사용하는 'GRAPE·SMIL·SHASPEC·MUSE' 등 기존 모델들과 비교해 가장 높은 AUROC를 기록했다.

데이터가 부족할수록 ETF-UML의 강점은 더욱 뚜렷했다. 환자의 기본정보 등 표 형식 데이터는 모두 확보하되 나머지 두 종류의 데이터 관측 비율을 30%까지 낮춘 상황에서도 ETF-UML은 모든 조건에서 기존 최고 성능 모델을 앞섰다. eICU 데이터에서는 성능 차이가 최대 5.34점까지 벌어졌다. 두 종류의 데이터만 활용한 경우에도 여러 설정에서 기존 모델보다 4.4~10.7점 높은 성능을 기록했다.

AI 구동에 필요한 연산 부담도 낮았다. ETF-UML이 사용한 최대 그래픽 메모리는 0.44GB로, 비교 대상인 멀티모달 AI 모델 MUSE의 4.70GB보다 약 10분의 1 수준이었다. 연산량 역시 절반 이하로 줄었다.

연구팀은 이번 결과가 모든 환자 데이터가 완전히 갖춰지기 어려운 실제 의료 현장에서 멀티모달 AI를 적용하는 데 의미가 있다고 설명했다. 박유랑 교수는 "각 데이터가 공통된 판단 기준을 공유하도록 설계해 확보된 데이터만으로도 안정적인 예측이 가능한 AI 프레임워크를 개발했다"며 "후속 연구를 통해 영상 데이터를 포함한 다양한 임상 과제로 확장해 실제 진료 현장에서 적용 가능한 AI로 발전시켜 나가겠다"고 말했다.

이번 연구 결과는 국제학술지 'Information Fusion(IF 17.4)'에 게재됐다

조인경 기자 ikjo@asiae.co.kr