생성형 AI는 인간 연구팀보다 더 빠르게 의료 데이터를 분석합니다.

인공지능이 방대한 의료 데이터를 기록적인 속도로 의미 있는 발견으로 전환할 수 있음을 입증했습니다. (사진 제공: Shutterstock)

의료 연구 분야에서 인공지능을 활용한 초기 실증 테스트에서, 샌프란시스코 캘리포니아 대학교와 웨인 스테이트 대학교의 과학자들은 생성형 인공지능이 기존 컴퓨터 과학 팀보다 훨씬 빠르게 방대한 의료 데이터 세트를 처리할 수 있으며, 경우에 따라서는 더 우수한 결과를 도출할 수 있다는 사실을 발견했습니다. 인간 전문가들은 동일한 정보를 분석하는 데 수개월을 소요했습니다.

연구진은 성능을 직접 비교하기 위해 동일한 과제를 서로 다른 그룹에 할당했습니다. 일부 팀은 전적으로 인간의 전문 지식에 의존했고, 다른 팀은 인공지능 도구를 활용하는 과학자들을 투입했습니다. 과제는 1,000명 이상의 임산부 데이터를 사용하여 조산을 예측하는 것이었습니다.

심지어 샌프란시스코 캘리포니아 대학교(UCSF) 석사 과정 학생인 루벤 사르왈과 고등학생인 빅터 타르카로 구성된 신진 연구팀조차 인공지능을 활용한 예측 모델 개발에 성공했습니다. 이 시스템은 숙련된 프로그래머라도 몇 시간 또는 며칠이 걸리는 작업을 단 몇 분 만에 완료하고 작동하는 컴퓨터 코드를 생성했습니다.

AI가 짧지만 매우 구체적인 입력값을 바탕으로 분석 코드를 작성할 수 있다는 점이 강점이었습니다. 모든 시스템이 뛰어난 성능을 보인 것은 아니었습니다. 8개의 AI 챗봇 중 4개만이 유용한 코드를 생성했습니다. 하지만 성공적인 시스템들은 대규모 전문가 팀의 도움 없이도 운영이 가능했습니다.

이러한 빠른 속도 덕분에 신진 연구원들은 몇 달 안에 실험을 완료하고, 결과를 검증하고, 학술지에 논문을 제출할 수 있었습니다.

"이러한 AI 도구는 데이터 과학에서 가장 큰 병목 현상 중 하나인 분석 파이프라인 구축을 해소하는 데 도움이 될 수 있습니다."라고 샌프란시스코 캘리포니아 대학교(UCSF) 소아과 교수이자 바카르 전산 보건 과학 연구소(BCHSI) 임시 소장, 그리고 UCSF 마칭 오브 다임스 조산 연구 센터 책임 연구원인 마리나 시로타 박사는 말했습니다. "지금 당장 도움이 필요한 환자들에게 이러한 속도 향상은 더할 나위 없이 시급한 일입니다."

시로타는 2월 17일 Cell Reports Medicine 에 발표된 해당 연구의 공동 선임 저자입니다 .

조산 연구가 중요한 이유

데이터 분석 속도를 높이면 신생아 사망의 주요 원인이자 아동의 장기적인 운동 및 인지 장애에 크게 기여하는 조산 진단 도구를 개선할 수 있습니다. 미국에서는 매일 약 1,000명의 아기가 조산으로 태어납니다.

연구자들은 아직 조산의 원인을 완전히 이해하지 못하고 있습니다. 가능한 위험 요인을 조사하기 위해 시로타 연구팀은 9개의 개별 연구에 걸쳐 추적된 약 1,200명의 임산부로부터 얻은 마이크로바이옴 데이터를 수집했습니다.

"이러한 연구는 개방적인 데이터 공유를 통해서만 가능하며, 많은 여성들의 경험과 많은 연구자들의 전문 지식을 결합할 수 있습니다."라고 마칭 오브 다임스 조산 데이터 저장소 공동 책임자이자 UCSF BCHSI 부교수이며 이번 논문의 공동 저자인 토미코 T. 오스콧스키 박사는 말했습니다.

하지만 이처럼 방대하고 복잡한 데이터 세트를 분석하는 것은 어려운 일이었다. 이를 해결하기 위해 연구진은 DREAM(Dialogue on Reverse Engineering Assessment and Methods)이라는 글로벌 크라우드소싱 공모전에 참여했다.

시로타는 DREAM 임신 챌린지 세 가지 중 하나를 공동으로 이끌었으며, 특히 질 미생물군 데이터에 집중했습니다. 전 세계 100개 이상의 팀이 참여하여 조산과 관련된 패턴을 감지하도록 설계된 머신러닝 모델을 개발했습니다. 대부분의 팀은 3개월의 대회 기간 내에 작업을 완료했지만, 연구 결과를 종합하고 발표하는 데는 거의 2년이 걸렸습니다.

임신 및 마이크로바이옴 데이터에 대한 AI 테스트

생성형 AI가 그 기간을 단축할 수 있을지 궁금했던 시로타 연구팀은 미시간주 디트로이트에 있는 웨인 스테이트 대학교 분자 의학 및 유전학 센터의 교수이자 공동 선임 저자인 아디 L. 타르카 박사가 이끄는 연구진과 협력했습니다. 타르카 박사는 임신 단계 추정 방법 개선에 초점을 맞춘 앞선 두 차례의 DREAM 프로젝트를 이끌었던 바 있습니다.

연구진은 함께 8개의 AI 시스템에 세 가지 DREAM 과제에서 사용된 동일한 데이터 세트를 활용하여 사람의 직접적인 코딩 없이 독립적으로 알고리즘을 생성하도록 지시했습니다.

AI 챗봇은 신중하게 작성된 자연어 지침을 받았습니다. ChatGPT와 마찬가지로, 이 시스템들은 원래 DREAM 참가자들이 사용했던 방식과 유사하게 건강 데이터를 분석하도록 유도하는 상세한 안내를 받았습니다.

그들의 목표는 이전의 과제들을 반영했습니다. AI 시스템은 질 미생물군 데이터를 분석하여 조산 징후를 파악하고, 혈액이나 태반 샘플을 검사하여 임신 주수를 추정했습니다. 임신 주수 추정은 거의 항상 추정치이지만, 임신이 진행됨에 따라 여성이 받는 의료 서비스의 종류를 결정하는 데 중요한 역할을 합니다. 추정치가 정확하지 않으면 출산 준비가 더욱 어려워집니다.

연구진은 AI가 생성한 코드를 DREAM 데이터셋에 적용하여 실행했습니다. 8개의 도구 중 4개만이 인간 팀의 성능과 일치하는 모델을 생성했지만, 일부 경우에는 AI 모델이 더 나은 성능을 보였습니다. 생성형 AI를 활용한 이 모든 연구(기획부터 논문 제출까지)는 단 6개월 만에 완료되었습니다.

과학자들은 인공지능이 여전히 세심한 감독을 필요로 한다고 강조합니다. 이러한 시스템은 오해의 소지가 있는 결과를 도출할 수 있으며, 인간의 전문 지식은 여전히 ​​필수적입니다. 하지만 생성형 인공지능은 방대한 의료 데이터 세트를 신속하게 처리함으로써 연구자들이 코드 문제 해결에 소요하는 시간을 줄이고 결과 해석 및 의미 있는 과학적 질문을 제기하는 데 더 많은 시간을 할애할 수 있도록 해줄 수 있습니다.

"생성형 AI 덕분에 데이터 과학에 대한 배경 지식이 부족한 연구자들도 광범위한 협업을 하거나 코드 디버깅에 몇 시간을 허비할 필요가 없어질 것입니다."라고 타르카는 말했다. "그들은 올바른 생의학적 질문에 답하는 데 집중할 수 있습니다."

저자: UCSF 소속 저자는 Reuben Sarwal, Claire Dubin, Sanchita Bhattacharya(석사), Atul Butte(의학박사)입니다. 그 외 저자로는 Victor Tarca(Huron High School, Ann Arbor, MI), Nikolas Kalavros 및 Gustavo Stolovitzky(박사, 뉴욕대학교), Gaurav Bhatti(웨인 주립대학교), Roberto Romero(의학박사, 의학이학박사, 국립아동건강인간발달연구소(NICHD))가 있습니다.

자금 지원: 본 연구는 UCSF의 March of Dimes 조산 연구 센터와 ImmPort의 지원을 받아 수행되었습니다. 본 연구에 사용된 데이터는 NICHD 임신 연구 분과의 지원을 일부 받아 생성되었습니다.

출처: https://www.sciencedaily.com/releases/2026/02/260221060942.htm