"환자 데이터 일부 빠져도 예측"…세브란스병원, AI 개발

확보된 의료데이터만으로 환자 사망 위험 예측

데이터 부족한 환경서 기존 AI보다 높은 성능 확인

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. ⓒ세브란스병원

환자의 검사 결과나 임상 기록이 일부 누락된 상황에서도 안정적으로 작동하는 의료 인공지능(AI) 기술이 개발됐다. 누락된 정보를 임의로 채우지 않고 확보된 정보만으로 예측할 수 있어 실제 진료 현장에서의 활용 가능성을 높였다는 평가다.

16일 세브란스병원에 따르면 박유랑 연세대 의과대학 의생명시스템정보학교실 교수와 홍재성 연구원 연구팀은 멀티모달 의료 AI 프레임워크 ‘ETF-UML’을 개발했다.

멀티모달 AI는 환자의 기본 정보와 검사 결과, 의료진이 작성한 임상 기록 등 서로 다른 형태의 정보를 종합해 분석한다. 하지만 응급실이나 중환자실 등 실제 진료 현장에서는 필요한 정보를 한 번에 모두 확보하기 어려운 경우가 많다. 혈액검사와 활력징후는 측정 시점과 횟수가 환자마다 다르고, 일부 임상 기록은 입원 초기에는 작성되지 않기 때문이다.

기존 멀티모달 AI는 일부 정보가 누락되면 예측 성능이 떨어질 수 있어 빠진 값을 추정해 채우는 ‘결측치 대체’ 방식을 활용하기도 한다. 반면 ETF-UML은 누락된 정보를 별도로 추정하지 않고 서로 다른 종류의 데이터가 공통된 판단 기준을 공유하도록 설계됐다. 환자의 기본 정보와 진단·처방 기록, 혈액검사·활력징후 등 시계열 데이터, 의료진의 임상 기록을 각각 학습해 현재 확보된 정보만으로도 예측할 수 있도록 했다.

ⓒ세브란스병원

연구팀은 국제 공개 중환자 데이터베이스인 MIMIC-IV와 eICU를 활용해 10일·30일·90일 사망 위험 예측 성능을 평가했다. 그 결과 ETF-UML은 세 가지 평가 모두에서 기존 단일·멀티모달 AI 모델보다 높은 AUROC를 기록했다.

데이터가 부족할수록 성능 차이는 더욱 두드러졌다. 표 형식 데이터를 모두 확보하고 나머지 두 종류 데이터의 관측 비율을 30%까지 낮춘 상황에서도 기존 최고 성능 모델을 웃돌았다. eICU 데이터에서는 성능 차이가 최대 5.34점까지 벌어졌다.

연산 부담도 낮췄다. ETF-UML의 최대 그래픽 메모리 사용량은 0.44GB로 비교 대상 멀티모달 AI 모델인 MUSE(4.70GB)의 10분의 1 수준이었으며, 연산량도 절반 이하였다.

박유랑 교수는 “확보된 데이터만으로도 안정적인 예측이 가능한 AI 프레임워크를 개발했다”며 “향후 영상 데이터를 포함한 다양한 임상 과제로 확장해 실제 진료 현장에서 적용 가능한 인공지능으로 발전시키겠다”고 말했다.

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