💬 NLP

Neuro-Oracle: A Trajectory-Aware Agentic RAG Framework for Interpretable Epilepsy Surgical Prognosis

이 논문은 약물 내성 간질 환자의 수술 후 발작 예후를 예측하기 위해 전·후 수술 MRI 의 변화 궤적을 추출하고 유사 사례를 검색하여 해석 가능한 자연어 예후를 생성하는 3 단계 에이전트 RAG 프레임워크인 'Neuro-Oracle'을 제안하며, 단일 시점 기반 모델보다 우수한 성능과 설명 가능성을 입증합니다.

원저자: Aizierjiang Aiersilan, Mohamad Koubeissi

게시일 2026-04-17

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Aizierjiang Aiersilan, Mohamad Koubeissi

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

1. 왜 새로운 시스템이 필요할까요? (기존의 한계)

지금까지 의사는 환자가 수술을 받기 전의 뇌 MRI 사진 한 장만 보고 수술 성공 확률을 예측했습니다.

비유: 마치 겨울철에 눈이 쌓인 산의 모습 (수술 전) 만 보고, 봄이 되면 눈이 녹고 나무가 자라는 모습 (수술 후) 을 예측하려는 것과 같습니다.
문제점: 하지만 뇌는 정적이지 않습니다. 수술 전후로 뇌의 모양이 어떻게 변하는지 (시간의 흐름에 따른 변화) 를 무시하면, 정확한 예측을 하기 어렵습니다. 또한, 인공지능이 단순히 "성공 확률 80%"라고만 말해주면, 의사는 "왜 그렇게 생각했지?"라고 질문할 때 답을 못 하는 '블랙박스' 문제가 생깁니다.

2. 뉴로-오라클은 어떻게 작동할까요? (3 단계 프로세스)

이 시스템은 세 가지 단계로 이루어진 지능형 비서처럼 작동합니다.

1 단계: "시간 여행자의 지도 만들기" (데이터 인코딩)

작업: 수술 전 MRI 와 수술 후 MRI 를 비교합니다.
비유: 두 장의 사진을 겹쳐서 **어디가 어떻게 변했는지 (예: 뇌의 특정 부분이 얼마나 줄어들었는지) 를 하나의 '변화 벡터 (Trajectory Vector)'**라는 작은 나침반으로 만듭니다.
효과: 단순히 "뇌가 예쁘다/추하다"가 아니라, "수술 후 뇌가 어떻게 변했는지"라는 동적인 이야기를 숫자로 압축합니다.

2 단계: "역사 도서관에서 비슷한 사례 찾기" (검색)

작업: 새로 만든 '변화 나침반'을 가지고, 과거에 수술받은 수천 명의 기록이 담긴 거대한 도서관 (데이터베이스) 을 뒤집니다.
비유: 내 손톱 모양과 가장 비슷한 손톱을 가진 5 명의 과거 환자를 찾아내는 것입니다.
효과: "내 뇌의 변화 패턴이 과거에 수술 성공한 A 씨, B 씨와 매우 닮았네!"라고 비슷한 사례를 찾아냅니다.

3 단계: "전문가 비서의 설명" (LLM 추론)

작업: 찾아낸 5 명의 과거 사례를 인공지능 비서 (Llama-3) 에게 보여줍니다.
비유: 이 비서는 단순히 "성공 확률 80%"라고 숫자만 말하는 게 아니라, **"이 환자는 과거에 성공한 A 씨와 뇌 모양이 비슷하지만, 나이가 좀 더 많아서 주의가 필요합니다"**라고 자연어 (문장) 로 이유를 설명합니다.
핵심: 이 비서는 **할루시네이션 (거짓말)**을 하지 않도록 설계되었습니다. 찾아낸 실제 사례 밖의 정보를 invention 하지 않고, 오직 찾아낸 증거만 바탕으로 결론을 내립니다.

3. 이 시스템의 놀라운 성과

연구팀은 공개된 데이터 (EPISURG, 268 명) 로 실험을 했습니다.

정확도: 기존에 MRI 한 장만 보고 예측하던 방법보다 훨씬 더 정확하게 수술 결과를 예측했습니다. 특히, 수술 실패 (발작 지속) 로 이어질 위험이 있는 환자를 찾아내는 능력 (민감도) 이 크게 향상되었습니다.
해석 가능성: 가장 큰 장점은 이유를 설명해 준다는 점입니다.
- 기존 AI: "성공 확률 85%." (왜? 모름)
- 뉴로-오라클: "성공 확률 85% 입니다. 왜냐하면 환자의 뇌 변화 패턴이 과거에 성공한 5 명의 환자 중 4 명과 매우 유사하기 때문입니다."
안전장치: 인공지능이 "나이가 많으면 뇌 회복이 느리다"는 의학 지식을 바탕으로, 너무 나이 차이가 나는 과거 사례는 제외하고 판단하도록 설정했습니다.

4. 요약: 왜 이것이 중요한가요?

이 논문은 **"단순한 점수 예측"을 넘어 "이유 있는 진단"**을 가능하게 합니다.

의사에게: "왜 이 환자에게 수술을 추천하는가?"에 대한 구체적인 증거를 제시해 주어, 수술 결정에 대한 신뢰를 높여줍니다.
환자에게: "내 뇌가 어떻게 변할지, 그리고 그 결과가 어떤지"에 대해 이해하기 쉬운 설명을 들을 수 있게 됩니다.

한 줄 요약:

뉴로-오라클은 수술 전후의 뇌 변화 패턴을 찾아내어, 과거의 비슷한 사례들을 참고하고, 인공지능 비서가 그 이유를 인간처럼 설명해 주는 똑똑한 뇌전증 수술 예보 시스템입니다.

(참고: 이 연구는 아직 완벽한 '치유'를 보장하는 것은 아니며, 현재는 수술 유형을 기준으로 한 '예측 모델'의 개념 증명 단계입니다. 하지만 의사와 AI 가 협력하여 더 나은 결정을 내리는 새로운 시대를 열었습니다.)

1. 문제 정의 (Problem Definition)

배경: 약물 내성 간질 (Pharmacoresistant Epilepsy) 환자의 수술 후 발작 재발 예측은 임상적으로 중요한 과제입니다. 특히 구조적으로 정상적인 MRI 를 보이는 환자나 장기적인 뇌 구조 변화가 있는 경우 예측이 어렵습니다.
기존 방법의 한계:
1. 정적 (Static) 접근: 기존 딥러닝 모델들은 수술 전 단일 시점의 MRI 스캔만을 분석하여, 수술 전후의 장기적 (Longitudinal) 형태학적 변화를 무시합니다.
2. 데이터 부족: 단일 센터의 간질 수술 코호트는 환자 수가 적어 (수백 명) 고용량 엔드 - 투 - 엔드 분류기가 과적합 (Overfitting) 되기 쉽습니다.
3. 해석 불가능성: 기존 분류기는 단순한 확률 점수만 출력하며, 임상적 근거가 담긴 검증 가능한 설명을 제공하지 않아 수술 의사결정 지원 도구로서의 신뢰도가 낮습니다.

2. 방법론 (Methodology: Neuro-Oracle Framework)

저자들은 Neuro-Oracle이라는 3 단계 프레임워크를 제안합니다. 이는 검색 증강 생성 (RAG) 패러다임을 의료 영상 분석에 적용한 것으로, 추적 (Trajectory) 인식과 에이전트 (Agentic) 추론을 결합합니다.

1 단계: 대비적 궤적 인코딩 (Contrastive Trajectory Encoding)

입력: 수술 전 ( $X_{t0}$ ) 과 수술 후 ( $X_{t1}$ ) T1 가중 MRI 쌍.
전처리: ANTs 를 사용하여 수술 후 영상을 수술 전 영상에 강체 (Rigid, 6-DOF) 등록합니다. (비선형 변형 등록은 국소 부피 변화를 부드럽게 만들 수 있어 배제됨).
아키텍처: 3D 시아메스 (Siamese) 대비 네트워크 (MONAI 3D ResNet-50 백본) 를 사용하여 두 시점의 영상을 인코딩합니다.
궤적 벡터 생성: 두 인코딩된 특징 벡터의 차이 ( $\Delta v$ ) 를 MLP 헤드를 통해 512 차원의 **궤적 벡터 (Trajectory Vector)**로 투영합니다.
학습 목표: 동일한 수술 결과 (프록시 라벨) 를 가진 궤적 벡터는 가깝게, 다른 결과는 멀게 만드는 Supervised Contrastive Loss와 클래스 불균형 (4:1) 을 해결하기 위한 Focal Loss를 결합하여 학습합니다.

2 단계: 인구 아카이브 및 궤적 검색 (Population Archive & Retrieval)

학습된 인코더를 고정 (Freeze) 하고, 훈련 데이터의 모든 궤적 벡터를 FAISS 인덱스에 저장하여 인구 아카이브를 구축합니다.
새로운 환자 (쿼리) 가 입력되면, 가장 유사한 역사적 사례 (Top-k, $k=5$ ) 를 코사인 유사도 (내적) 기반의 최근접 이웃 (Nearest-Neighbor) 검색을 통해 찾습니다.

3 단계: 보정된 LLM 추론 에이전트 (Calibrated LLM Reasoning Agent)

검색된 증거 기반 추론: 검색된 유사 사례의 메타데이터 (나이, 성별, 결과) 와 쿼리 환자의 정보를 Quantized Llama-3-8B 모델에 프롬프트로 입력합니다.
에이전트 역할: LLM 은 간질 전문의 역할을 수행하여 검색된 증거를 바탕으로 자연어 예후 (성공/실패) 와 그 근거 (Justification) 를 생성합니다.
- 나이 필터: 검색된 사례 중 나이가 15 년 이상 차이 나는 경우를 논리적으로 필터링하도록 프롬프트에 명시합니다.
확률 보정 (Calibration): 최종 예측 확률은 검색된 이웃의 다수결 투표 ( $p_{neighbor}$ $p_{n e i g hb or}$ ) 와 LLM 의 판단 ( $p_{LLM}$ $p_{LL M}$ ) 을 가중치 (0.6 : 0.4) 로 혼합하여 산출합니다.
- $p_{Oracle} = 0.60 \times p_{neighbor} + 0.40 \times p_{LLM}$

3. 주요 기여 (Key Contributions)

궤적 인식 아키텍처: 단일 시점 스캔이 아닌, 수술 전후의 형태학적 변화 궤적을 압축 벡터로 인코딩하여 예측 성능을 향상시켰습니다.
해석 가능한 에이전트 RAG: 단순 분류기를 넘어, 검색된 역사적 사례를 기반으로 **자연어 설명 (Justification)**을 생성하는 RAG 기반 에이전트를 도입하여 임상적 투명성을 확보했습니다.
오픈 소스 및 재현성: 모든 구성 요소가 공개 데이터셋 (EPISURG) 과 오픈 소스 도구 (MONAI, FAISS, Llama-3) 에 의존하여 재현성을 보장합니다.
할루시네이션 제로 (Zero-Hallucination): 엄격한 프롬프트 설계와 검색 기반 증거를 통해 LLM 의 환각 현상을 0% 로 억제했습니다.

4. 실험 결과 (Results)

데이터셋: EPISURG (N=268, 수술 전후 쌍).
레이블: 실제 발작 자유도 (Engel Class) 대신 수술 유형 (측두엽 절제술 vs 비측두엽/복합 절제술) 을 기반으로 한 프록시 라벨을 사용했습니다. (이는 모델이 실제 병리보다는 절제 부위 형태를 학습할 수 있음을 의미하는 한계점입니다.)
성능 비교 (5-fold 교차 검증):
- 기저선 (Static Baselines): ResNet-50 (AUC 0.793), 3D ViT (AUC 0.867).
- 궤적 기반 분류기: Siamese + 로지스틱 회귀 (AUC 0.883), Siamese 다양성 앙상블 (M6, AUC 0.905).
- Neuro-Oracle (M5): AUC 0.867 (기하학적 기반 분류기와 동급 성능) 을 달성하면서도 자연어 설명을 제공합니다.
민감도 (Sensitivity): 궤적 기반 방법들은 정적 방법 (0.396) 에 비해 소수 클래스 (불리한 결과) 에 대한 민감도가 현저히 높았습니다 (Neuro-Oracle: 0.566, 임계값 최적화 시 0.698).
해석성: LLM 은 검색된 증거에 기반한 일관된 설명을 생성했으며, 할루시네이션이 관측되지 않았습니다.

5. 의의 및 결론 (Significance & Conclusion)

임상적 가치: Neuro-Oracle 은 높은 예측 정확도 (AUC 0.867) 를 유지하면서도, "왜" 그런 예측이 나왔는지에 대한 검증 가능한 자연어 설명을 제공합니다. 이는 블랙박스 모델 (AUC 0.905 인 앙상블) 보다 임상 의사결정 지원 시스템으로서 더 신뢰할 수 있고 배포 가능성이 높습니다.
개념 증명 (Proof-of-Concept): 현재 연구는 실제 임상 결과 (발작 자유도) 가 아닌 수술 유형을 프록시로 사용했으므로, 모델이 절제 부위의 해부학적 특징을 학습했을 가능성이 있습니다. 그러나 궤적 기반 검색 아키텍처와 에이전트 RAG 프레임워크의 유효성을 입증했습니다.
미래 작업: 실제 환자별 발작 결과 (Engel 점수) 가 포함된 레지스트리와의 연동, 다센터 데이터에 대한 일반화 검증, 그리고 LLM 에이전트의 임상적 추론 정밀도 향상을 위한 파인튜닝이 필요하다고 제안합니다.

요약: Neuro-Oracle 은 간질 수술 예후 예측을 위해 장기적 MRI 변화 궤적을 학습하고, 이를 검색 증강 생성 (RAG) 기반의 LLM 에이전트를 통해 해석 가능한 형태로 출력하는 혁신적인 프레임워크입니다. 이는 정확성과 해석 가능성 사이의 균형을 맞추어 임상 현장의 신뢰도를 높이는 데 기여합니다.