🤖 AI

Simulating clinical interventions with a generative multimodal model of human physiology

본 논문은 15,000 명의 개인으로 학습된 생성형 멀티모달 트랜스포머인 HealthFormer 를 소개하며, 이는 작업별 학습 없이도 다양한 생리학적 궤적을 예측하고 임상적 중재 시뮬레이션을 수행하여 확립된 위험 점수들을 능가하며 여러 코호트에서 중재 결과를 정확하게 예측합니다.

원저자: Guy Lutsker, Gal Sapir, Jordi Merino, Smadar Shilo, Anastasia Godneva, Eli Meirom, Shie Mannor, Hagai Rossman, Gal Chechik, Eran Segal

게시일 2026-05-01

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Guy Lutsker, Gal Sapir, Jordi Merino, Smadar Shilo, Anastasia Godneva, Eli Meirom, Shie Mannor, Hagai Rossman, Gal Chechik, Eran Segal

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

당신의 몸을 거대하고 복잡한 오케스트라라고 상상해 보세요. 보통 의사가 건강을 점검할 때는 빠른 스냅샷, 즉 특정 순간에 연주 중인 음악가들의 단일 사진을 찍습니다. 그들은 바이올리니스트 (심박수) 나 드러머 (혈당) 를 볼 수는 있지만, 시간이 지남에 따라 음악이 어떻게 흐르는지, 악기들이 서로 어떻게 영향을 미치는지, 혹은 드러머에게 다른 리듬을 연주하라고 요청하면 어떤 일이 일어나는지는 놓칩니다.

이 논문은 인간의 삶 전체의 '교향곡'을 듣고, 단일 음표만이 아닌 전체를 이해하도록 설계된 새로운 종류의 인공지능인 HealthFormer를 소개합니다.

다음은 이를 간단한 개념으로 분해한 작동 원리입니다:

1. "건강 번역기" (토큰화)

연구진은 15,000 명 이상의 인간 표현형 프로젝트 (Human Phenotype Project) 에서 수집한 방대한 건강 데이터 라이브러리로 시작했습니다. 이 데이터는 단순히 "아프다"거나 "건강하다"는 음표가 아니라, 혈액 검사부터 수면 패턴, 장내 세균, 식이 기록, 심지어 스마트워치를 착용한 채 움직이는 모습에 이르기까지 모든 것을 포함했습니다.

HealthFormer 는 이러한 다양한 유형의 데이터를 하나의 언어로 번역합니다. 마치 지저분하게 쌓인 악보, 가사, 음원 녹음 파일을 통합된 텍스트 문자열로 변환하는 것과 같습니다. 이는 혈압, 수면의 질, 섭취한 음식을 당신의 삶의 이야기를 전달하는 긴 문장 속의 "단어"로 취급합니다.

2. "시간 여행 이야기꾼" (생성 모델)

단순히 사실을 암기하는 대신, HealthFormer 는 이야기꾼이 되도록 훈련됩니다. 이는 당신의 건강 이야기의 첫 부분 (과거 방문 기록 및 측정치) 을 읽고 다음 장을 추측해 냅니다.

마법: 이는 단순히 하나의 숫자를 추측하는 것이 아니라, 당신의 건강이 진화할 수 있는 모든 가능한 방식을 상상합니다.
테스트: 연구진이 오직 첫 방문 기록만을 바탕으로 2 년 후 당신의 건강이 어떻게 될지 예측하도록 요청했을 때, 이는 기존 의료 모델보다 훨씬 정확하게 예측했습니다. 수면이 부실하고 식단이 무거우면 나중에 혈압이 상승할 수 있음을 학습하여 다른 모델들이 놓치는 연결고리를 찾아냈습니다.

3. "만약에" 시뮬레이터 (개입)

이 부분이 가장 흥미롭습니다. HealthFormer 는 당신의 몸을 위한 비행 시뮬레이터처럼 작동할 수 있습니다.

시나리오: "이 특정 약을 먹으면 혈압에 어떤 변화가 있을까?" 또는 "하루 30 분씩 걷는다면 어떨까?"라고 궁금해한다고 상상해 보세요.
시뮬레이션: 당신은 AI 에게 "내 현재 건강 이야기가 여기 있습니다. 이제 이야기 속에 '걷기'라는 토큰을 삽입하세요"라고 말합니다. 그러면 AI 는 나머지 이야기를 다시 써서 예상되는 결과를 보여줍니다.
결과: 실제 영양 임상 시험에서 6 개월 동안 사람들의 몸이 어떻게 변할지에 대한 AI 의 예측은 실제 결과와 매우 밀접하게 일치했습니다. 이는 특정 과제를 수행하도록 특별히 가르침을 받지 않았음에도 불구하고 체중, 혈당, 혈압의 변화를 성공적으로 예측했습니다.

4. "범용 번역기" (일반화)

의학에서 가장 큰 도전 과제 중 하나는 한 그룹의 사람들로 훈련된 모델이 다른 그룹에서는 종종 실패한다는 점입니다. HealthFormer 는 다릅니다. 연구진은 원래 훈련에 포함되지 않았던 네 가지 완전히 다른 그룹 (영국, 미국, 이스라엘 출신) 에 대해 이를 테스트했습니다.

유사성: 한 언어로 읽는 법을 가르친 학생에게 다른 언어로 된 책을 건네주었을 때, 여전히 그 이야기를 이해할 수 있는 것과 같습니다.
결과: 추가 훈련 없이도 HealthFormer 는 오늘날 의사가 사용하는 표준 의료 위험 점수보다 이러한 새로운 그룹에서 심장마비나 신장 질환과 같은 질병 위험을 더 잘 예측할 수 있었습니다.

5. "디지털 트윈" 프로토타입

저자들은 이를 **"초기 건강 세계 모델"**이라고 부릅니다. 이는 실제 사람의 가상 복사본인 "디지털 트윈"의 초안이라고 생각하면 됩니다.

기능: 이는 당신의 미래 건강을 예측하고, 질병에 걸릴 위험을 알려주며, 다양한 치료가 당신의 경로를 어떻게 바꿀지 시뮬레이션할 수 있습니다.
아닌 것: 이 논문은 이것이 무엇이 일어날지 보장하는 수정구슬이 아니라고 매우 신중하게 명시합니다. 이는 과거의 패턴을 학습하여 미래에 대한 합리적인 추측을 하는 강력한 도구일 뿐입니다. 이는 질병을 치료하는 마법의 지팡이가 아니라, 몸이 어떻게 작동하는지 이해하는 데 도움을 주는 "세계 모델"입니다.

결론

HealthFormer 는 수백만 건의 건강 기록을 읽음으로써 인간 생물학의 "언어"를 학습하는 새로운 유형의 인공지능입니다. 이는 당신의 미래 건강을 예측하고, 현재 도구들보다 더 일찍 위험을 발견하며, 생활 방식의 변화나 약물이 당신에게 어떤 영향을 미칠지 시뮬레이션할 수 있습니다. 이는 모두 시간이 지남에 따라 당신의 몸이 만들어내는 복잡하고 상호 연결된 이야기를 이해함으로써 가능합니다. 이는 질병에 걸렸을 때 치료하는 반응적인 의학이 아니라, 건강을 유지하는 최선의 경로를 시뮬레이션하는 예방적인 의학으로 나아가는 한 걸음입니다.

"인간 생리학의 생성형 멀티모달 모델을 통한 임상 개입 시뮬레이션"(HealthFormer) 논문에 대한 상세한 기술 요약입니다.

1. 문제 제기

현재 임상 AI 모델은 정밀 의학 분야에서 다음과 같은 중대한 한계에 직면해 있습니다:

데이터 희소성: 대부분의 모델은 에피소드 기반의 전자의무기록 (EHR) 에 의존하는데, 이는 식이, 행동, 환경에 의해 형성된 연속적인 생리학적 역동성을 놓치고 환자 상태의 희소한 스냅샷만 제공합니다.
모달리티 실로: 기존 기반 모델들은 종종 단일 모달리티 (예: 망막 이미지만 또는 포도당 데이터만) 에 초점을 맞추거나, 개입을 동적인 생리학적 교란이 아닌 정적 위험 요인으로 취급합니다.
반사실적 시뮬레이션 부재: 전통적인 위험 모델은 질병 발생 여부를 예측할 수는 있지만, 특정 가상의 개입 하에서 개인의 생리학이 어떻게 진화할지 (예: "스타틴 X 를 복용하거나 식이 Y 를 따르면 LDL 이 어떻게 변할까?") 시뮬레이션할 수는 없습니다.

저자들은 다양한 생물학적 시스템 전반에 걸쳐 미래 상태를 예측하고, 위험을 계층화하며, 임상 개입의 효과를 시뮬레이션할 수 있는 통합된 생성형 인간 생리학 표현인 "헬스 월드 모델 (Health World Model)"을 구축하는 것을 목표로 합니다.

2. 방법론: HealthFormer

A. 데이터 소스: 인간 표현형 프로젝트 (HPP)
이 모델은 15,319 명의 심층 표현형 (deeply phenotyped) 개인으로 구성된 종단적, 다중 방문 코호트인 HPP 를 기반으로 훈련되었습니다. 이 데이터셋은 다음과 같은 광범위하고 심층적인 특징으로 독보적입니다:

7 개 도메인에 걸친 667 가지 고유 측정치: 혈액 생체표지자, 체성분 (DEXA), 수면 생리학, 연속 포도당 모니터링 (CGM), 장내 미생물군, 웨어러블 기반 생리학, 그리고 행동/약물 노출.
종단적 구조: 참가자들은 평균 약 2 년 간격으로 여러 번 방문하여 시간적 궤적을 제공합니다.
토큰화: 원시 데이터는 13,056 개의 토큰으로 구성된 통합 시퀀스로 변환됩니다. 연속 변수는 분위수 기반 구간화 (binning) 를 통해 이산화되고, 범주형 변수 (약물, 운동 유형 등) 는 나열됩니다. 각 토큰에는 내용, 타임스탬프, 이벤트 간 간격, 모달리티 임베딩이 포함됩니다.

B. 모델 아키텍처

유형: 자기회귀적 다음 토큰 예측 (NTP) 목적 함수로 훈련된 디코더 전용 Transformer.
규모: 최종 모델은 139 백만 개의 파라미터 (14 개 레이어, 768 차원 임베딩, 2 개 어텐션 헤드) 를 갖습니다.
입력 표현: 각 위치에서 모델은 6 가지 임베딩을 합산합니다: 토큰 ID, 연속 값 (사인파 인코딩), 모달리티 ID, 시간적 특징 (7 차원: 요일, 시간, 월 등), 위치 인코딩, 그리고 인구통계학적 정보 (연령/성별).
쿼리 메커니즘: 특정 미래 상태를 예측하기 위해 모델은 전용 쿼리 메커니즘을 사용합니다. 이는 목표 모달리티와 시간점 임베딩을 출력 프로젝션 이전에 숨겨진 상태에 주입하여, 각 모달리티마다 별도의 헤드가 필요 없이 특정 미래 시점의 특정 생체표지자에 대한 확률 분포를 생성할 수 있게 합니다.

C. 훈련 전략

손실 함수: 토큰 분류를 위한 가우시안 평활화 교차 엔트로피, 연속 값 재구성을 위한 평균 절대 오차, 그리고 V1 에서 V2 로의 예측을 명시적으로 최적화하기 위한 분할 컨텍스트 종단 손실의 조합.
데이터 증강: 실제 세계 데이터의 불완전성을 시뮬레이션하기 위해 노이즈 주입, 무작위 토큰 제거, 블록 제거, 모달리티 부분집합 선택을 포함합니다.
제로샷 전이: 모델은 토큰 어휘 정렬을 위해 분위수 매칭만 사용하여 파인튜닝 없이 외부 코호트 (UK Biobank, NHANES, PNP3, Framingham) 에서 평가되었습니다.

3. 주요 기여

통합 생리학적 표현: HealthFormer 는 667 가지 모달리티 전반에 걸쳐 시스템 간 의존성 (예: 수면이 포도당에 미치는 영향, 또는 체성분이 혈압에 미치는 영향) 을 포착하는 단일 생성형 표현을 학습합니다.
개입 조건부 시뮬레이션: 모델은 약물, 식이 변화, 운동과 같은 개입을 환자의 병력에 추가된 토큰으로 취급합니다. 그런 다음 해당 특정 개입 하에서 생체표지자가 어떻게 변할지 예측하는 반사실적 궤적을 생성할 수 있습니다.
제로샷 일반화: 모델은 다른 데이터 수집 프로토콜을 가진 4 개의 독립적이고 대규모인 코호트로의 견고한 전이를 보여주며, 재훈련 없이도 상당한 예측 정확도를 달성했습니다.
임상 디지털 트윈 프로토타입: 이 논문은 HealthFormer 를 "임상 디지털 트윈"으로 향하는 초기 단계로 위치시키며, 여기서 예측, 위험 계층화, 개입 시뮬레이션이 단일 생성형 모델에 대한 쿼리로 나타납니다.

4. 주요 결과

A. 재구성과 종단적 예측

동일 방문 내: 7 개 도메인의 17 가지 대표 생체표지자에 대해 높은 재구성 충실도 (Pearson $r > 0.9$ ) 를 보였습니다.
종단적 (2 년 전망): 모델은 기준선 데이터를 기반으로 향후 방문 상태를 예측하여, 인체측정학 ( $r=0.65$ ) 에서 초음파 ( $r=0.25$ ) 까지 평균 상관관계를 보였습니다. 이는 57 개 모달리티 중 51 개에서 독립적인 모달리티별 회귀 베이스라인을 능가하여 통합 표현의 가치를 입증했습니다.
교차 모달리티 관계: 모델은 훈련 중 명시적인 페어링 없이도 수면 지표에서 허리 둘레를 예측하는 등 관련 없는 시스템 간의 인구 수준 의존성을 성공적으로 학습했습니다.

B. 질병 위험 예측

UK Biobank 에 적용: HealthFormer 임베딩 (Cox 비례 위험 모델의 특징으로 사용됨) 은 연령/성별/BMI 베이스라인에 비해 30 개 중 27 개의 신규 발병 질병 및 사망 종점에 대해 일치 지수 (C-index) 를 향상시켰습니다.
확립된 임상 위험 점수 (예: Framingham CVD, PREVENT-ASCVD) 보다 모든 비교에서 더 우수한 성능을 보였습니다.

C. 개입 시뮬레이션 (핵심 혁신)

개인화 영양 임상시험 (PNP3): 200 명의 참가자가 참여한 홀드아웃 무작위 대조 시험 (RCT) 에서 HealthFormer 는 고도의 상관관계 ( $r=0.78$ , DBP 기준) 로 개인별 6 개월 생체표지자 변화 (예: BMI, 공복 혈당, 이완기 혈압) 를 예측했습니다. 예측 정확도는 결과 전의 컨텍스트 (CGM, 식이 로그) 가 더 많이 제공됨에 따라 단조롭게 향상되었습니다.
무작위 대조 시험 (RCT) 검증: 모델은 출판된 RCT 들의 41 개 개입 - 결과 쌍 (지질 강하, 항고혈압, 항당뇨, 체중 감량, 운동) 에 대해 테스트되었습니다.
- 방향: 예측된 효과 방향은 100% 의 경우에서 출판된 시험과 일치했습니다.
- 크기: 예측된 평균 효과는 41 개 비교 중 30 개 (73.2%) 에서 출판된 95% 신뢰 구간 내에 있었습니다.
- 구체적 사항: 스타틴, 메트포르민, GLP-1 작용제, 운동에 대한 효과를 정확하게 재현했습니다. 과소 예측은 주로 고강도 개입 (예: 고용량 스타틴, 고용량 세마글루타이드) 에서 발생했는데, 이는 훈련 데이터 (HPP) 가 관찰 연구이며 프로토콜화된 RCT 에서 관찰되는 극단적인 효과 크기를 포함하지 않기 때문일 가능성이 높습니다.

5. 의의와 한계

의의:

패러다임 전환: 임상 AI 를 "의료 기록"(사건 로그) 모델링에서 "생리학적 궤적"(연속적인 생물학적 역동성) 모델링으로 전환시킵니다.
생성형 시뮬레이션: 임상 의사가 처방 전에 환자의 특정 생리학적 프로필에 대한 생활 방식 변화나 약물 요법의 영향을 시뮬레이션할 수 있도록 인공적으로 "만약에 (what-if)" 시나리오를 가능하게 합니다.
디지털 트윈의 기반: 더 인과적이고 기계론적인 모델을 구축할 수 있는 확장 가능하고 데이터 기반의 기질을 제공합니다.

한계:

연관성 대 인과성: 모델은 관찰 데이터에서 연관성을 학습합니다. RCT 결과와 일치하지만 개별 환자에 대한 인과성을 엄격하게 증명하지는 않습니다.
용량 분해능: 일반 인구 훈련 데이터에서 극단적인 개입이 드물기 때문에 모델은 고용량, 고강도 요법 (예: 고용량 스타틴) 에 어려움을 겪습니다.
세분화: 현재 개입은 "스타틴"과 같은 거친 토큰으로 표현되며, 상세한 용량, 순응도, 적정 이력은 포함되지 않습니다.
데이터 편향: 훈련 코호트 (HPP) 는 심층 표현형이 분석되었지만 모든 글로벌 인구통계학이나 희귀 질환 상태를 완전히 대표하지는 않을 수 있습니다.

결론:
HealthFormer 는 풍부하고 멀티모달이며 종단적인 데이터로 훈련된 단일 생성형 모델이 "헬스 월드 모델"로 기능할 수 있음을 보여주는 의료 AI 의 주요 진전을 나타냅니다. 이는 개인의 생리학적 궤적을 성공적으로 예측하고 임상 개입의 효과를 시뮬레이션하여 정밀 의학과 임상 디지털 트윈 개발을 위한 강력한 도구를 제공합니다.