🤖 AI

Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration

이 논문은 계층적 검증을 통해 실행 가능한 코드를 협력적으로 종합하고 동적으로 최적화함으로써 종단 간 신경영상 분석을 자율적으로 수행하는 다중 에이전트 시스템인 NIAgent 를 소개하며, 이를 통해 정적 워크플로우보다 예측 성능과 적응성에서 더 뛰어난 성과를 거둔다고 주장한다.

원저자: Keqi Han, Songlin Zhao, Yao Su, Lifang He, Carl Yang

게시일 2026-05-12

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Keqi Han, Songlin Zhao, Yao Su, Lifang He, Carl Yang

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

거대한 복잡한 퍼즐을 풀어보려 한다고 상상해 보세요. 조각들은 뇌 스캔 이미지이고, 밝혀내야 할 그림은 의학적 진단입니다. 수십 년간 이 작업을 수행해 온 방식은 매우 전문적이지만 경직된 로봇 팀을 고용하는 것과 같았습니다. 사용자는 엄격한 매뉴얼 (워크플로우) 을 제공하면 로봇은 단계별로 따릅니다. 조각이 손상되었거나 맞지 않으면 로봇은 멈추고, 인간 전문가가 매뉴얼을 수정한 뒤 과정을 다시 시작해야 합니다. 이는 느리고 비용이 많이 들며 인간의 실수에 취약합니다.

이 논문은 NIAgent라는 새로운 시스템을 소개하며, 이를 **"가상 신경과학자"**로 설계했습니다. 경직된 로봇 대신 NIAgent 는 작업 중에 스스로 청사진을 작성할 수 있는 숙련된 자율 관리형 건설 팀으로 생각할 수 있습니다.

다음은 이를 간단한 개념으로 분해한 작동 원리입니다:

1. 문제: "경직된 공장" 대 "적응형 팀"

현재 도구들 (fMRIPrep 등) 은 공장 조립 라인처럼 작동합니다. 같은 작업을 반복하는 데는 뛰어나지만, 원자재 (뇌 스캔) 가 약간 다르거나 결함이 있으면 라인이 멈춥니다. 공장은 멈춘 이유를 "생각"하거나 다른 기계를 시도해 볼지 결정할 수 없습니다. 인간이 문제를 파악하고 수동으로 설정을 조정해야 합니다.

NIAgent 는 동적 건설 팀처럼 행동함으로써 이를 변화시킵니다. 사전에 작성된 스크립트만 따르는 것이 아니라, 재료를 살펴보고 사용할 도구를 결정하며 계획을 세웁니다. 문제가 발생하면 인간의 도움을 요청하지 않고 새로운 해결책을 찾아냅니다.

2. 팀: "전문 오케스트라"

NIAgent 는 거대한 뇌 하나만이 아니라, **Supervisor(감독관)**가 이끄는 네 명의 전문 "에이전트 (AI 조수)"로 구성된 팀입니다.

Supervisor(지휘자): 이 에이전트는 무거운 작업을 직접 수행하지 않습니다. 인간의 목표 (예: "ADHD 와 관련된 뇌 패턴 찾기") 를 듣고, 큰 작업을 작은 과업으로 나누어 적절한 전문가에게 할당합니다. 전체 프로젝트가 순조롭게 진행되도록 관리합니다.
Data Awareness Agent(사서): 무언가를 구축하기 전에 이 에이전트는 원시 데이터의 "도서관"에 들어가 무엇이 있는지 파악합니다. 파일 이름, 폴더 구조, 메타데이터를 확인하여 팀이 길을 잃지 않도록 합니다.
Processing Agent(건설자): 이 에이전트가 실제 무거운 건설 작업을 수행합니다. 원시 뇌 스캔을 가져와 정제합니다 (노이즈 제거, 이미지 정렬). 중요한 점은 단순히 버튼을 클릭하는 것이 아니라 작업 흐름을 구축하기 위해 스스로 컴퓨터 코드를 작성한다는 것입니다. 이를 통해 더 단순한 AI 가 혼란스러워할 복잡한 장기 프로젝트를 처리할 수 있습니다.
Quality Control Agent(검사관): 이것이 가장 중요한 새로운 기능입니다. 기존 시스템에서 품질 관리란 끝에 "이것은 나빠 보입니다"라고 보고하는 수동적 절차였습니다. NIAgent 에서 검사관은 능동적입니다. 작업이 진행되는 동안 점검합니다. 흐릿한 이미지를 발견하면 단순히 표시만 하는 것이 아니라, 건설자에게 "이 단계가 실패했습니다. 다른 도구를 사용하거나 이 대상은 건너뛰세요"라고 알려줍니다. 이는 "2 단계" 점검을 사용합니다. 먼저 수치 (지표) 를 확인하여 의심스러운 스캔을 찾고, 그 다음 "스마트 눈 (시각 AI)"을 사용하여 실제 이미지를 확대해 보며 나쁜 데이터인지 확인합니다.

3. 비결: "Just-in-Time(필요 시)" 도구

10,000 가지의 서로 다른 도구가 있는 창고를 가진 목공을 상상해 보세요. 의자를 만들어 달라고 요청했을 때, 올바른 망치를 찾기 위해 10,000 가지 도구의 카탈로그를 모두 살펴봐야 한다면 혼란을 겪고 속도가 느려질 것입니다.

NIAgent 는 **"Just-in-Time Context Injection(필요 시 컨텍스트 주입)"**이라는 기술을 사용합니다.

AI 에게 가능한 모든 도구를 한 번에 보여주는 대신, 현재 특정 작업에 필요한 소수의 도구만 보여줍니다.
작업이 "두개골 제거 (뇌 스캔에서 두개골 제거)"인 경우, AI 는 해당 작업에 필요한 도구만 봅니다. 이로써 AI 는 집중력을 유지하고 관련 없는 옵션에 혼란을 겪지 않으며 훨씬 빠르고 똑똑해집니다.

4. 결과: 더 나은 다리 건설

연구진은 NIAgent 를 두 가지 실제 데이터셋으로 테스트했습니다. 하나는 기능적 MRI 를 사용한 ADHD 데이터셋이고, 다른 하나는 구조적 MRI 를 사용한 알츠하이머 데이터셋입니다.

더 나은 예측: NIAgent 는 오늘날 사용되는 표준적인 경직된 공장 라인보다 진단을 더 정확하게 예측하는 모델을 일관되게 구축했습니다.
자기 수정: AI 가 작동하지 않는 방법을 시도했을 때 시스템이 충돌하지 않았습니다. 실패를 인식하고 다른 도구로 전환 (예: 한 소프트웨어 브랜드에서 다른 브랜드로 전환) 한 후 계속 진행했습니다.
인간 수준의 판단: "검사관" 에이전트는 나쁜 데이터를 찾아내는 데 놀라울 정도로 뛰어났습니다. 이 에이전트의 결정은 인간 전문가가 내렸을 결정과 약 80-95% 일치하여, 현재 인간이 수행해야 하는 지루한 수동 검사를 대체할 수 있음을 입증했습니다.

결론

이 논문은 NIAgent 가 자율 과학을 향한 중요한 걸음이라고 주장합니다. 신경영상 분석을 "매뉴얼 따르기" 과정에서 "생각하고 적응하기" 과정으로 전환합니다. 스스로 코드를 작성하고 스스로 작업을 점검하는 전문 AI 에이전트 팀을 활용함으로써, 이 시스템은 현재 방법들보다 더 빠르고 정확하게 인간이 모든 단계를 보살필 필요 없이 엉망진창인 원시 뇌 스캔을 신뢰할 수 있는 의학적 통찰력으로 변환할 수 있습니다.

이 논문이 주장하지 않는 것:

이 시스템이 내일 병원에서 환자를 진단할 준비가 되었다고 주장하지 않습니다.
모든 유형의 뇌 스캔이나 질병에 작동한다고 주장하지 않습니다 (ADHD 와 알츠하이머 데이터셋에 대해 구체적으로 테스트되었습니다).
인간 과학자를 완전히 대체한다고 주장하지 않으며, 대신 데이터 분석의 무겁고 반복적인 작업을 처리하는 자율 조수 역할을 한다고 주장합니다.

기술 요약: 가상 신경과학자 (NIAgent) 를 향한 여정

문제 정의

원시 신경영상 데이터 (예: sMRI, fMRI) 를 임상적으로 실행 가능한 생체표지자로 변환하는 것은 지식 집약적이고 노동 집약적인 과정입니다. fMRIPrep 과 같은 표준화된 워크플로가 견고성과 재현성을 개선했지만, 여전히 정적으로 구성되어 있습니다. 이러한 시스템은 하류 과학적 목표에 대해 자율적으로 추론하거나, 대안적 분석 전략을 탐색하거나, 중간 증거와 후속 결정 간의 폐쇄 루프를 구축하는 능력이 부족합니다. 결과적으로, 도메인 전문가들은 매개변수 튜닝과 파이프라인 고장 수정을 위한 수동적인 시행착오 순환에 갇히게 되어 임상 생체표지자 개발의 확장성이 심각하게 제한됩니다.

저자들은 이 과정을 자동화하는 데 있어 네 가지 주요 과제를 식별했습니다:

생태계 이질성: 신경영상은 호환되지 않는 인터페이스와 중간 표현을 가진 다양한 소프트웨어 백엔드에 의존하므로, 대규모 언어 모델 (LLM) 이 런타임에 저수준 연산을 복구하는 것이 신뢰할 수 없습니다.
장기 워크플로 복잡성: 종단간 분석은 긴밀하게 결합된 데이터 흐름, 구조화된 제어 로직, 그리고 견고한 오류 처리를 요구하며, 기존의 평면적 도구 호출 에이전트들은 이를 관리하는 데 어려움을 겪습니다.
품질 관리 기반 의사결정: 품질 관리 (QC) 는 단순한 보고 단계가 아니라 하류 적응을 지원하기 위해 워크플로에 통합되어야 하는 판단 집약적 의사결정 지점입니다.
분산된 전문성 요구: 이 과정은 데이터 이해, 이미지 처리, QC, 통계적 모델링과 같은 구별된 전문성을 요구하며, 이는 단일 모놀리식 에이전트를 과부하시킬 수 있습니다.

방법론: NIAgent 프레임워크

저자들은 자율적 종단간 신경영상 분석을 위해 설계된 다중 에이전트 시스템인 NIAgent를 소개합니다. 이 시스템은 신경영상 분석을 고정된 파이프라인에서 동적이고 목적 인식형 워크플로로 전환하는 적응형 순차 의사결정 문제로 재정의합니다.

시스템 아키텍처

NIAgent 는 중앙 집중식 계획, 분산 실행 아키텍처를 사용합니다:

슈퍼바이저 에이전트: 고수준 자연어 목표를 실행 가능한 워크플로로 변환하고, 작업을 배분하며, 런타임 피드백에 기반한 에이전트 간 협력을 조정하는 오케스트레이터 역할을 수행합니다.
도메인별 전문 에이전트: 전문 에이전트들은 제한된 행동 공간 내에서 특정 하위 작업을 처리합니다:
- 데이터 인식 에이전트: 계획의 기초를 마련하기 위해 데이터셋 컨텍스트 (구조, 메타데이터) 를 추출합니다.
- 품질 관리 (QC) 에이전트: 계층적 평가를 수행하고 증거 기반의 판정을 내립니다.
- 처리 에이전트: 도구를 구성하고 코드를 작성하여 전처리 파이프라인을 실행합니다.
- 하류 분석 에이전트: 통계적 분석과 예측 모델링을 수행합니다.

주요 기술적 혁신

1. 구성 가능한 원시 (Primitives) 를 활용한 코드 중심 실행
NIAgent 는 원시적이고 이질적인 소프트웨어 도구를 평면적 호출 가능 동작으로 노출하는 대신, 전문 신경영상 루틴을 구성 가능한 도메인별 원시로 캡슐화합니다. 이들은 표준화된 입력/출력 스키마를 가진 원자적 Python 호출 가능 객체입니다.

Just-in-Time (JIT) 컨텍스트 주입: 컨텍스트 팽창과 추론 저하를 방지하기 위해, 시스템은 전체 라이브러리를 주입하는 대신 각 에이전트의 프롬프트에 대해 작업 관련 원시 부분집합만 동적으로 선택합니다.
코드 합성: 전문 에이전트들은 이러한 원시를 오케스트레이션하는 실행 가능한 Python 프로그램을 합성합니다. 이 "코드 - 액션 (code-as-act)" 패러다임은 명시적 데이터 흐름, 구조화된 제어 로직 (예: 루프, 조건문), 병렬 실행, 그리고 견고한 오류 처리를 가능하게 하여 순차적 도구 호출의 취약성을 극복합니다.

2. 폐쇄 루프 QC 를 위한 계층적 에이전트 - 어즈 - 어 - 저지 (Agent-as-a-Judge)
QC 에이전트는 워크플로 수정을 주도하기 위해 폐쇄 루프에서 작동합니다. 이는 2 단계 계층적 전략을 사용합니다:

지표 스크리닝: 정량적 이미지 품질 지표 (IQMs) 를 사용하여 코호트 수준의 이상치 탐지를 수행하고 의심스러운 피험자를 플래그합니다.
에이전트 시각 검사: 플래그가 지정된 피험자의 경우, 에이전트는 채점 기준과 퓨샷 예시 (few-shot exemplars) 로 구성된 비전 - 언어 모델 (VLM) 을 호출합니다. VLM 은 프로그램 증강 줌 및 관심 영역 (ROI) 검사를 포함한 반복적 다턴 진단 프로토콜에 참여하여 최종 PASS/FAIL 판정을 생성합니다.
폐쇄 루프 적응: 판정은 슈퍼바이저에게 피드백되어, 증거에 기반하여 워크플로를 동적으로 조정합니다 (예: 피험자 제외, 전처리 백엔드 전환, 또는 매개변수 정제).

실험 결과

저자들은 ADHD-200(기능적 MRI, $N=200$ ) 과 ADNI(구조적 MRI, $N=200$ ) 두 개의 벤치마크 데이터셋에서 NIAgent 를 평가했습니다. 시스템은 원시 데이터부터 진단을 위한 예측 모델까지 완전한 워크플로를 개발하는 임무를 수행했습니다.

성능 지표

예측 성능: NIAgent 는 두 데이터셋 모두에서 표준 사전 정의 워크플로 베이스라인 (fMRIPrep, AFNI, FSL, SPM, ANTs) 을 능가했습니다.
- ADHD-200에서 NIAgent 는 62.60% 의 최상위 베이스라인 (AFNI) 에 비해 **65.55%**의 AUC 를 달성했습니다.
- ADNI에서 NIAgent 는 90.60% 의 최상위 베이스라인 (fMRIPrep) 에 비해 **93.00%**의 AUC 를 달성했습니다.
실행 안정성: NIAgent 는 두 데이터셋 모두에서 5 회 독립 실행에서 100% 완료율을 달성한 반면, 여러 절단 변형은 완전히 실패했습니다.
에이전트 행동: 시스템은 QC 결과에 기반하여 fMRIPrep 에서 AFNI 또는 FSL 로 전환하는 등 여러 후보 전처리 파이프라인을 탐색하고, 적응형 모델링 정제를 수행하며, 런타임 오류에서 성공적으로 복구하는 정교한 행동을 보여주었습니다.

절단 연구 (Ablation Studies)

절단 연구는 아키텍처 구성 요소의 필요성을 확인했습니다:

단일 에이전트: 모든 역할을 하나의 에이전트로 축소하면 상태 드리프트, 환각, 그리고 오류 복구율의 급격한 하락 (ADNI 에서 31%) 을 초래했습니다.
JIT 주입 부재: 전체 원시 라이브러리를 주입하면 컨텍스트 과부하로 인해 도구 오용 및 지시 위반이 발생했습니다.
코드 중심 실행 부재: 프로그램 합성을 평면적 도구 호출로 대체하면 확장성 및 오케스트레이션 오류로 인해 치명적인 실패 (5 회 중 0 회 완료) 가 발생했습니다.
원시 추상화 부재: 캡슐화된 원시를 제거하면 에이전트가 저수준 명령을 생성하게 되어 심각한 명령 오용 및 실행 실패로 이어졌습니다.

품질 관리 정렬

제안된 계층적 QC 모듈은 인간 평가자와 중간에서 강한 일치도를 보였으며 (Gwet's AC1 로 측정), 지표만 사용하는 또는 에이전트 없는 시각만 사용하는 QC 변형보다 우수했습니다. QC 필터링 단계를 제거하면 특히 노이즈가 많은 ADHD-200 데이터셋에서 하류 예측 성능이 크게 저하되어, 자동화된 증거 기반 샘플 제외의 필요성을 입증했습니다.

중요성과 주장

이 논문은 NIAgent 가 정적이고 사전 정의된 파이프라인과 인간 연구자의 동적이고 추론 기반 워크플로 간의 격차를 해소함으로써 "가상 신경과학자"를 향한 중요한 진전을 나타낸다고 주장합니다.

자율성과 적응성: 이 시스템은 신경영상 분석이 데이터 특성과 중간 증거에 기반하여 에이전트가 워크플로를 자율적으로 구축, 정제, 적응시키는 장기 의사결정 문제로 제시될 수 있음을 보여줍니다.
견고성: 구성 가능한 원시를 활용한 코드 중심 실행은 신경영상 생태계의 이질성을 처리할 수 있는 안정적인 기반을 제공하여, 평면적 도구 호출 에이전트들이 달성할 수 없는 신뢰할 수 있는 장기 실행을 가능하게 합니다.
폐쇄 루프 QC: 사후 보고가 아닌 의사결정 구성 요소로 QC 를 통합함으로써, NIAgent 는 아티팩트와 저품질 특징을 효과적으로 차단하여 최종 과학적 산출물의 견고성을 향상시킵니다.
모듈성: 이 프레임워크는 확장 가능하도록 설계되어 향후 시스템이 더 넓은 모달리티, 더 풍부한 원시 라이브러리, 그리고 다양한 하류 작업을 지원할 수 있는 기반을 제공합니다.

저자들은 현재 연구가 특정 모달리티 (sMRI/fMRI) 와 작업으로 제한되지만, 제안된 프레임워크는 수동적이고 정적인 프로세스에서 자율적이고 적응적인 과학적 워크플로로 신경영상 분석을 발전시키기 위한 모듈식이고 확장 가능한 기반을 제공한다고 결론지었습니다.