Clinlabomics-Based Machine Learning Models for Risk Warning of Multi-Type Gastrointestinal Cancers

인체를 활기차고 첨단 기술이 집약된 도시라고 상상해 보세요. 매일 수백만 명의 작은 일꾼들(세포)이 각자의 업무를 수행하며, 도시의 관리 시스템(혈액과 장기)은 운영 현황에 대한 일일 보고서를 보냅니다. 보통 이 보고서들은 "교통량 원활", "전력 수준 정상", "공사 지연 없음"과 같은 일상적인 점검 내용입니다. 하지만 때때로 특정 구역, 예를 들어 소화관에서 조용하고 위험한 반란이 시작되기도 합니다. 이것이 바로 암입니다. 오랫동안 이 반란을 조기에 포착하는 유일한 방법은 특수 점검팀(내시경)을 파견하여 물리적으로 주변을 살펴보는 것이었습니다. 하지만 이 팀은 비용이 많이 들고, 도시 거주자들에게는 다소 무섭게 느껴지며, 매일 도시의 모든 건물을 점검할 수도 없습니다. 그래서 과학자들은 더 나은 방법, 즉 불이 나기도 전에 "5구역에 문제가 생겼다!"라고 외칠 수 있는 '연기 감지기'를 찾아 헤매왔습니다. 이것이 바로 **클리니라보믹스(Clinlabomics)**의 세계입니다. 이는 머신러닝(패턴을 학습하는 초지능형 컴퓨터 프로그램)을 사용하여 평범한 혈액 검사와 의료 기록 속에서 숨겨진 단서를 찾아내는 기술을 말합니다. 핵심 질문은 이것입니다. 우리가 이미 지역 클리닉에서 받는 저렴하고 일상적인 검사들만으로 이러한 조기 경고 신호를 포착하는 디지털 탐정을 만들 수 있을까요?

여기, 중국의 4개 병원 연구진이 개발한 새로운 디지털 탐정 GaSeek가 등장했습니다. 그들은 단순히 추측한 것이 아니라, 건강한 사람부터 위암 및 대장암 확진 환자에 이르기까지 115,032개의 실제 환자 기록이라는 방대한 도서관을 통해 이 탐정을 훈련시켰습니다. 이는 마치 초지능형 AI에게 한 사람의 '생체 징후' 성적표를 읽는 법을 가르치는 것과 같습니다. 연구진은 혈액 내 산소 운반량(헤모글로빈), 간 기능 상태(알부민), 연령, 음주 습관 등 수천 개의 데이터 포인트를 컴퓨터에 입력했습니다. 그리고 소화기 종양이 아주 초기 단계의 조용한 상태에서 싹을 틔울 때 나타나는 미묘하고 거의 보이지 않는 패턴을 포착하도록 AI를 교육했습니다.

결과는 어땠을까요? 이 탐정은 놀라울 정도로 예리합니다. 새로운 미지의 데이터로 테스트했을을 때, GaSeek는 본래의 병원에서 0.960의 정확도 점수(AUC라고 불리는)를 기록했으며, 다른 도시의 환자들을 대상으로 테스트했을 때도 0.852를 기록했습니다. 이는 매우 높은 점수로, 무작위로 동전을 던져 맞히는 것보다 훨씬 더 정확하게 누가 아픈지를 예측한다는 것을 의미합니다. 가장 흥형한 점은 무엇일까요? 이 탐정은 비싸고 희귀하거나 미래적인 검사를 필요로 하지 않았습니다. 대신 일반적인 건강 검진에서 흔히 볼 수 있는 가장 흔하고 평범한 혈액 검사에 의존했습니다. 실제로 연구진이 GaSeek를 기존의 '종양 표지자'(암 진단에 흔히 쓰이는 특수 혈액 검사)와 비교했을 때, GaSeek가 더 우수한 성능을 보였습니다. 단순하고 일상적인 숫자들의 조합이 특수 검사 단독보다 더 풍부한 이야기를 들려준다는 사실이 밝혀진 것입니다.

연구진은 또한 이 탐정의 '귀'가 두 가지 특정 신호에 맞춰져 있다는 것을 발견했습니다. 바로 **알부민(ALB)**과 **헤모글로빈(HGB)**입니다. 우리의 도시 비유를 빌리자면, 도시의 전력 공급(알부민)이 낮아지고 산소 배달 트럭(헤모글로ิน)이 빈 차로 달리고 있다면, 탐정은 즉시 소화기 구역을 조사해야 한다고 판단하는 것입니다. 이 두 요인이 가장 큰 단서였으며, 연령과 성별이 그 뒤를 바짝 쫓았습니다. 이 모델은 너무나 정교해서 이제 막 형성되기 시작한 종양(초기 단계)까지도 포착할 수 있습니다. 이는 어떤 탐지기에게도 가장 어려운 작업입니다.

하지만 여기 반전이 있습니다. 이 탐정은 "당신은 확실히 건강하다"라고 말하는 데에는 완벽하지 않습니다. 대신 "당신은 확실히 위험하다"라고 말하는 데 훨씬 능숙합니다. 연구진이 '고위험'군을 분류하는 기준을 매우 엄격하게 설정했을 때, 이 탐정은 (외부 테스트에서 **99.11%**의 진양성 포착 성공률을 보이며) 나쁜 녀석들을 잡아내는 데 믿기 힘들 정도로 정확했습니다. 그러나 만약 탐정이 당신을 '저위험'이라고 분류했다 하더라도, 그것이 안전에 대한 100% 보증은 아닙니다. 단지 즉각적이고 침습적인 점검이 당장 필요할 가능성이 낮다는 의미일 뿐입니다. 연구진은 또한 정기 검진을 받는 사람들 혹은 골절이나 안과 질환 등으로 입원 중인 환자들과 같은 '실제 환경'에서도 모델을 테스트했습니다. 그 결과, 탐정은 건강한 사람들이 받는 정기 검진 상황에서 가장 잘 작동한다는 것을 발견했습니다. 도시가 이미 다른 문제들로 혼란스러운 상황(예: 환자들이 가득한 병원)에서는 탐정이 다소 혼란을 느껴 더 많은 오보를 낼 수 있습니다.

이 기술을 모두가 유용하게 사용할 수 있도록, 연구진은 코드를 실험실에만 가둬두지 않았습니다. 그들은 GaSeek(Gastrointestinal Cancers Seek)라는 무료 온라인 웹 앱을 구축했습니다. 누구나 자신의 일상적인 검사 결과를 입력하면 앱이 즉시 위험 수준을 알려줍니다. 만약 앱이 고위험이라고 판정하면, 정밀 검사(내시경)를 위해 의사와 상담해 볼 것을 권장합니다. 반대로 저위험이라고 판정한다면, 불필요하고 무서우며 비용이 많이 드는 병원 방문을 피할 수 있게 해줄 것입니다. 연구진은 이를 "선별 효율성 이득(Screening Efficiency Gain)"이라고 부릅니다. 건강 검진 환경에서 GaSeek를 사용했을 때, 모든 사람을 검사하는 대신 고위험군만을 집중적으로 확인함으로써 15.70배 더 많은 종양을 찾아낼 수 있었습니다.

이 논문은 이 연구가 과거의 데이터를 살펴본 '후향적(retrospective)' 연구임을 인정하고 있습니다. 즉, 사람들이 시간이 흐름에 따라 실제로 암에 걸리는지를 관찰하는 전향적 실험은 아직 거치지 않았습니다. 또한 모델이 중국 인구 집단을 대상으로 훈련되었으므로, 식습관과 유전자가 다른 다른 지역의 사람들에게 적용하기 위해서는 재학습이 필요할 수 있다고 언급했습니다. 하지만 핵심 아이디어는 견고합니다. 머신러닝을 통해 일상적인 혈액 검사의 속삭임에 귀를 기울임으로써, 우리는 모든 사람을 겁주며 전신 검사를 할 필요 없이 소화기 암을 조기에 포착할 수 있게 될 것입니다. 이것은 마법 지팡이는 아니지만, 우리 소화기 건강의 어두운 구석을 비추는 매우 강력한 손전등입니다.