눈이 까끌거리거나, 햇빛 아래에서 따갑거나, 화면을 읽으려 할 때 시야가 흐릿해지는 경험을 상상해 보십시오. 이것은 안구 건조증으로, 눈의 표면이 충분한 수분이나 건강을 유지하기 위한 적절한 종류의 기름을 갖추지 못해 발생하는 흔하면서도 종종 좌절감을 주는 질환입니다. 이는 단순히 사소한 불편함이 아닙니다. 시력을 손상시키고 일상생활을 어렵게 만들 수 있습니다. 하지만 이를 진단하는 것은 까다롭습니다. 의사는 단 하나의 검사에만 의존할 수 없습니다. 대신, 환자가 설명하는 통증, 환자의 병력, 컴퓨터 사용 시간과 같은 생활 습관, 그리고 의사가 현미경으로 눈 표면을 관찰할 때 보는 것 등 여러 가지 다양한 단서들로 이루어진 퍼즐을 맞춰야 합니다. 수년 동안 인공지능은 사진을 보거나 숫자를 읽는 데는 뛰어났지만, 인간 의사의 세심한 추론 방식을 모방하여 이 두 가지를 동시에 수행하는 데는 어려움을 겪어 왔습니다.

중국의 병원과 연구 기관들로 구성된 연구팀은 바로 이 문제를 해결하기 위해 설계된 새로운 종류의 컴퓨터 프로그램을 구축했습니다. 그들은 환자의 설문지 답변을 읽고, 환자의 병력을 이해하며, 고해외상도의 눈 사진을 동시에 검토할 수 있는 디지털 전문가 역할을 하는 시스템을 만들었습니다. 이 시스템을 '멀티모달 거대 언어 모델(multimodal large language model)'이라 부르는 이 모델은 안구 건조증을 알리는 복잡한 패턴을 인식하도록 학습되었습니다. 이러한 다양한 유형의 정보를 결합함으로써, 이 모델은 질병이 심각해지기 전인 초기 단계에서도 이를 포착하고 높은 정확도로 진단을 확정하는 것을 목표로 합니다. 연구진은 이 도구를 수백 명의 환자를 대상으로 테스트했으며, 이 모델이 건강한 눈과 안구 건조증을 앓고 있는 눈을 효과적으로 구별해 낼 수 있으며, 서로 다른 장비를 사용하는 다른 병원의 데이터로 테스트했을 때도 우수한 성능을 보였다는 것을 발견했습니다.

연구는 네 곳의 서로 다른 병원에서 수집한 대규모의 실제 데이터를 모으는 것으로 시작되었습니다. 연구팀은 874명의 참가자를 모집하여 두 그룹으로 나누었습니다. 첫 번째 그룹인 베이징의 한 병원에서 온 743명의 환자는 컴퓨터에게 질병을 인식시키는 방법을 가르치는 데 사용되었습니다. 두 번째 그룹인 다른 세 도시의 세 병원에서 온 131명의 환자는 컴퓨터가 학습한 내용을 새로운 상황에 적용할 수 있는지 테스트하기 위해 별도로 분리되었습니다. 모든 참가자는 철저한 검사를 받았습니다. 참가자들은 눈이 얼마나 자주 건조하게 느껴지는지 또는 시력이 얼마나 변동하는지와 같은 증상에 대한 상세한 설문을 작성했습니다. 또한 연령, 기타 건강 상태, 컴퓨터 화면을 얼마나 오래 보는지와 같은 일상적인 습 la 습관을 포함한 의료 기록을 제공했습니다.

이러한 서면 답변과 함께 의사들은 환자의 눈을 상세히 촬영했습니다. 이 이미지들은 눈의 표면, 눈꺼풀의 미세한 기름샘, 그리고 혈관을 보여주었습니다. 어떤 경우에는 의사들이 눈 표면의 손상된 부위를 강조하기 위해 특수 염료를 사용하기도 했습니다. 연구진은 설문 답변, 의료 기록, 그리고 눈 이미지를 모두 이 새로운 컴퓨터 모델에 입력했습니다. 이 모델은 기존의 강력한 인공지능 기술을 기반으로 구축되었으나, 의료 용어와 이미지를 이해하도록 특별히 조정되었습니다. 설계의 핵심 부분은 설문 점수와 같은 의료 기록의 구조화된 숫자를 컴퓨터가 이미지와 함께 처리할 수 있는 자연어로 변환하는 방법이었습니다. 이를 통해 모델은 환자가 눈이 따갑다고 말하는 것과 사진에 보이는 특정 붉은 기 사이의 연관성을 파악할 수 있었습니다.

연구진은 모델에게 두 가지 주요 과업을 수행하도록 요청했습니다. 첫 번째는 조기 경보로, 시스템은 눈 이미지가 촬영되기 전, 오직 환자의 설문 답변과 생활 습관만을 바탕으로 안구 건조증의 위험을 예측하려고 시도했습니다. 두 번째는 진단으로, 모델은 모든 가용 정보, 즉 눈 이미지를 포함하여 환자가 확실히 질환을 앓고 있는지 판단했습니다. 연구팀은 모델을 두 가지 서로 다른 진단 규칙에 대해 테스트했습니다. 하나는 국제 가이드라인이고, 다른 하나는 중국 특유의 가이드라인입니다. 이 규칙들은 어떤 조합의 증상과 징후가 질환에 해당하는지를 정확히 정의합니다.

결과는 모델이 매우 효과적임을 보여주었습니다. 설문 데이터만을 사용하여 안구 건조증의 위험을 예측할 때, 모델은 중국 가이드라인에 따라 96%의 정확도를, 국제 가이드라인에 따라 약 82%의 정확도를 보였습니다. 특히 질병이 있을 때 이를 잡아내는 능력이 탁ла 뛰어났으며, 놓치는 경우가 거의 없었습니다. 모델이 설문 답변에 더해 눈 이미지를 제공받아 최종 진단을 내렸을 때, 정확도는 더욱 향 향상되었습니다. 모델은 국제 규칙 하에서 92% 이상의 사례를, 중국 규칙 하에서는 93% 이상의 사례를 정확하게 식별했습니다. 또한 모델은 질환이 없는 사람들을 정확하게 식별하여 오보를 피하는 데에도 매우 뛰어났습니다.

모델이 결정을 내리는 과정을 이해하기 위해 연구진은 모델이 어떤 정보에 가장 많이 의존하는지 살펴보았습니다. 그들은 설문지와 의료 기록의 구조화된 데이터가 가장 중요한 요소라는 것을 발견했습니다. 이 정보를 제거하고 모델에게 눈 이미지에만 의존하도록 요청했을 때, 성능이 크게 떨어졌습니다. 이는 안구 건조증의 경우 환자 자신의 증상 묘사와 의료 기록이 가장 강력한 지표라는 점을 시사합니다. 그러나 이미지는 여전히 가치가 있었습니다. 모델은 의구심을 확인하고 막힌 기름샘이나 눈 표면의 미세한 손상 지점과 같은 구체적인 물리적 징후를 지목하는 데 이미지를 사용했습니다. 컴퓨터는 인간 의사가 검사할 법한 눈의 정확한 영역에 주의를 집중하여, 붉은 기와 눈꺼풀 샘의 질감을 강조하는 법을 배웠습니다.

연구팀은 또한 이 모델이 다른 실제 환경에서도 작동하는지 확인하기 위해 다른 세 곳의 병원에서 온 별도의 환자 그룹을 대상으로 테스트했습니다. 이 병원들은 눈 사진을 찍기 위해 서로 다른 카메라와 장비를 사용했습니다. 이러한 차이에도 불구하고, 모델은 높은 수준의 정확도를 유지했습니다. 모델은 새로운 환자 그룹에서도 질환을 성공적으로 진단해 냈으며, 이는 데이터가 수집되는 방식의 변화에 모델이 적응할 수 있음을 입증했습니다. 이는 이 도구가 처음 만들어진 곳뿐만 아니라 광범위한 클리닉에서 유용하게 쓰일 수 있음을 시사합니다. 연구진은 모델이 질환이 가장 흔한 집단인 노인층을 식별하는 데 특히 유능하다는 점을 언급하면서도, 데이터에 아주 경미한 질환의 사례는 적었다는 점을 인정했습니다.

본 연구는 이 새로운 접근 방식이 안구 건조증을 탐지하고 진단하는 방법을 개선할 수 있는 유망한 길을 제시한다고 결론짓습니다. 환자의 목소리와 의사의 시각적 증거를 결합함으로써, 모델은 어느 한 가지 방법만 사용할 때보다 환자의 건강에 대한 더 완전한 그림을 그려냅니다. 연구진은 이 도구가 강력하지만, 의사를 대체하는 것이 아니라 보조하기 위해 설계되었다는 점을 강조합니다. 이 모델은 질환을 스크리닝하고 임상 결정을 지원하는 견고하고 확장 가능한 방법을 제공하여, 잠재적으로 만성적인 눈의 불편함을 겪는 환자들의 부담을 줄이고 질환을 더 일찍 발견하는 데 도움을 줄 수 있습니다. 이 연구는 인공지능이 의사들이 매일 사용하는 숫자와 이미지를 모두 이해하도록 훈련될 때, 안구 건강을 돌보는 데 있어 신뢰할 수 있는 파트너가 될 수 있음을 보여줍니다.