희귀질환 진단에 AI를 활용한 사례: 보스턴아동병원 미해결 376건 재분석과 18건의 새 진단

핵심 메시지

• 희귀질환은 진단까지 평균 6~7년이 걸리고, 유전자 검사를 받아도 절반가량은 여전히 원인을 찾지 못한다.
• 보스턴아동병원 맨턴센터와 OpenAI는 미해결 376건을 AI 워크플로로 재분석해 18건의 진단으로 이어지는 근거를 찾아냈다.
• 모델은 스스로 진단하지 않고 변이와 문헌 근거를 붙인 짧은 가설 목록을 제시하며, 판단은 유전학자가 한다.
• 이미 답을 아는 사례로 모델의 실수 유형을 찾아 프롬프트로 막고 정답률을 80~90%까지 올린 뒤에야 미해결 사례에 투입했다.
• 유전체는 변하지 않지만 지식은 계속 늘어나므로, 저렴하게 반복 재분석하는 것 자체가 진단 건수를 늘린다.

쉽게 이해하기

이번 OpenAI 포럼 대담은 참가자 한 사람의 이야기로 시작했다. 보스턴에서 자란 소프트웨어 엔지니어 스타브는 10대에 운동 중 통증과 움직임의 제약을 느꼈지만, 그것이 신체 문제가 아니라 신경계 문제라는 사실을 알기까지 3~4년이 걸렸고 유전적 원인이라는 데 이르기까지는 다시 5년 이상이 걸렸다. 그는 진단이 준 것을 이름과 공동체, 그리고 자기 병에 맞는 치료제를 개발 중인 회사와 연결될 기회, 가족계획을 세울 수 있는 정보라고 설명했다. 이런 긴 여정을 의료계에서는 '진단 오디세이'라고 부른다.

왜 이렇게 어려운가. 맨턴센터의 앨런 벡스는 우리가 물려받는 DNA가 약 30억 개의 염기이고 여기에 2만여 개의 유전자가 실려 있으며, 손상됐을 때 질환과 연관되는 것으로 알려진 유전자만 8천~9천 개에 이른다고 설명했다. 차세대 염기서열 분석으로 전부 읽을 수 있게 됐지만 그 대가로 데이터가 폭증했다. 흔한 변이를 걸러낸 뒤에도 수천에서 1만 개의 변이, 500~1000개의 유전자가 남는다. 캐서린 브라운스틴은 변이 하나하나마다 데이터베이스를 확인하고 논문을 찾아 읽어야 하며, 몇 시간을 들인 뒤 '이건 아니구나' 하고 다음으로 넘어가는 일이 반복된다고 말했다.

연구팀이 택한 방식은 모델에게 진단을 맡기는 것이 아니었다. 유전학자들에게 어떤 프롬프트를 줘야 하는지, 모델이 피해야 할 함정이 무엇인지를 먼저 물어 설계에 반영했고, 입력으로는 30억 염기 전체가 아니라 걸러낸 변이 목록과 환자의 표현형을 나타내는 숫자 코드를 함께 넣었다. 모델은 이 둘을 지식과 교차시켜 두어 개에서 여섯 개 정도의 후보를 근거와 함께 제시하고, 사람이 그 목록을 검토해 추가 검사와 결과 반환 여부를 정한다. 벡스의 표현으로는 사람이 생각해야 할 정보의 우주를 다룰 수 있는 크기로 줄여주는 역할이다.

검증은 답이 이미 알려진 사례부터 시작했다. 초기에는 모델이 사람 분석가와 비슷한 종류의 실수를 했는데, 예컨대 시퀀싱 깊이가 충분하지 않아 위양성일 수 있는 변이를 그대로 믿는 식이었다. 이런 오류 유형을 프롬프트에 명시해 막자 정답률이 80~90%까지 올라갔고, 그 시점에서야 사람의 시간을 쓸 만하다고 판단해 미해결 사례에 투입했다. 실제로 나온 결과는 두 갈래였다. 하나는 이미 병원성으로 알려진 변이인데 사건을 처음 받았을 당시에는 그 유전자와 표현형의 연관이 아직 발견되지 않았던 경우로, 지금 보면 명백하지만 그때는 알 수 없었던 것들이다. 다른 하나는 문헌을 조합해 새로운 가설을 세운 경우다. 브라운스틴은 백반증과 대혈관전위, 폐고혈압을 함께 가진 아주 오래된 사례에서 모델이 낯선 유전자 하나를 지목했고 확인해보니 26년 전 논문이 그 유전자를 백반증의 원인으로 진지하게 고려해야 한다고 적어두었다며, 1988년에 그 유전자를 클로닝한 연구자가 바로 옆 건물에 있어 곧바로 연락해 함께 들여다보게 됐다고 말했다.

한계도 분명히 언급됐다. 376건 중 18건이면 5% 남짓이고 나머지 95%는 여전히 미해결이다. 다만 연구팀은 쉬운 것이 빠르게 걸러지면 사람의 시간을 정말 어려운 사례에 쓸 수 있다는 점을 성과로 봤다. 지금은 이 방식을 쓰려면 맨턴센터로 와야 하는데, 3차 의료기관에 접근할 수 있어야만 최선의 분석을 받을 수 있는 상황은 옳지 않다는 것이 이들의 문제의식이다. 연구팀은 데이터를 안전하게 올려 누구나 쓸 수 있는 도구를 만들고 있다고 밝혔다. 벡스는 자기 일자리를 걱정하지 않는다며, 정보를 해석하고 다음 단계를 정하는 일은 여전히 사람의 몫이지만 과정은 훨씬 빨라진다고 정리했다.

주요 인사이트

• AI가 기여한 것은 판단이 아니라 주의력의 배분이다. 수천 개 후보를 사람이 실제로 검토할 수 있는 짧은 목록으로 줄이는 일이 핵심이었다.
• 이미 풀린 사례 20건을 넣었을 때 모델은 19건을 맞혔는데, 틀렸다고 본 나머지 한 건은 확인해보니 사람 쪽이 두 번째 원인을 놓친 경우였다. 모델은 둘 다 잡아냈다.
• 모델이 사람 분석가와 같은 종류의 기술적 실수를 한다는 점이 오히려 설계의 실마리가 됐다. 전문가가 아는 함정을 프롬프트에 미리 적어 막는 방식이다.
• 유전체는 그대로인데 지식만 계속 바뀐다는 점이 이 문제의 특성이다. 재분석을 값싸고 반복 가능하게 만드는 것만으로도 진단이 늘어난다.
• 가장 큰 병목은 모델 성능이 아니라 접근성이다. 전장유전체 검사 비용은 이미 MRI 한 번보다 낮지만 보험 적용과 의료 접근 경로가 따라오지 못하고 있다.

자주 묻는 질문

관련 AI 소식