스탠포드 연구진, 단 하룻밤의 수면 데이터로 미래 질병 위험을 예측하는 AI 개발

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

수면 중 발생하는 생체 신호는 건강 상태에 대한 방대한 정보를 담고 있지만 기존 임상에서는 극히 일부만 활용되어 왔다. 스탠포드 연구진은 6만 5천 명의 수면 다원 검사 데이터를 활용해 'SleepFM'이라는 AI 파운데이션 모델을 구축했다. 이 모델은 뇌파, 심박수, 호흡 등 복합적인 신호 간의 불일치를 포착하여 암, 치매, 심혈관 질환 등 130개 이상의 질병 위험을 높은 정확도로 예측한다. 이는 수면 데이터가 조기 진단을 위한 강력한 생체 지표가 될 수 있음을 시사한다.

배경

수면 다원 검사(PSG)의 기본 개념, 파운데이션 모델 및 멀티모달 학습에 대한 이해

대상 독자

의료 AI 연구자 및 헬스케어 서비스 개발자

의미 / 영향

수면 데이터가 단순한 수면 장애 진단을 넘어 전신 건강 상태를 파악하는 핵심 지표로 재정의되었다. 이는 저비용 웨어러블 기기를 통한 대규모 질병 스크리닝의 가능성을 열어 예방 의학의 패러다임을 바꿀 수 있다.

섹션별 상세

스탠포드 연구팀은 65,000명의 환자로부터 수집한 585,000시간 분량의 수면 다원 검사(Polysomnography) 데이터를 사용하여 SleepFM을 학습시켰다. 이 데이터는 뇌 활동, 심장 기능, 호흡 패턴, 안구 및 다리 움직임 등 수면 중 발생하는 다양한 생리적 신호를 포함하는 골드 스탠다드 데이터셋이다.

수면 중인 인체의 뇌와 척수 신경계를 시각화한 이미지. — Photo수면 중에 발생하는 뇌 활동과 신경계 신호가 전신 건강과 연결되어 있음을 나타내며, SleepFM이 분석하는 생체 신호의 근원을 시각적으로 묘사한다.

SleepFM은 ChatGPT와 유사한 파운데이션 모델 구조를 채택하여 수면의 '언어'를 학습한다. 연구진은 수면 기록을 5초 단위의 세그먼트로 나누어 언어 모델의 단어처럼 처리했으며, 뇌파, 심전도, 근육 활동 등 서로 다른 유형의 신호들이 어떻게 상호작용하는지 통합적으로 분석하도록 설계했다.

서로 다른 데이터 양식을 조화시키기 위해 'Leave-one-out contrastive learning'이라는 독자적인 학습 기법을 도입했다. 특정 신호 하나를 제외한 상태에서 나머지 데이터를 통해 해당 신호를 재구성하도록 모델을 훈련시킴으로써 다양한 생체 신호 간의 상관관계와 통합적인 패턴을 효과적으로 학습하게 했다.

SleepFM은 1,000개 이상의 질병 카테고리를 검토한 결과 130개 질환에 대해 유의미한 예측력을 보였다. 특히 파킨슨병(C-index 0.89), 치매(0.85), 전립선암(0.89), 유방암(0.87), 심근경색(0.81) 등 주요 질환에서 0.8 이상의 높은 일치 지수를 기록하며 미래 발병 위험을 예측해냈다.

연구 결과 질병 예측의 핵심 단서는 서로 다른 생체 신호 간의 '불일치'에서 발견되었다. 예를 들어 뇌는 수면 상태인 것처럼 보이지만 심장은 깨어 있는 것처럼 반응하는 등 신호들이 동기화되지 않는 패턴이 질병의 조기 징후로 작용하며, 모든 채널의 데이터를 결합했을 때 가장 정확한 예측이 가능했다.

실무 Takeaway

단 하룻밤의 수면 다원 검사 데이터만으로도 암, 치매 등 중증 질환의 미래 발병 위험을 80% 이상의 정확도로 예측할 수 있다.
멀티모달 파운데이션 모델인 SleepFM은 뇌파와 심박수 등 서로 다른 생체 신호 간의 '동기화 오류'를 포착하여 기존 진단 방식이 놓치던 미세한 건강 경고를 식별한다.
향후 웨어러블 기기 데이터를 SleepFM에 통합할 경우 병원 방문 없이 일상적인 수면 모니터링만으로도 광범위한 질병의 조기 스크리닝이 가능해질 전망이다.

언급된 리소스

논문A multimodal sleep foundation model for disease prediction