스탠퍼드 연구진, 단 하룻밤의 수면 데이터로 100여 가지 질병을 예측하는 AI 모델 'SleepFM' 개발

핵심 요약

수면 중 발생하는 생체 신호는 건강 상태에 대한 방대한 정보를 담고 있지만, 기존 임상 분석은 그 중 극히 일부만을 활용해 왔다. 스탠퍼드 의대 연구진은 65,000명의 수면 다원 검사 데이터를 학습한 멀티모달 파운데이션 모델 'SleepFM'을 개발하여 이 문제를 해결했다. 이 모델은 뇌파, 심박수, 호흡 등 서로 다른 생체 신호 간의 상호작용과 불일치를 분석하여 암, 치매, 심장병 등 100가지 이상의 질병 위험을 예측한다. 연구 결과, 단 하룻밤의 수면 데이터만으로도 향후 수십 년 내 발생할 수 있는 주요 질환을 높은 정확도로 예측할 수 있음이 입증되었다.

배경

수면 다원 검사(PSG)의 기본 개념, 파운데이션 모델(Foundation Model) 및 대조 학습(Contrastive Learning)에 대한 이해, C-index(Concordance Index) 통계 지식

대상 독자

의료 AI 개발자, 헬스케어 데이터 과학자, 수면 의학 전문가

의미 / 영향

수면 데이터가 단순한 수면 장애 진단을 넘어 전신 건강 상태를 파악하는 창문 역할을 할 수 있음을 증명했다. 이는 웨어러블 기기와 결합될 경우 대규모 조기 질병 스크리닝 시스템으로 발전할 가능성이 크다.

섹션별 상세

SleepFM은 585,000시간 분량의 수면 다원 검사(Polysomnography) 데이터를 학습한 세계 최대 규모의 수면 AI 파운데이션 모델이다. 뇌 활동, 심장 기능, 호흡 패턴, 안구 및 다리 움직임 등 다양한 센서 데이터를 5초 단위의 세그먼트로 나누어 학습했으며, 이는 거대 언어 모델(LLM)이 단어를 학습하는 방식과 유사하다.

연구진은 서로 다른 생체 신호 간의 조화를 위해 '하나 제외 대조 학습(Leave-one-out Contrastive Learning)'이라는 새로운 훈련 기법을 도입했다. 특정 신호 하나를 제외한 상태에서 나머지 데이터를 통해 해당 신호를 재구성하도록 모델을 훈련함으로써, 뇌와 심장 등 서로 다른 모달리티가 동일한 '수면의 언어'를 공유하고 상호작용하는 방식을 학습하게 했다.

SleepFM은 1,000개 이상의 질병 카테고리를 검토한 결과, 130개 질환에 대해 유의미한 예측 성능을 보였다. 특히 파킨슨병(C-index 0.89), 치매(0.85), 고혈압성 심장질환(0.84), 전립선암(0.89), 유방암(0.87) 등 주요 질환에서 0.8 이상의 높은 일치 지수(C-index)를 기록하며 기존 전문 모델들을 능가하는 성능을 나타냈다.

질병 예측의 핵심 지표 중 하나는 생체 신호 간의 '불일치(Mismatch)' 현상으로 밝혀졌다. 예를 들어 뇌는 수면 상태인 것처럼 보이지만 심장은 깨어 있는 상태와 유사한 반응을 보이는 등, 신호들이 서로 동기화되지 않을 때 질병 발생 위험이 높은 것으로 분석되었다. 이는 수면 데이터가 단순한 휴식 이상의 전신 생리학적 상태를 반영함을 시사한다.

이미지 분석

Infographic
수면 데이터가 단순한 휴식이 아니라 뇌와 심장, 신경계 전체의 생리학적 신호를 포함하고 있음을 시각적으로 나타낸다. 기사에서 언급된 뇌파와 심박수 등 멀티모달 데이터의 통합 분석 개념을 상징적으로 보여준다.
수면 중인 인체의 뇌와 척수, 신경계가 강조된 투시도.

실무 Takeaway

수면 다원 검사(PSG)의 방대한 미활용 데이터를 파운데이션 모델로 분석하여 조기 진단 도구로 전환할 수 있다.
서로 다른 생체 신호(뇌, 심장, 호흡) 간의 동기화 여부가 미래 질병 예측의 핵심 바이오마커로 작용한다.
SleepFM은 특정 질환뿐만 아니라 암, 정신 건강, 사망 위험까지 예측하는 범용 건강 모니터링 엔진으로서의 가능성을 보여준다.

언급된 리소스

논문A multimodal sleep foundation model for disease prediction (Nature Medicine)