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

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.

용어 해설

수면 다원 검사(Polysomnography): — 수면 중 발생하는 뇌파, 혈중 산소량, 심박수, 호흡 등을 종합적으로 측정하는 정밀 검사법이다. 수면 장애 진단의 표준으로 쓰이며 신체 전반의 방대한 생체 신호를 포함한다.
파운데이션 모델(Foundation Model): — 대규모 데이터를 사전 학습하여 다양한 하위 작업에 범용적으로 적용할 수 있는 AI 모델이다. 특정 질환뿐 아니라 여러 건강 상태를 동시에 분석하는 기반이 된다.
일치 지수(C-index): — 모델이 특정 사건의 발생 순서나 위험도를 얼마나 정확하게 예측하는지 나타내는 지표다. 0.5는 무작위 예측을 의미하며 1에 가까울수록 실제 결과와 완벽히 일치한다.
대조 학습(Contrastive Learning): — 데이터 간의 유사성과 차이점을 대조하며 유의미한 특징을 스스로 학습하는 기법이다. SleepFM에서는 서로 다른 생체 신호 간의 상관관계를 파악하는 데 핵심적으로 쓰였다.
멀티모달(Multimodal): — 뇌파, 심전도, 호흡 등 서로 다른 형태의 데이터를 동시에 처리하고 통합하는 기술이다. 단일 신호보다 훨씬 정밀한 신체 상태 파악과 질병 예측을 가능하게 한다.

기술

SleepFM
Python
PyTorch
Polysomnography

활용 사례

암 및 치매 조기 스크리닝
수면 장애 정밀 진단
웨어러블 기반 건강 모니터링

언급된 리소스

논문A multimodal sleep foundation model for disease prediction