Sonrai, Amazon SageMaker AI를 활용한 정밀 의료 임상 가속화 사례

핵심 요약

정밀 의료 분야에서는 수천 개의 바이오마커와 적은 환자 샘플이라는 '차원의 저주' 문제를 해결하는 것이 핵심이다. Sonrai는 AWS와 협력하여 Amazon SageMaker AI 기반의 MLOps 프레임워크를 구축함으로써 다중 오믹스 데이터의 실험 추적과 모델 배포 과정을 체계화했다. 이를 통해 실험 반복 주기를 며칠에서 몇 분 단위로 단축하고, 규제 준수에 필수적인 데이터 추적성을 확보했다. 결과적으로 94%의 민감도를 가진 암 바이오마커 모델을 성공적으로 개발하며 정밀 의료 연구의 효율성을 입증했다.

배경

AWS 기초 지식, MLOps 개념, 오믹스(Omics) 데이터에 대한 기본 이해

대상 독자

정밀 의료 및 헬스케어 AI 개발자, MLOps 엔지니어, 바이오테크 연구원

의미 / 영향

이 사례는 규제가 엄격하고 데이터 구조가 복잡한 생명과학 분야에서 MLOps가 단순한 효율화를 넘어 연구의 신뢰성과 속도를 결정짓는 핵심 요소임을 보여준다. 특히 클라우드 기반의 관리형 서비스를 활용해 소규모 팀도 대규모 데이터 분석 인프라를 안정적으로 운영할 수 있는 표준 모델을 제시한다.

섹션별 상세

정밀 의료 데이터의 특수성과 MLOps 도입 배경: 정밀 의료 연구는 유전체, 단백질체 등 방대한 오믹스 데이터를 다루지만 환자 샘플 수는 제한적이라 과적합 위험이 크다. Sonrai는 수천 개의 변수 조합을 테스트해야 하는 복잡한 실험 환경에서 코드 품질과 실험 재현성을 보장하기 위해 SageMaker AI 기반의 MLOps를 도입했다. 이는 의료 기기 승인에 필요한 엄격한 규제 준수와 데이터 거버넌스를 충족하기 위한 필수적인 선택이었다.

SageMaker AI와 MLflow를 활용한 통합 아키텍처: 전체 워크플로는 Amazon S3를 데이터 저장소로 사용하고, SageMaker Studio Lab과 Code Editor를 통해 모델을 개발하는 구조로 설계되었다. 실험 추적에는 관리형 MLflow를 도입하여 하이퍼파라미터, 성능 지표, ROC 곡선 등을 중앙에서 관리하고 비교할 수 있게 했다. 최종 검증된 모델은 SageMaker Model Registry에 등록되어 승인 절차를 거친 후 배포되는 체계적인 파이프라인을 갖췄다.

효율적인 데이터 처리 및 자동화된 보고서 생성: 대규모 오믹스 데이터 처리를 위해 메모리 최적화 인스턴스를 활용하고, 분석 단계에서는 인스턴스를 중지하여 비용 효율성을 높였다. 특히 Quarto와 같은 도구를 파이프라인에 통합하여 모델링 결과와 시각화 자료가 포함된 이해관계자용 보고서를 자동 생성하도록 구현했다. 이를 통해 데이터 큐레이션 시간을 50% 절감하고 고객과의 실시간 협업 능력을 강화했다.

모델 성능 및 비즈니스 성과: 구축된 파이프라인을 통해 15개의 단일 및 다중 모달 모델을 생성했으며, 단백질체와 대사체 데이터를 결합한 모델에서 민감도 94%, 특이도 89%, AUC-ROC 0.93이라는 우수한 성과를 거두었다. 전체 파이프라인 실행 시간이 10분 미만으로 단축되어 과거 며칠이 걸리던 작업을 고객 미팅 중에 실시간으로 처리할 수 있게 되었다. 총 8,916개의 바이오마커를 모델링하고 추적하는 성과를 달성했다.

이미지 분석

Diagram
고객의 샘플 데이터가 S3에 저장된 후 SageMaker Studio Lab 및 Code Editor를 통해 모델링되고, MLflow로 실험을 추적하며 최종 모델이 Model Registry에 등록되는 전체 흐름을 보여준다. 각 AWS 서비스가 데이터 저장, 버전 관리, 실험 관리, 모델 배포 단계에서 어떻게 유기적으로 연결되는지 시각화하고 있다.
Amazon SageMaker AI 기반의 정밀 의료 MLOps 아키텍처 다이어그램

실무 Takeaway

SageMaker AI와 MLflow를 결합하여 수천 개의 실험 변수를 체계적으로 관리하고 실험 반복 주기를 며칠에서 10분 이내로 단축함.
S3의 계층적 접근 제어와 Model Registry의 승인 워크플로를 통해 의료 분야 규제 준수에 필수적인 데이터 추적성(Traceability)을 확보함.
다중 오믹스(Multi-omics) 데이터를 결합한 모델링이 단일 모달리티 대비 높은 예측 성능(민감도 94%)을 보임을 입증함.

언급된 리소스

튜토리얼Amazon SageMaker ML Ops workshop