AI-World-Story

DrugPred는 그래프 신경망(GNN)과 Bio_ClinicalBERT를 결합해 여러 약물을 함께 복용할 때 발생할 수 있는 부작용을 예측하고, 적절한 진료과까지 추천하는 차세대 의료 AI 모델이다. 약물 상호작용까지 분석해 부작용 위험과 진료과 추천까지 제시한 최신 의료 AI 연구 약을 여러 개 함께 복용하는 환자는 해마다 증가하고 있다. 특히 고혈압, 당뇨병, 심혈관질환처럼 만성질환을 동시에 가진 환자는 하루에도 여러 종류의 약을 복용하는 경우가 흔하다. 문제는 각각의 약은 안전하더라도 함께 복용하면 예상하지 못한 부작용(ADR, Adverse Drug Reaction)이 발생할 수 있다는 점이다. 기존의 약물 부작용 예측 모델은 대부분 약 하나가 유발하는 부작용을 중심으로 개발됐다. 하지만 실제 임상에서는 두 가지 이상 약물이 서로 영향을 주면서 새로운 부작용이 나타나는 경우가 많아 기존 방식만으로는 충분하지 않았다. 최근 발표된 DrugPred 연구는 이러한 한계를 해결하기 위해 그래프 신경망(Graph Neural Network, GNN)과 의료 특화 언어모델인 Bio_ClinicalBERT 를 결합했다. 연구 결과 정확도 95.73%, ROC-AUC 0.993을 기록하며 여러 약물을 동시에 복용하는 상황에서도 높은 정확도로 부작용을 예측했다. 또한 예측 결과를 바탕으로 어떤 전문의를 찾아야 하는지까지 추천하는 임상 의사결정지원 시스템(CDSS)도 함께 제안했다. 여러 약을 함께 먹으면 기존 AI가 놓치는 이유 한 가지 약이 간 독성을 일으키지 않더라도 다른 약과 함께 복용하면 간 손상 위험이 크게 증가할 수 있다. 이를 약물-약물 상호작용(Drug-Drug Interaction, DDI)이라고 한다. 기존 AI는 대부분 "약 A → 부작용"처럼 개별 약물만 분석했다. 그러나 실제 환자는 약 A와 B, C를 동시에 복용하는 경우가 많으며 이때 발생하는 위험은 단순히 각각의 위험을 더한 ...

AI 기반 임상 의사결정지원시스템(AI-CDSS)은 한 번의 성능 검증으로 끝나지 않는다. 실제 의료 현장에서는 지속적인 성능 모니터링과 인간의 감독, 데이터 변화 대응을 통해 환자 안전과 신뢰성을 유지해야 한다. 의료 AI는 똑똑해질수록 더 자주 감시해야 한다는 새로운 원칙이 등장했다. 병원에서 사용하는 인공지능(AI)은 이제 단순한 보조 프로그램이 아니다. 환자의 패혈증 위험을 예측하고, CT나 MRI 영상을 분석하며, 치료 방향까지 제안하는 수준으로 발전하고 있다. 하지만 AI는 시간이 지나면서 성능이 변할 수 있다는 점이 기존 의료 소프트웨어와 가장 큰 차이점이다. 최근 Frontiers in Artificial Intelligence 에 발표된 리뷰 논문은 이러한 문제를 해결하기 위해 기존의 '한 번 검증하고 끝나는 방식'에서 벗어나 지속적인 검증(Continuous Assurance) 체계가 필요하다고 제안했다. 연구진은 이를 위한 새로운 프레임워크인 STRAICS(Socio-Technical Resilience Assurance for Intelligent Clinical Systems) 를 소개하며, 앞으로 의료 AI는 성능뿐 아니라 사람과 조직까지 함께 관리해야 한다고 주장했다. 시간이 지나면 의료 AI의 성능도 달라지는 이유 오랫동안 의료기기는 출시 전에 안전성을 검증하면 일정 기간 동일한 성능을 유지한다고 가정했다. 하지만 AI는 다르다. 병원 환경은 계속 변한다. 새로운 검사 장비가 도입되고, 치료 지침이 바뀌며, 환자의 특성도 달라진다. 이렇게 입력 데이터와 실제 의료 환경이 변하면 AI가 학습했던 환경과 현실이 달라지면서 예측 정확도가 떨어질 수 있다. 논문은 이러한 현상을 크게 두 가지로 설명한다. 데이터 드리프트(Data Drift) : 입력 데이터의 특성이 변하는 현상 개념 드리프트(Concept Drift) : 같은 검사 결과라도 질병과의 관계 자체가 달라지는 ...

MRI 기반 개인 맞춤형 뇌 전기장(E-field)과 딥러닝을 결합해 TMS 자극 후 나타나는 운동유발전위(MEP)를 예측하는 과정을 시각화한 개념 이미지. 개인 맞춤형 뇌 전기장 지도를 활용해 운동 반응을 예측하는 새로운 접근 뇌를 자극해 운동 기능을 확인하는 경두개 자기자극(TMS, Transcranial Magnetic Stimulation) 은 뇌종양 수술 전 운동 영역을 찾거나 신경 기능을 평가하는 데 널리 사용된다. 하지만 정확한 운동 지도를 만들기 위해서는 자극 위치와 각도를 계속 바꿔가며 수많은 검사를 반복해야 한다. 이 과정은 검사 시간이 길고 환자의 부담도 적지 않다. 이번 연구는 이런 문제를 해결하기 위해 MRI로 만든 개인별 뇌 구조와 AI를 결합했다. 연구진은 사람마다 다른 뇌 구조를 반영한 전기장(Electric Field) 지도를 딥러닝 모델에 입력해 TMS 자극만으로 실제 근육 반응(MEP)이 나타날지를 예측했다. 그 결과 처음 보는 참가자에서도 ROC-AUC 0.710~0.811의 예측 성능을 보이며 개인 맞춤형 TMS 운동 매핑의 가능성을 확인했다. 왜 같은 위치를 자극해도 사람마다 반응이 다른가 지금까지는 TMS 코일의 위치, 방향, 자극 강도만으로 운동 반응을 예측하려는 연구가 많았다. 하지만 실제 뇌 안에서 형성되는 전기장은 사람마다 크게 다르다. 그 이유는 두개골 두께, 뇌의 주름 모양, 뇌척수액의 양, 회색질과 백질의 구조가 모두 다르기 때문이다. 같은 위치에서 같은 강도로 자극해도 실제 신경세포가 받는 자극은 개인마다 달라질 수 있다. 연구진은 이런 한계를 해결하기 위해 외부 자극 조건이 아니라 개인별 뇌 안에서 형성되는 전기장 자체 를 AI가 학습하도록 설계했다. 이것이 기존 연구와 가장 큰 차별점이다. 3차원 뇌를 2차원 지도로 펼친 이유 이번 연구의 가장 독창적인 부분은 뇌를 그대로 AI에 입력하지 않았다는 점이다. 기존 연구들은 MRI에서 계산한 3차원...

BioGraphEX는 간 조직의 유전자 발현 데이터를 그래프 신경망으로 분석하고, 개별 샘플과 전체 데이터 수준에서 어떤 특징이 예측에 영향을 주었는지 설명하려는 프레임워크다. AI가 암이나 질병을 높은 정확도로 예측하더라도 “왜 그렇게 판단했는가?”를 설명하지 못한다면 의료 현장에서 신뢰받기 어렵다. 이 연구는 그래프 신경망(Graph Neural Network, GNN)에 두 단계의 설명 기능을 결합한 BioGraphEX라는 프레임워크를 제안했다. 연구진은 간 조직 유전자 발현 데이터 557개를 이용해 질병 상태를 분류했다. BioGraphEX는 테스트 데이터에서 정확도 85%, F1 점수 0.82를 기록했다. 그러나 이 논문의 핵심은 단순히 정확도가 높아졌다는 데 있지 않다. 개별 샘플에서 어떤 유전자가 판단에 영향을 주었는지, 전체 데이터에서 어떤 특징이 반복적으로 중요했는지를 함께 보여주려 했다는 점이 중요하다. 높은 정확도만으로는 의료 AI를 믿기 어렵다 그래프 신경망은 서로 연결된 대상의 관계를 학습하는 딥러닝 모델이다. 생물의학 분야에서는 유전자, 단백질, 질병, 약물처럼 복잡하게 연결된 정보를 분석하는 데 활용된다. 일반적인 신경망이 각각의 데이터를 독립적인 숫자 묶음처럼 처리한다면, GNN은 데이터 사이의 연결 관계까지 함께 학습한다. 유전자와 단백질의 상호작용처럼 구조 자체가 중요한 문제에 적합한 이유다. 문제는 대부분의 GNN이 블랙박스처럼 작동한다는 점이다. 모델이 특정 조직을 질병 상태로 분류하더라도 어떤 특징이 그 판단을 이끌었는지 이해하기 어렵다. 의료와 생명과학에서는 단순히 예측이 맞았는지만큼 판단 근거가 생물학적으로 타당한지도 중요하다. 기존의 GNNExplainer 같은 설명 기법은 특정 샘플이나 특정 예측을 분석하는 데 유용하다. 하지만 개별 사례에 대한 설명만으로는 모델이 전체 데이터에서 어떤 공통 패턴을 학습했는지 파악하기 어렵다. BioGraphEX는 이 간극을 메우는 것을 목표로 했다...

AI가 사진 속 여러 사람을 구분해 원하는 대상만 선택하고, 객체가 있던 자리를 주변 배경과 자연스럽게 이어 붙이는 과정을 시각화했다. 사진 속 사람을 지우는 AI 기능은 이미 여러 이미지 편집 프로그램에서 제공되고 있다. 하지만 여러 사람이 함께 있는 사진에서 원하는 사람 한 명만 정확하게 지우는 일은 여전히 번거롭다. 기존 도구에서는 사용자가 브러시로 사람의 윤곽을 직접 칠하거나 삭제할 영역을 세밀하게 표시해야 하는 경우가 많기 때문이다. 경북대학교와 부경대학교, 캐나다 퀸스대학교 연구진은 이런 불편을 줄이기 위해 마스크를 직접 그리지 않고도 원하는 객체만 선택해 제거하는 AI 이미지 편집 프레임워크를 제안했다. 연구 결과는 2026년 학술지 AI 에 발표됐다. 핵심은 새로운 거대 생성 모델을 학습시키는 것이 아니라, 객체 탐지와 이미지 분할, 배경 복원 모델을 연결해 사용자가 선택한 대상만 지우도록 만드는 데 있다.  이 연구가 다룬 문제는 단순한 배경 지우기와 다르다. 사진 속에 같은 종류의 객체가 여러 개 있을 때, 예를 들어 사람 다섯 명 가운데 한 명만 골라 지우면서 나머지 사람과 배경은 그대로 유지해야 한다. 연구진은 이를 ‘마스크 없는 선택적 객체 제거’로 정의했다. 왜 기존 AI 지우개는 원하는 사람만 지우기 어려울까 사진 편집에서 마스크는 AI가 수정해야 할 영역을 알려주는 흑백 형태의 지도다. 지울 부분은 흰색, 유지할 부분은 검은색으로 표시하는 방식이 일반적이다. 이미지 복원 모델은 이 마스크를 입력받아 흰색 영역을 주변 배경과 어울리게 채운다. 문제는 대부분의 이미지 복원 모델이 어떤 객체를 지워야 하는지 스스로 결정하지 못한다는 점이다. 모델은 이미 주어진 마스크를 채우는 역할만 한다. 따라서 사용자가 사람의 팔, 다리, 머리카락, 그림자까지 직접 칠해야 한다. 마스크가 너무 작으면 신체 일부나 윤곽이 남고, 너무 크면 주변 배경이나 옆 사람까지 바뀔 수 있다. 특히 비슷한 객체가 여러 개 있는...

양자 영감 AI와 딥러닝 앙상블을 활용해 산업용 사이버물리시스템의 사이버 공격을 탐지하고 보호하는 차세대 침입탐지시스템(IDS)을 표현한 개념도. 기존 딥러닝 기반 침입탐지시스템(IDS)은 높은 성능을 보이지만 과적합과 특징 선택의 한계 때문에 새로운 공격이나 복잡한 산업 환경에서는 성능이 떨어질 수 있다. 최근 발표된 연구는 이러한 문제를 해결하기 위해 양자 영감(Quantum-inspired) 기술과 여러 딥러닝 모델을 결합한 새로운 앙상블 기반 침입탐지 기법을 제안했다. 공장 자동화 설비, 스마트 전력망, 자율주행 시스템처럼 컴퓨터와 물리 장비가 긴밀하게 연결된 사이버물리시스템(Cyber-Physical System, CPS)은 보안 사고가 발생하면 단순한 정보 유출을 넘어 실제 설비 오작동이나 안전사고로 이어질 수 있다. 이러한 이유로 CPS에서는 공격을 조기에 탐지하는 IDS가 매우 중요한 역할을 수행한다. 왜 새로운 침입탐지 기술이 필요했을까 사이버물리시스템은 일반 IT 네트워크보다 훨씬 복잡하다. 수많은 센서와 액추에이터가 실시간으로 데이터를 주고받으며 다양한 통신 프로토콜과 운영체제를 함께 사용한다. 정상 상태도 시간에 따라 계속 변화하기 때문에 단순한 규칙 기반 탐지만으로는 새로운 공격을 찾아내기 어렵다. 최근에는 머신러닝과 딥러닝 기반 IDS가 널리 활용되고 있지만, 충분한 학습 데이터가 없거나 새로운 공격 패턴이 등장하면 탐지 정확도가 떨어질 수 있다. 또한 불필요한 특징까지 함께 학습하면서 과적합이 발생하고 계산량이 증가하는 문제도 남아 있다. 연구진은 이러한 한계를 해결하기 위해 데이터 전처리부터 특징 추출, 특징 선택, 침입 탐지까지 전체 과정을 새롭게 설계했다.  좋은 특징을 찾는 것이 성능을 좌우했다 이번 연구에서 가장 눈에 띄는 부분은 입력 데이터를 더욱 의미 있는 형태로 만드는 과정이다. 연구진은 먼저 데이터 정제를 수행해 결측값과 불필요한 데이터를 제거한 뒤 다양한 특징을...

고대 문자와 현대 인공지능 기술의 결합을 상징적으로 표현한 이미지. 인공지능은 미해독 언어의 방대한 문자 패턴을 분석해 연구를 가속하지만, 최종적인 의미 해석과 검증은 여전히 인간 연구자의 몫이다. The Conversation 이 글의 의의 고대 언어 해독은 오랫동안 언어학과 고고학이 함께 풀어온 가장 어려운 학문적 과제 가운데 하나였다. 이 글은 최근 인공지능이 이러한 난제 해결에 어떤 방식으로 기여하고 있으며, 동시에 어디까지가 가능한 영역인지를 균형 있게 조명한다. 특히 인공지능이 의미를 '이해'하는 것이 아니라 방대한 자료 속에서 패턴을 찾아 인간 연구를 가속하는 도구라는 점을 명확히 설명한다. 또한 해독에는 비교 기준과 엄격한 인간의 검증이 여전히 필수적이라는 사실을 강조함으로써, 인공지능 시대에도 인간의 창의성과 학문적 판단이 핵심임을 일깨워 준다. 나아가 인공지능과 인문학이 경쟁 관계가 아니라 상호 보완적인 협력 관계임을 보여주는 대표적인 사례를 제시한다. 암호 해독: 인공지능은 고대 언어를 해독하는 데 도움을 줄 수 있을까? 지금까지 해독에 성공한 모든 고대 언어에는 반드시 해독의 기준점이 존재했다. 대개는 로제타석과 같은 이중 언어 비문이거나, 비교 대상으로 삼을 수 있는 알려진 친족 언어였다. 그러나 그리스 크레타섬 청동기 시대 미노스 문명의 문자 체계인 선문자 A(Linear A) 에는 이러한 기준점이 전혀 존재하지 않는다. 선문자 A는 현존하거나 이미 사라진 어떤 언어와도 확인된 계통적 연관성이 없어 고립어(language isolate) 로 분류된다. 이 때문에 지난 한 세기 동안 언어학자들에게 가장 난해한 미해독 언어 가운데 하나로 남아 있다. 로마 제국이 등장하기 이전 이탈리아에서 사용된 에트루리아어(Etruscan) 역시 사정은 크게 다르지 않다. 짧은 장례 비문을 통해 일부 어휘는 밝혀졌지만, 문법 체계와 문장의 깊은 의미는 여전히 명확히 규명되지 않고 있다. 이처럼 두 ...