MRI와 AI가 만나면 TMS 검사 시간이 줄어들까? 뇌 자극 반응을 예측한 최신 딥러닝 연구

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 자체를 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 전기장을 그대로 사용했다. 하지만 대부분의 공간은 실제 운동 반응과 관련 없는 영역이라 데이터가 매우 희소했고 계산량도 컸다.

연구진은 운동피질만 추출한 뒤 이를 마치 세계지도를 펼치듯 2차원 평면 지도 형태로 변환했다. 이렇게 하면 뇌 주름의 공간적 관계는 유지하면서도 불필요한 정보를 크게 줄일 수 있다.

논문의 그림 2는 MRI 획득부터 머리 모델 생성, 전기장 계산, 2차원 평면화, 딥러닝 학습, MEP 예측까지 전체 과정을 한눈에 보여준다.

건강한 참가자 7명의 데이터를 AI에게 학습시켰다

연구에는 평균 22세의 건강한 성인 7명이 참여했다.

연구진은 먼저 모든 참가자의 MRI를 촬영해 개인별 머리 모델을 만들었다. 이후 운동피질에 총 40개의 위치를 설정하고, 코일 방향은 30도, 45도, 60도의 세 가지, 자극 강도는 운동역치의 100%와 120%로 바꾸면서 반복 실험을 수행했다.

엄지손가락벌림근(APB)을 포함한 손과 아래팔 근육 6곳에서 근전도(MEP)를 측정했으며, 각 조건은 5회 반복 측정 후 평균값을 사용했다.

참가자 한 명당 총 7,200회의 MEP 측정이 이루어졌고, 이를 평균 처리해 근육별 240개의 학습 데이터를 만들었다. 이후 CNN과 ResNet 등 여러 딥러닝 모델을 비교했으며, 참가자를 통째로 제외한 상태에서 예측하는 엄격한 교차검증(HOS-SIV)을 적용해 일반화 성능을 평가했다.

처음 보는 사람에서도 운동 반응을 어느 정도 예측한다

가장 중요한 결과는 AI가 처음 보는 참가자의 반응도 일정 수준 이상 예측했다는 점이다.

엄격한 검증 방식(HOS-SIV)에서는 근육별 ROC-AUC가 0.710~0.811을 기록했다.

조금 완화된 검증(HOS-RIV)에서는 0.840~0.872까지 향상됐다.

또한 AI가 예측한 운동반응 분포는 실제 측정된 공간 분포와 상당 부분 일치했다. 일부 참가자의 경우 예측된 중심 위치와 실제 중심 위치의 오차는 0.5mm 수준까지 줄어들었으며, 대부분의 오차도 5mm 이내였다. 이는 실제 운동피질의 활성 위치를 비교적 정확하게 찾아냈음을 의미한다. 논문의 그림 8은 실제 측정 지도와 AI 예측 지도를 비교해 이러한 결과를 시각적으로 보여준다.

딥러닝이 항상 기존 방법보다 뛰어난 것은 아니다

흥미로운 점은 CNN이나 ResNet 같은 복잡한 딥러닝 모델이 모든 상황에서 기존 머신러닝보다 우수하지는 않았다는 사실이다.

가장 엄격한 검증에서는 로지스틱 회귀나 선형 SVM과 비슷한 성능을 보였고, 일부 조건에서만 CNN과 ResNet이 더 높은 정확도를 나타냈다.

연구진은 참가자가 단 7명으로 매우 적었기 때문에 공간 정보를 학습하는 딥러닝의 장점이 충분히 드러나지 않았을 가능성이 있다고 설명했다. 더 큰 데이터셋에서는 성능 차이가 명확해질 수 있다고 전망했다.

실제 의료 현장에서 어떤 변화가 가능할까

이번 연구는 단순히 AI 분류기를 만든 것이 아니라 검사 자체를 줄일 수 있는 가능성을 보여준 데 의미가 있다.

현재 TMS 운동 매핑은 수십에서 수백 번의 자극을 통해 운동 영역을 찾아야 한다. 만약 AI가 일부 검사만으로도 반응을 예측할 수 있다면 검사 시간은 줄어들고 환자의 피로도도 감소할 수 있다.

특히 뇌종양 수술 전 운동 기능 보존, 재활 치료 계획 수립, 신경과 및 정신건강의학과에서 활용되는 TMS 검사 효율 향상에도 도움이 될 가능성이 있다.

다만 아직은 초기 연구 단계다. 참가자가 7명뿐이고 모두 젊고 건강한 성인이었으며 여성 참가자는 1명뿐이었다. 실제 환자나 고령층에서도 동일한 성능이 유지되는지는 추가 검증이 필요하다.

개인 맞춤형 AI가 TMS의 다음 단계가 될 수 있다

이번 연구는 AI가 단순히 의료 영상을 분석하는 수준을 넘어, 사람마다 다른 뇌 구조까지 반영해 신경 반응을 예측할 수 있다는 가능성을 보여줬다.

특히 MRI 기반 전기장 시뮬레이션과 딥러닝을 결합해 실제 검사 횟수를 줄이려는 접근은 개인 맞춤형 의료의 방향과도 맞닿아 있다. 아직 임상에서 바로 사용할 수준은 아니지만, 앞으로 더 많은 환자 데이터를 학습한다면 TMS 검사의 효율성과 정확도를 동시에 높이는 중요한 기술로 발전할 가능성이 있다. AI가 의사를 대신하는 것이 아니라, 더 빠르고 정확한 의사결정을 돕는 도구가 될 수 있음을 보여준 연구라고 평가할 수 있다.

출처

Takase, H., Fukunaga, M., Yu, W., & Gomez-Tames, J. (2026). Deep-Learning-Based Prediction of TMS-Induced Motor Evoked Responses from Flattened Individualized Cortical Electric Field Maps. AI, 7, 285. https://doi.org/10.3390/ai7080285