현대 의학에서 암 진단은 여전히 복잡하고 다층적인 과제입니다.

특히 병리학 분야는 숙련된 전문가의 육안 분석에 크게 의존해왔습니다.

인공지능(AI)은 진단 과정을 혁신할 잠재력을 가지고 있지만, 기존 AI 시스템들은 고질적인 한계에 직면해 있었습니다.

수작업 기능 의존성, 설명 불가능한 ‘블랙박스’ 문제, 그리고 단편적인 워크플로우는 AI 기술의 실제 의료 현장 도입을 가로막는 주요 장애물이었습니다.

SPARK, 왜 필요한가? 기존 AI의 한계와 새로운 접근

기존 인공지능은 암 병리 분석에서 여러 성과를 보였지만, 본질적인 한계를 안고 있었습니다.

상당수 시스템은 병리학자가 직접 정의하고 추출해야 하는 수작업 특징(hand-crafted features)에 의존하며, 이는 시간 소모적이고 확장성이 떨어집니다.

딥러닝 기반 모델들은 탁월한 성능에도 불구하고, 그 판단 과정을 설명하기 어려운 ‘블랙박스’ 문제를 야기하여 의료 전문가들이 결과에 대한 신뢰를 갖기 어렵게 만듭니다.

또한, 정보가 단편적으로 처리되는 워크플로우는 병리 분석의 효율성을 저해했습니다.

최근 각광받는 파운데이션 모델(Foundation Models)은 방대한 병리 이미지 학습을 통해 일반적인 조직 패턴을 파악합니다.

하지만 이들 모델 역시 특정 데이터셋과 임상 질문에 대한 적응(fine-tuning) 과정이 필수적이며, 여전히 해석의 어려움과 사전 학습 과정에서 발생할 수 있는 편향성 문제에서 자유롭지 못합니다.

대규모 언어 모델(LLM)과 비전-언어 모델(VLM) 역시 텍스트 기반 추론에는 강점을 보이지만, 복잡한 병리 이미지 분석 및 정량적 추론에는 한계를 드러냈습니다.

이러한 배경 속에서, 여러 전문화된 알고리즘들이 협력하여 복잡한 분석을 수행하는 에이전트 기반 AI 시스템(Agentic AI systems)의 등장은 기존 AI의 한계를 극복할 새로운 대안으로 주목받고 있습니다.

자율적 과학 발견의 ‘뇌’: SPARK의 에이전트 프레임워크

네이처 메디슨(Nature Medicine)에 발표된 SPARK (System of Pathology Agents for Research and Knowledge)는 이러한 에이전트 기반 AI의 가능성을 암 병리학 분야에 실현한 혁신적인 접근 방식입니다.

SPARK는 마치 병리학자의 ‘뇌’처럼 기능하며, 언어를 범용 인터페이스로 활용하여 생물학적으로 의미 있는 가설을 자율적으로 생성하고, 이를 분석 도구로 구현합니다.

가장 주목할 점은 추가적인 모델 학습(extra model training) 없이도 복잡한 병리 데이터를 직접 다룰 수 있다는 것입니다. 이는 기존 AI 시스템이 매번 새로운 시나리오나 데이터에 대해 재학습해야 했던 비효율성을 근본적으로 해소합니다.

SPARK는 네 가지 주요 모듈로 구성된 유연하고 모듈화된 설계를 가지고 있습니다.
– 아이디어 생성(Idea Generation): 병리 이미지와 생물학적 지식을 기반으로 새로운 분석 아이디어를 자율적으로 도출합니다.
– 아이디어 정제(Idea Refinement): 생성된 아이디어를 구체적인 분석 가능한 형태로 다듬고 최적화합니다.
– 아이디어/매개변수 코딩(Idea/Parameter Coding): 정제된 아이디어를 실제 데이터 분석에 적용할 수 있는 알고리즘 및 매개변수 코드로 변환합니다.
– 매개변수 검증(Parameter Verification): 생성된 코드와 매개변수가 정확하고 신뢰할 수 있는지 검증합니다.
이러한 통합된 워크플로우를 통해 SPARK는 단순히 이미지를 분류하는 것을 넘어, 종양 분석을 위한 생물학적 개념을 스스로 발전시키고 실제적인 통찰로 전환시키는 진정한 자율성을 보여줍니다.

5가지 암종, 5,400명 환자 데이터로 검증된 강력함

SPARK의 실질적인 유효성은 대규모 환자 코호트를 통해 철저히 검증되었습니다.

연구팀은 5가지 유형의 암(폐선암, 폐편평상피세포암, 대장암, 유방암, 구인두편평상피세포암)에 걸쳐 총 18개의 환자 코호트, 5,400명 이상의 환자 데이터를 활용했습니다.

이들 데이터는 조직 병리 이미지뿐만 아니라 임상 및 추적 관찰 정보까지 포함하여 SPARK의 성능을 종합적으로 평가할 수 있도록 구성되었습니다.

SPARK는 예후 예측(prognostic) 및 치료 반응 예측(predictive) 설정에서 모두 뛰어난 능력을 발휘했습니다.

특히 다음과 같은 중요한 발견을 가능하게 했습니다.
– 임상적 및 생물학적으로 관련된 개념 생성: SPARK는 환자의 예후, 기존에 알려진 병리학적 변수, 그리고 예측 바이오마커와 상관관계가 있는 새로운 개념들을 도출했습니다.
– 정적인 이미지에서 동적인 변화 추론: 정적인 조직 병리 이미지에서 종양 진행 패턴과 시간적 변화를 유추하는 능력을 보여주었습니다. 이는 암의 진화 과정을 이해하는 데 중요한 단서가 됩니다.
– 공간 생물학 데이터 분석: 복잡한 공간 생물학 데이터셋(유방암 환자 625명)에서도 SPARK는 성공적으로 작동하여, 기존 방법으로는 얻기 어려웠던 통찰을 제공했습니다.
이러한 결과는 SPARK가 단순한 이미지 분류기를 넘어, 암의 발병과 진행에 대한 새로운 생물학적 통찰을 제공하며, 질병의 공격성을 예측하고 이해하는 데 기여할 수 있음을 명확히 입증합니다.

인간과 AI의 시너지: SPARK의 미래적 가치

SPARK의 강력한 기능 중 하나는 인간과의 상호작용을 위한 전용 모듈을 갖추고 있다는 점입니다.

이는 AI가 모든 것을 자율적으로 결정하는 것이 아니라, 병리학자와 임상 전문가의 지식과 직관을 시스템에 통합할 수 있는 중요한 통로를 제공합니다.

예를 들어, 병리학자가 “종양 세포 주변 림프구 수”, “종양 기질 내 대식세포 밀도”와 같은 최소한의 자유 형식 텍스트로 아이디어를 제공하면, SPARK는 이를 분석 파이프라인에 포함할 수 있도록 준비합니다.

이러한 인간-AI 협력 모델은 다음과 같은 미래적 가치를 가집니다.
– 해석 가능성 및 신뢰도 향상: 전문가의 피드백을 통해 AI 모델의 ‘블랙박스’ 문제를 일부 해소하고, 결과에 대한 신뢰도를 높일 수 있습니다.
– 전문가 지식의 확장: AI가 생성한 개념을 인간 전문가가 검토하고, 다시 인간의 지식을 AI 시스템에 주입함으로써, 지식의 선순환 구조를 만듭니다.
– 진단 정밀도 향상 및 통찰력 심화: SPARK가 생성한 도구와 통찰을 통해 연구자와 임상의는 진단 정밀도를 높이고, 종양 생물학에 대한 이해를 더욱 깊게 할 수 있습니다.
연구팀은 SPARK의 모든 코드, 매개변수, 결과를 오픈 소스로 공개하여 전 세계 연구자와 임상의가 이 혁신적인 기술을 활용하고 발전시킬 수 있도록 지원하고 있습니다.

이는 의료 AI 분야의 투명성과 협력을 촉진하는 모범적인 사례로 평가됩니다.

결론:
SPARK는 암 병리학 분야에서 인공지능이 나아갈 새로운 방향을 제시합니다.

기존 AI의 한계를 뛰어넘어, 언어를 매개로 한 에이전트 기반 시스템을 통해 자율적인 과학적 발견을 가능하게 함으로써, 의료 AI의 패러다임을 변화시킬 잠재력을 보여주었습니다.

대규모 환자 데이터를 통해 검증된 SPARK의 능력은 암 진단 및 치료 전략 수립에 혁신적인 변화를 가져올 것으로 기대됩니다.

앞으로 추가적인 전향적 검증을 통해 SPARK가 생성하는 도구들의 임상적 유용성이 더욱 명확해진다면, 이 기술은 암 환자들의 삶의 질을 향상시키는 데 결정적인 역할을 할 것입니다.

인간과 AI의 협력을 통해 암이라는 난제를 해결해나가는 SPARK의 행보에 귀추가 주목됩니다.

출처 URL: https://www.nature.com/articles/s41591-026-04357-y