주석 병목 현상 극복, 생물의학 AI의 자율 발견 시대

이 논문은 생물의학 인공지능(AI) 분야에서 데이터 주석에 대한 의존성이 주요 발전 장애물이었음을 지적하며, 이 '주석 병목 현상'을 극복하기 위한 비지도 및 자기지도 학습의 패러다임 전환을 심도 있게 조명한다. 서론에서는 지도 학습 방식이 전문가의 시간과 비용이 많이 들고, 인간의 편향을 반영하며, 사전 정의된 라벨과 관련된 정보만을 학습한다는 본질적 한계를 설명한다. 이를 해결하기 위해 레이블 없이 데이터 자체의 내재적 구조에서 학습하는 비지도/자기지도 학습이 대안으로 부상하고 있으며, 최근 연구에서는 특정 작업에서 지도 학습의 성능을 능가하기도 함을 보여준다. 본론은 크게 의료 영상과 분자 생물학 두 가지 영역으로 나누어 최신 기술 동향을 분석한다. 의료 영상 분야에서는 첫째, '표현형 발견 및 유전적 연관성'에서 비지도 학습이 영상과 유전 데이터를 통합하여 새로운 정량적 표현형을 발견하는 능력을 강조한다. 구체적으로, 3D 확산 오토인코더(3DDi f fAE)를 이용해 심장 MRI에서 182개의 복잡한 심장 운동 표현형을 추출하고 이들 중 89개가 유의미한 유전자 위치와 연관됨을 발견한 연구(Ometto et al.)와, 자기지도 Vision Transformer로 H&E 조직 슬라이드에서 공간적 RNA 발현을 예측하는 RNAPath 모델(Cisternino et al.)을 소개한다. 둘째, '강건한 이상 탐지'에서는 건강한 해부학적 구조의 분포를 학습하여 병리를 편차로 탐지하는 생성 모델의 발전사를 다룬다. 기본 VAE 접근법(StRegA)에서 시작해 다중 스케일 대조 학습(SCAD), 마스크 확산 모델(MAD-AD), 그리고 최신 상태 공간 모델(Mamba) 기반 MAA T에 이르기까지 방법론의 진화를 설명한다. 셋째, '영상 정합'에서는 VoxelMorph와 그 발전형인 MICDIR 같은 비지도 딥러닝 방법이 기존 방법보다 빠르고 정확하게 변형 필드를 예측하는 성과를 소개한다. 분자 생물학 영역에서는 DNA 서열을 자연어처럼 처리하는 대규모 언어 모델(예: DNABERT, Nucleotide Transformer)이 규제 요소의 문법을 학습하고 분자 표현형을 예측하는 능력을 보여주며, 단일세포 RNA 시퀀싱(scRNA-seq) 데이터의 희소성과 노이즈 문제를 딥 생성 모델 scVI가 비지도 방식으로 해결하는 방식을 설명한다. 또한, 전자건강기록(EHR)에서 BEHRT 같은 트랜스포머 모델을 이용해 환자 이력을 학습함으로써 수동 코호트 정의 없이 새로운 질병 하위 유형을 발견하는 '계산적 표현형 결정'의 임상적 적용 가능성을 제시한다. 결론에서는 비지도 학습이 정확성 측면에서도 지도 학습에 맞서는 성숙 단계에 접어들었으며, 데이터 자체에서 통찰을 도출함으로써 인간의 편향을 넘어선 진정한 과학적 발견을 가능하게 한다고 강조한다. 마지막으로, 다양한 생물의학 모달리티를 통합하는 '기초 모델'의 개발, Mamba 같은 효율적 아키텍처의 탐색, 그리고 고차원 잠재 표현을 임상적으로 실행 가능하고 해석 가능한 생체표지자로 전환하는 것이 미래의 주요 연구 과제임을 제안한다.