논문 브리핑
AI, 혈당 관리 개인차 난제 풀까? GlucoPRISM, 측정 방식 달라도 '척척'
글 · 한경모
인공지능(AI)이 헬스케어 분야에 깊이 파고들면서 개인 맞춤형 건강 관리의 새 시대가 열리고 있습니다. 그중에서도 연속 혈당 측정(CGM) 데이터는 당뇨병 환자는 물론 일반인의 건강 관리에도 혁신을 가져오고 있지만, AI 모델이 이 데이터를 활용하는 데에는 고질적인 문제가 있었습니다. 바로 개인마다 다른 생체 반응, 생활 습관은 물론, 사용하는 CGM 기기의 종류나 측정 프로토콜에 따른 데이터 편차가 크다는 점입니다. 이러한 편차는 한 집단에서 학습된 AI 모델이 다른 집단에서는 제 성능을 발휘하지 못하게 만드는 주요 원인이었습니다.
최근 공개된 GlucoPRISM 논문은 이러한 '코호트 간 전이(cross-cohort transfer)' 문제를 해결하기 위한 새로운 AI 접근법을 제시했습니다. 기존 CGM 데이터 기반 AI 모델인 GlucoFM(Glucose Foundation Model)은 하루의 혈당 패턴을 하나의 벡터로 압축합니다. 문제는 이 벡터 안에 개인의 생리학적 특성, 그날 발생한 이벤트, 그리고 센서의 측정 방식 등 여러 정보가 뒤섞여 있다는 것입니다. 이는 마치 여러 재료가 한데 섞여 맛을 내는 비빔밥처럼, 각 요소의 기여도를 명확히 분리하기 어려운 상황과 비슷합니다.
GlucoPRISM의 핵심 아이디어는 이 혼합된 정보 중 '측정 방식 차이'에서 오는 노이즈를 명확히 분리해내는 것입니다. 논문은 사전 학습(pretraining) 과정에서 모델이 측정 관련 특성들을 '알려진 좌표'에 배치하도록 학습시킨다고 설명합니다. 마치 지도에서 특정 지형지물을 정확한 좌표로 표시하듯, AI 모델이 데이터의 '측정 프로토콜' 부분을 독립적인 공간에 인식하게 만드는 것입니다. 이후 실제 모델을 배포할 때는 이 '측정 프로토콜'에 해당하는 부분을 고정된 방식으로 제거하여, 순수한 개인의 생체 신호만을 바탕으로 예측할 수 있게 됩니다. 이 과정에서 별도의 타겟 데이터 없이도 적용이 가능하다는 점이 큰 장점입니다.
- 기존 모델은 개인 정보, 이벤트, 측정 방식이 뒤섞인 단일 벡터를 생성하여 전이성이 낮음.
- GlucoPRISM은 사전 학습 시 측정 방식을 '알려진 좌표'에 명확히 분리하여 인코딩.
- 모델 배포 시 이 측정 방식 관련 좌표를 고정된 방식으로 제거, 순수한 생체 신호만 활용.
- 새로운 집단에 적용 시 추가 학습 없이도 높은 성능 유지 가능.
인사이트
GlucoPRISM은 AI 모델이 연속 혈당 측정 데이터의 기기 및 측정 프로토콜 차이를 스스로 분리하고 제거하게 하여, 어떤 환자 집단에도 적용 가능한 범용적이고 정교한 혈당 예측을 가능하게 하는 중요한 진전을 보여줍니다.
자주 묻는 질문
- GlucoPRISM이 정확히 어떤 문제를 해결하려는 건가요?
- GlucoPRISM은 연속 혈당 측정(CGM) 데이터가 다양한 기기와 측정 방식 때문에 생기는 편차 문제를 해결하려 합니다. 기존 AI 모델은 이러한 편차 때문에 특정 집단에서 학습한 모델을 다른 집단에 적용하기 어려웠습니다.
- 이 기술이 상용화되면 제 혈당 관리에는 어떤 변화가 생기나요?
- GlucoPRISM 기술이 상용화되면, 어떤 CGM 기기를 사용하든, AI 모델이 개인의 혈당 변화를 더욱 정확하게 예측하고 분석할 수 있게 됩니다. 이는 더욱 정교하고 개인화된 맞춤형 혈당 관리 및 건강 코칭 서비스로 이어질 수 있습니다.
- 다른 AI 모델과 비교했을 때 GlucoPRISM의 핵심 차별점은 뭔가요?
- 핵심 차별점은 AI 모델이 데이터 내에서 '측정 프로토콜'과 관련된 부분을 인식하고 이를 분리해서 제거한다는 것입니다. 이를 통해 모델은 특정 기기나 측정 방식에 덜 의존하고, 순수한 생체 신호에 기반한 예측을 제공하여 다양한 사람들에게 범용적으로 적용될 수 있습니다.
이 기사 어땠어요?
피드백을 남겨주시면 더 나은 맞춤 추천을 만듭니다.