[CTAD 2025] 불완전한 데이터로 알츠하이머를 더 효과적으로 예측하는 멀티모달 프레임워크 MOIRA

Introduction

AI 기반 질병 예측 모델은 일부 영역에서 의사나 병리학자에 필적하거나 이를 능가하는 성능을 보이고 있습니다^[1]. 특히 알츠하이머와 같이 복잡한 뇌질환에서는 인지 평가, 유전 정보, MRI, 혈액 바이오마커 등 다양한 정보를 통합하는 멀티모달 접근이 필수적입니다. 그러나 이러한 기술이 실제 임상 현장이나 임상시험에 적용되기 위해서는 해결해야 할 근본적인 문제가 있습니다.

이번 CTAD (Clinical Trials on Alzheimer's Disease) 2025 학회에서 LG AI연구원의 발표는 AI가 실험실 환경을 벗어나 실제 환자 진료에 기여하기 위해 반드시 극복해야 할 과제를 다룹니다. 알츠하이머는 증상이 발현되기 10년에서 16년 전부터 뇌에서 병리학적 변화가 시작됩니다^[2]. 따라서 조기 발견은 예방적 개입의 핵심이며, 이를 위해서는 가능한 한 많은 환자 데이터를 효과적으로 활용할 수 있어야 합니다.

 

멀티모달 바이오 데이터의 한계: 불완전 모달리티

바이오 도메인, 특히 임상 연구에서 활용할 수 있는 데이터는 매우 다양합니다. 유전체(Genomics), 전사체(Transcriptomics), 단백체(Proteomics) 같은 멀티오믹스 데이터부터 자기공명영상(MRI), 인지 평가 점수, 뇌척수액(CSF) 바이오마커, 임상 병력에 이르기까지, 각 모달리티는 질병에 대한 고유한 축의 정보를 담고 있습니다. 이러한 비정형 데이터와 시계열 데이터의 통합은 질병 진행에 대한 전체론적 이해를 제공할 수 있습니다.

그러나 임상 데이터에는 본질적인 한계가 있습니다. 바로 불완전 모달리티(Incomplete Modality) 문제입니다. 실제 임상 환경에서는 모든 환자가 모든 종류의 검사를 빠짐없이 받는 것은 현실적으로 불가능합니다. 우리가 연구에서 사용한 공공 데이터에서도 관찰이 되었지만, 프로토콜의 차이, 비용 제약, 조직검사 검체의 제한, 연구 목적의 고유성 등으로 인해 데이터셋에서 다수의 환자가 일부 모달리티만을 갖추고 있습니다. 알츠하이머를 예로 들면, 진단에 직접적인 단서를 제공하는 MRI 검사는 비용 문제로 인해 유의미한 증상이 나타나기 전까지는 시행하지 않는 경우가 많습니다. 마찬가지로 CSF 바이오마커는 알츠하이머의 유의미한 지표를 나타내지만 이 또한 침습적 검사라는 근본적 한계가 있습니다. 또한 데이터나 검사의 표준이 변경되는 경우, 기존 모델이 새로운 데이터를 더 이상 처리하지 못하는 문제도 발생합니다.

이미지 1. 알츠하이머 공공 데이터셋 ROSMAP^[3]과 ADNI^[4]에서의 모달리티 조합별 샘플 수

그런데 기존의 멀티모달 AI 연구들은 이러한 현실을 충분히 반영하지 못하고, 예측 모델을 개발하기 위해 모든 샘플이 항목을 갖춘 완전한 데이터만을 사용했습니다. 그 결과, 이들 모델은 제한된 모달리티 셋을 사용해 개발되었으며, 일부 환자들의 데이터는 결측 모달리티(Missing Modality)가 있다는 이유로 연구에서 배제되었습니다. 이는 데이터셋의 활용도를 낮출 뿐 아니라, 모델의 예측 정확도와 여러 임상적 상황에 대응하는 일반화 성능을 저해합니다.

비교적 최근의 연구에서는 불완전한 모달리티의 데이터를 다루려는 시도를 제안했으나, 동일한 모델을 더 많은 데이터에 적용했을 때, 임상 분류 정확도가 저하되는 한계를 보였습니다. 특히, 신경 퇴행을 직접 반영하는 MRI와 같은 영상 데이터의 풍부한 정보를 효과적으로 활용하지 못하는 문제가 두드러지게 나타났습니다.

불완전 모달리티로부터 임베딩을 만들어내는 MOIRA

우리는 불완전한 데이터를 배제하지 않으면서도 높은 예측 정확도를 유지할 수 있는 방법론을 개발했습니다. MOIRA (Multi-Omics Integration with Robustness to Absent Modalities)^[3]는 결측된 모달리티가 있어도 신뢰할 수 있는 예측을 제공하는 멀티모달 통합 프레임워크입니다. MOIRA의 작동 원리의 핵심은 이질적인 임상 데이터를 잠재 표현으로 변환하여, 이를 공유된 임베딩 공간으로 투영하는 것입니다. MOIRA 프레임워크는 세 가지 핵심 구성요소, 즉 인코더(Encoders), 적응적 통합 모듈(Adaptive Fusion Module), 그리고 예측 모듈(Predictor)로 구성됩니다.

이미지 2. MOIRA의 구조도. 인코더(Encoders), 통합 모듈(Fusion module), 예측 모듈(Predictor)^[3]

먼저, 모달리티별 전용 인코더(Encoders)는 각기 다른 모달리티의 데이터를 동일한 차원의 임베딩 공간으로 매핑합니다. 여기서 중요한 점은, 어떤 형태의 데이터든 최종적으로는 같은 차원의 벡터로 표현된다는 것입니다. 다음 단계로, 적응적 통합 모듈(Adaptive Fusion Module)은 존재하는 모달리티만을 활용하여 통합 임베딩을 구성합니다. 이 모듈은 각 모달리티에 대해 학습 가능한 가중치 값을 도입하고, 결측된 모달리티는 마스킹하여 기여도를 0으로 만듭니다. 그런 다음 Softmax를 통해 데이터가 존재하는 모달리티들 사이에서만 가중치를 재분배하고, 가중 합산하여 통합 임베딩을 생성합니다. 마지막으로, 예측 모듈(Predictor)은 이 통합된 임베딩을 입력으로 받아 최종 분류를 수행합니다.

학습 과정에서는 세 가지 손실 함수를 결합하여 최적화하는데, (1) 통합 임베딩에 대한 예측 손실 함수, (2) 각 모달리티별 임베딩에 대한 보조적인 손실 함수, (3) CLIP 스타일의 대조 손실 함수입니다. 이는 개별 모달리티의 임베딩이 판별력을 가질 수 있도록 하고 동일한 표현 공간 상에서 모달리티 임베딩과 통합 임베딩을 정렬하며, Modality Collapse를 방지합니다.

이 설계의 장점은 환자가 보유한 모달리티 조합과 무관하게 데이터를 활용할 수 있다는 점입니다. 학습 단계에서는 더 많은 환자 샘플을 포함할 수 있고, 추론 단계에서도 모든 검사를 수행하지 않은 환자에 대해 예측을 제공할 수 있습니다. 또한, 이 프레임워크는 임의의 인코더와 예측 모듈에 대해 동작합니다. 실제로 우리 실험에서 원본 MRI 데이터를 3D CNN으로 처리했을 때가 FreeSurfer를 이용해 전처리된 요약 정보를 사용한 경우보다 우수한 성능을 보였는데^[4], 이는 공간적·형태학적 구조 정보를 보존하는 인코더를 MOIRA의 프레임워크에 성공적으로 통합한 사례입니다.

LG AI연구원의 접근법을 검증하기 위해, 알츠하이머 연구에서 표준으로 사용되는 두 데이터셋을 테스트했습니다. 첫 번째 데이터셋은 ROSMAP^[5]으로, 사후 뇌 조직에서 추출한 5종의 멀티오믹스 데이터를 포함하며, 전체 748명의 샘플 중 5종의 모달리티를 모두 보유한 샘플은 11%인 86명에 불과합니다. 두 번째 데이터셋은 ADNI^[6]로, 환자들로부터 종단적으로 수집한 임상 기록, MRI, 바이오마커, 유전체 정보 등을 포함합니다. 전체 2,380명의 샘플 중 완전한 데이터를 가진 경우는 56%인 1,323명입니다. 완전한 데이터만을 사용한다면, 두 데이터셋 모두 상당한 양의 정보 손실을 피할 수 없습니다.

데이터셋 활용도, 예측 성능, 응용 가능성을 동시에 달성

실험 결과, MOIRA는 ROSMAP에서 0.920, ADNI에서 0.911의 정확도를 기록했습니다. 이는 해당 데이터셋을 사용한 기존 연구들과 비교하여 최고 수준의 성능을 달성한 것입니다. 특히 ADNI 연구의 경우, 기존 연구에서는 데이터를 덜 선별적으로 사용해 샘플 수를 늘릴수록 정확도가 저하되는 일종의 trade-off가 있었습니다. MOIRA는 이를 해소하며 데이터셋의 범위와 표현형의 예측 정확도를 모두 개선했습니다. ROSMAP으로 Ablation Study를 통해 각 모달리티의 기여도를 평가한 결과, 추가적인 모달리티와 이에 따른 샘플을 모두 활용하는 것이 성능 향상에 효과적이었음이 확인되었습니다. 특히 주목할 점은 기존 연구에서 사용되는 데이터를 동일하게 사용한 경우 (이미지 3의 좌측 하단 Trimodal (∩)), 예측 성능이 기존 연구의 수준에 미치지 못한 점입니다. 이는 MOIRA의 높은 예측 정확도가 특별한 모델 구조가 아닌, 데이터셋의 확장과 효과적인 통합에 있었음을 암시합니다.

이미지 3. ROSMAP과 ADNI 데이터셋에서 평가한 예측 정확도 및 ROSMAP의 Ablation Studies^[3]

앞서도 언급한 것처럼, 실제 임상에서는 환자가 모든 검사를 받기 어렵습니다. MOIRA는 환자가 보유한 검사 결과 일부만으로도 최적의 예측을 제공할 수 있습니다. 특히, ADNI 실험에서 MRI 데이터의 역할에 대한 흥미로운 발견이 있었습니다. 학습 시 MRI를 포함하되 추론 시에만 MRI 정보를 제외하는 실험을 해본 결과, MRI로 학습한 모델은 Inference Time에 MRI 데이터가 없어도 처음부터 MRI 정보를 주지 않고 학습한 모델 대비 약 12%p의 정확도(각각 0.693, 0.619) 향상을 보였습니다. 이는 MRI가 학습 과정에서 다른 모달리티의 표현 학습을 보조할 수 있음을 확인한 사례입니다. 불완전 모달리티를 잘 활용한다면, 여러 모달리티를 복합적으로 활용하는 전략이 가장 효과적임을 보인 경우라 할 수 있습니다. 이러한 발견은 실제 보건 시스템을 개선하는 데에도 기여할 수 있습니다. 고비용의 MRI 촬영 없이도 혈액 검사나 인지 평가만으로 위험을 조기에 탐지하는 모델을 만들 수 있다면, 위험도가 높은 환자에게만 MRI를 검사를 권하는 단계적 진단 전략이 가능해지며, 이는 의료 자원의 비용 효율화와 조기 진단의 가능성을 시사합니다.

이미지 4. sMRI (구조 MRI) 데이터 영향 평가 실험 설계^[4]

AI 모델의 임상 적용을 위해서는 높은 예측 정확도뿐만 아니라 생물학적 타당성이 전제되어야 합니다. 우리 연구에서는 Integrated Gradients를 사용하여 모델의 예측에 기여도가 높은 특징들을 선별했습니다. ROSMAP 데이터에서 각 오믹스 타입별로 상위 12개 특징을 선별하고, 그 결과 식별된 60개 특징 중 57개가 기존 알츠하이머 연구 문헌에서 보고된 것들이었습니다. 예를 들어, mRNA에서는 SCD, KIF5A, DNA 메틸화에서는 TMEM59, microRNA에서는 miR-132, 단백체에서는 GFAP, 대사체에서는 alpha-GPC와 myo-inositol 등이 포함되었습니다. 이들은 모두 알츠하이머의 병리와 관련이 깊다고 알려진 분자들입니다. 이는 MOIRA가 단순히 통계적 패턴만 학습하는 것이 아니라, 실제로 질병의 생물학적 메커니즘을 반영하는 신호를 포착한다는 것을 보여줍니다.

Conclusion

LG AI연구원에서는 MOIRA를 활용한 유의미한 바이오마커 발굴 및 임상 진단 적용을 염두에 두고, 다음 방향으로 후속 연구를 확장해 나갈 계획입니다. MOIRA 연구의 실제 임상 적용을 위해서는 다음과 같은 후속 연구 방향에 대한 집중적인 노력이 필요합니다. 3D CNN을 활용해 MRI 데이터를 인코딩한 것처럼 특정 모달리티에 적합한 인코더 구조를 설계해 모델의 예측 효용을 높이고, 의료진이 AI 예측의 근거를 이해할 수 있도록 설명가능성(explainability)을 개선하는 것이 현재의 방향입니다. 특히, 앞서 보여드린 것과 같이 MRI가 다른 모달리티의 표현 학습을 향상시키는 메커니즘을 탐구하다보면 여러 모달리티 간 상호작용을 포착해 새로운 발견으로 이어질 수도 있습니다.

AI 기술이 진정으로 가치를 발휘하는 순간은, 실험실의 벤치마크를 넘어 실제 사람들의 삶에 긍정적 변화를 만들어낼 때입니다. 이번 CTAD 2025 에서의 발표를 통해, 우리는 바이오 도메인에 발생하는 불완전 모달리티 문제에 접근하는 효과적인 방법론을 제안하고 그 효용성을 입증했습니다. 불완전 모달리티를 활용함으로써 데이터셋을 온전히 사용할 수 있게 되었고, 예측 모델의 정확도 향상과, 실제 응용 가능성 증대로 이어질 수 있습니다. 이러한 접근 방식은 알츠하이머 관련 연구 뿐만 아니라, 불완전 모달리티가 존재하는 일반적인 분야에도 광범위하게 적용될 수 있을 것으로 기대합니다.

 

→ CTAD - MOIRA 논문 보러가기