Mass General Brigham, 의료 영상용 BrainIAC AI 출시

날짜: 매사추세츠주 보스턴 — 2026년 2월 5일

계산 의학의 중대한 도약으로, Mass General Brigham의 연구진은 임상의가 뇌 자기공명영상(MRI) 데이터를 분석하는 방식을 혁신하도록 설계된 새로운 인공지능 파운데이션 모델인 "BrainIAC"을 공개했습니다. 오늘 Nature Neuroscience에 발표된 이 개발은 좁고 특정 작업에 국한된 알고리즘에서 표준 영상 스캔으로부터 심오한 신경학적 통찰력을 추출할 수 있는 다재다능한 범용 AI 시스템으로의 중추적인 전환을 의미합니다.

BrainIAC의 출시는 의료 AI에서 가장 지속적인 병목 현상 중 하나인 고품질의 전문가 라벨링 데이터셋 부족 문제를 해결합니다. 약 49,000개의 MRI 스캔으로 구성된 대규모 말뭉치에 대한 자기지도 학습을 활용함으로써, 이 모델은 전례 없는 적응력으로 뇌 연령을 예측하고, 치매 위험을 평가하며, 암 생존율을 전망할 수 있습니다.

BrainIAC의 탄생: 신경 영상을 위한 새로운 아키텍처

지난 10년 동안 영상의학에 인공지능을 통합하는 과정은 파편화로 특징지어졌습니다. 기존의 딥러닝 모델은 뇌졸중 감지나 종양 분할과 같은 단일 작업을 수행하도록 훈련되었으며, 각 특정 응용 분야마다 수천 개의 수동 주석 이미지가 필요했습니다. 고립된 상태에서는 효과적이었지만, 이러한 모델은 처음부터 다시 훈련받지 않고는 새로운 임상 질문에 적응할 수 있는 유연성이 부족했습니다.

BrainIAC(Brain Imaging Adaptive Core)은 이러한 패러다임에서 근본적으로 벗어난 모델입니다. Mass General Brigham의 의료 인공지능(AIM) 프로그램에서 개발한 이 시스템은 파운데이션 모델로 구축되었습니다. 이는 특정 작업에 맞게 미세 조정되기 전에 데이터 패턴의 광범위한 표현을 학습하는 AI 클래스입니다.

AIM 프로그램의 Benjamin Kann 박사이자 이 연구의 교신 저자는 이러한 아키텍처 전환의 필요성을 강조했습니다. Kann 박사는 "최근 의료 AI 접근 방식의 발전에도 불구하고 광범위한 뇌 MRI 분석에 초점을 맞춘 공개 모델이 부족합니다"라고 말했습니다. "대부분의 기존 프레임워크는 특정 작업을 수행하며, 확보하기 어려운 대규모 어노테이션 데이터셋을 이용한 광범위한 훈련이 필요합니다."

다양성에 기반한 훈련

BrainIAC의 견고함은 훈련 방법론에서 비롯됩니다. 이 모델은 48,965개의 뇌 MRI 스캔으로 구성된 다양한 데이터셋에서 훈련 및 검증되었습니다. AI에게 이미지와 라벨 쌍(예: "이 이미지는 종양을 보여줌")을 제공하는 전통적인 지도 학습과 달리, BrainIAC은 자기지도 학습을 활용했습니다.

이 과정에서 모델은 라벨이 없는 이미지를 분석하여 인간의 뇌 해부학, 병리학 및 스캐너 변동의 고유한 특징을 학습합니다. 이미지의 일부를 마스킹하고 AI가 누락된 섹션을 예측하도록 강제하거나, 두 개의 서로 다른 뷰가 동일한 기본 해부학적 구조를 나타낸다는 것을 학습함으로써(대조 학습), BrainIAC은 뇌에 대한 정교하고 의미론적인 이해를 발전시켰습니다. 이 "사전 훈련" 단계는 모델이 비전 인코더 역할을 할 수 있게 하여, 최소한의 추가 데이터만으로 다운스트림 응용 분야에 쉽게 적응할 수 있는 강력한 특징 표현을 생성합니다.

어노테이션 병목 현상 타파

**헬스케어 AI**의 확장성을 가로막는 주요 제한 사항은 "어노테이션 병목 현상"이었습니다. 의료 데이터셋을 큐레이팅하려면 전문의 자격을 갖춘 영상의학과 전문의가 종양의 윤곽을 세심하게 그리거나 병리학적 라벨을 붙여야 하며, 이는 비용과 시간이 많이 드는 과정입니다.

BrainIAC은 병원 아카이브에 풍부하게 존재하는 라벨 없는 데이터로부터 주로 학습함으로써 이를 우회합니다. 파운데이션 모델이 MRI 스캔의 일반적인 언어를 이해하고 나면, 특정 진단 작업을 마스터하는 데는 라벨링된 예시의 극히 일부만 필요합니다.

주요 기술적 장점:

데이터 효율성: 지도 학습 모델보다 훨씬 적은 라벨링 예시로 다운스트림 작업에서 높은 성능을 달성합니다.
스캐너 비의존성: 다양한 훈련 데이터를 통해 BrainIAC은 서로 다른 MRI 장비 제조사 및 영상 프로토콜 전반에 걸쳐 일반화할 수 있으며, 이는 기존 AI의 흔한 실패 지점이었습니다.
잠재 특징 추출: 모델은 생물학적 상태와 상관관계가 있지만 인간의 눈에는 보이지 않는 픽셀 강도 및 질감의 미묘한 하위 시각적 패턴을 식별합니다.

다각적인 진단 능력

BrainIAC의 다재다능함은 뚜렷하게 구분되는 다양한 임상 작업에서 우수한 성능을 통해 입증되었습니다. 연구진은 네 가지 주요 응용 분야에서 모델을 검증하여 신경 퇴행 및 종양학 영역을 아우르는 능력을 증명했습니다.

뇌 연령 및 치매 위험 예측

이 모델의 가장 유망한 능력 중 하나는 "뇌 연령" 예측입니다. BrainIAC은 구조적 MRI 데이터를 분석하여 환자의 생물학적 뇌 연령을 추정하며, 이는 환자의 실제 연령과 비교될 수 있습니다. 뇌가 환자보다 더 늙어 보이는 두 수치 사이의 상당한 격차는 신경 퇴행성 쇠퇴의 강력한 바이오마커입니다.

또한, 이 모델은 치매 위험 예측 및 경도 인지 장애(MCI) 분류에서 높은 정확도를 보였습니다. MCI의 조기 발견은 비가역적인 알츠하이머병이 발병하기 전 치료적 개입의 기회를 제공하기 때문에 환자 관리에 매우 중요합니다.

종양학적 정밀도: 변이 및 생존

신경 종양학 분야에서 BrainIAC은 영상 데이터로부터 직접 분자적 특징을 식별하는 능력을 보여주었습니다. 이 모델은 뇌종양의 IDH(이소시트르산 탈수소효소) 변이를 성공적으로 분류했습니다. 교모세포종의 변이 상태를 결정하려면 일반적으로 침습적인 조직 생검과 게놈 시퀀싱이 필요합니다. MRI에서 비침습적으로 이 상태를 예측하는 BrainIAC의 능력은 치료 계획을 간소화하고 환자의 위험을 줄일 수 있습니다.

또한, 이 모델은 뇌암(교모세포종) 환자의 전체 생존율을 예측하는 데 효과적임을 입증했습니다. 종양의 모양, 부피 및 질감과 관련된 복잡한 영상 특징을 종합함으로써, BrainIAC은 임상의에게 현재의 임상 병기 결정 방법보다 더 정교한 예후 도구를 제공합니다.

비교 성능 분석

효능을 검증하기 위해 Mass General Brigham 팀은 BrainIAC을 처음부터 훈련된 지도 학습 모델 및 MedicalNet과 같은 다른 사전 훈련된 의료 네트워크를 포함한 기존의 최첨단 방법들과 비교했습니다.

모든 테스트 범주에서 BrainIAC은 더 적은 라벨링 데이터를 필요로 하면서도 우수하거나 동등한 성능을 보였습니다. 특히 희귀 질환 연구에서 흔히 발생하는 상황인 어노테이션된 예시가 소수만 제공되는 "로우샷(low-shot)" 학습 시나리오에서 효과적이었습니다.

다음 표는 BrainIAC과 기존 의료 AI 접근 방식 간의 구조적 및 기능적 차이점을 개략적으로 설명합니다.

표 1: BrainIAC과 기존 지도 학습 AI 모델의 비교

특징	기존 지도 학습 AI	BrainIAC 파운데이션 모델
훈련 데이터 요구 사항	대규모 라벨 데이터셋 필요	방대한 라벨 없는 데이터셋에서 학습
다재다능함	단일 작업 (전문가형)	다중 작업 (범용형)
적응성	경직됨; 새로운 작업을 위해 재훈련 필요	유연함; 신속한 미세 조정 가능
일반화	낮음; 새로운 스캐너에서 어려움 겪음	높음; 기관 간에 견고함
바이오마커 발견	알려진 라벨로 제한됨	새로운 잠재 특징을 드러낼 수 있음

임상 워크플로우에 미치는 영향

**파운데이션 모델**과 같은 모델의 도입은 임상 현장에서 "동반자로서의 AI"로의 전환을 예고합니다. 뇌졸중용, 종양용, 위축용 등 수십 개의 서로 분리된 알고리즘을 배치하는 대신, 병원들은 곧 환자의 신경 건강에 대한 총체적인 평가를 제공할 수 있는 단일 중앙 지능을 배치하게 될 것입니다.

Kann 박사는 "BrainIAC을 영상 프로토콜에 통합하면 임상의가 환자 치료를 더 잘 개인화하고 개선하는 데 도움이 될 수 있습니다"라고 언급했습니다. 비전은 BrainIAC이 영상의학 워크플로우의 백그라운드에서 실행되는 것입니다. 환자가 두통으로 표준 MRI를 찍는 동안, 모델은 가속화된 노화 징후, 초기 치매 마커 또는 무증상 병리학적 징후에 대한 배경 점검을 자율적으로 수행하여 자칫 지나칠 수 있는 이상 징후를 플래깅할 수 있습니다.

바이오마커 발견의 가속화

즉각적인 진단을 넘어, BrainIAC은 연구를 위한 강력한 엔진 역할을 합니다. 이미지에서 고차원 특징을 추출하는 능력은 연구자들이 이전에는 불가능했던 방식으로 영상 데이터를 유전체 및 임상 결과와 상관관계 지을 수 있게 해줍니다. 이는 임상 증상보다 앞서 나타나는 질병의 시각적 서명인 디지털 바이오마커의 발견으로 이어질 수 있습니다.

예를 들어, 생존율 예측에서 모델의 성공은 현재의 표준 영상 보고서에는 포착되지 않는 종양 이질성 및 미세 환경 요인을 파악하고 있음을 시사합니다.

향후 전망 및 가용성

Nature Neuroscience에 게재된 BrainIAC의 발표는 개방형 과학에 대한 약속과 함께 이루어졌습니다. Mass General Brigham은 GitHub를 통해 코드를 공개하고 Hugging Face에 대화형 데모를 구축하여 전 세계 연구 커뮤니티가 자신의 데이터셋에서 모델을 테스트할 수 있도록 했습니다.

이러한 오픈 액세스 접근 방식은 모델의 개선을 가속화할 것으로 기대됩니다. 다른 기관에 의한 외부 검증은 전 세계의 다양한 인구 집단에서 모델의 공정성과 정확성을 보장하는 데 결정적인 역할을 할 것입니다.

**의료 영상**이 계속해서 디지털화됨에 따라, 생성되는 데이터의 양은 인간의 분석 능력을 초과하고 있습니다. BrainIAC과 같은 도구는 영상의학과 전문의를 대체하는 것이 아니라 그들의 능력을 증강하여, MRI 스캔의 모든 픽셀을 생명을 구하기 위한 잠재적 데이터 포인트로 바꾸는 것을 목표로 합니다. 범용 의료 AI 시대가 도래했으며, 이와 함께 인간의 뇌에 대한 더 깊고 예측 가능한 이해의 약속이 다가왔습니다.

이 연구는 국립보건원(NIH)과 국립암연구소(NCI)의 자금 지원을 받았으며, 이는 중대한 의료 혁신을 추진하는 데 있어 공적 자금의 필수적인 역할을 강조합니다. BrainIAC이 실험실에서 잠재적인 임상 시험 단계로 이동함에 따라, 의료 업계는 파운데이션 모델의 약속이 환자의 생존 및 삶의 질에 대한 가시적인 개선으로 이어질 수 있을지 면밀히 지켜볼 것입니다.