핵심 요약
질병관리청 국립보건연구원은 4일, 한국인 경도인지장애(MCI) 환자에서 유전체 데이터와 인공지능(AI)을 결합해 치매 전환 위험을 예측하는 모델을 개발했다고 발표했다. 연구는 한국인 치매 코호트인 BICWALZS의 임상·유전체 정보 674명(정상 81명, 경도인지장애 389명, 치매 204명)을 활용했으며, 여러 알고리즘을 비교한 결과 최대 AUC 0.88의 예측 성능을 보였다. 일부 모델은 2년 추적에서 실제 치매 전환 사례를 최대 100%까지 맞히는 결과를 보이며 임상적 적용 가능성을 시사했다. 연구진은 향후 국가 단위의 AI 기반 조기진단 플랫폼 구축을 추진할 계획이라고 밝혔다.
핵심 사실
- 연구 발표: 질병관리청 국립보건연구원이 4일 국제학술지 Alzheimer’s Research & Therapy에 결과를 공개했다.
- 대상 코호트: BICWALZS 코호트 총 674명(정상 81명, 경도인지장애 389명, 치매 204명)의 임상·유전체 자료를 분석했다.
- 사용 알고리즘: 랜덤 포레스트, k-최근접 이웃, 서포트 벡터 머신, 인공신경망, XGBoost, LightGBM 등 6종을 비교 분석했다.
- 핵심 유전자: APOE, PVRL2, TOMM40 등 유전자가 치매 전환 위험 예측에 주요한 역할을 한 것으로 나타났다.
- 성능 지표: 개발된 모델의 최대 예측 정확도(AUC)는 0.88로 보고됐다.
- 임상 비교: 2년 후 실제 치매로 진행된 사례와 대조한 결과 일부 모델은 표본 내에서 최대 100%까지 정확히 예측했다.
- 정책적 시사점: 연구진은 한국인 유전체 기반의 맞춤형 조기진단 및 예방 전략 수립에 기여할 수 있다고 평가했다.
사건 배경
알츠하이머병은 고령화 사회에서 주요한 퇴행성 뇌질환이며, 임상적으로는 경도인지장애(MCI) 단계의 환자 중 약 10~15%가 연간 치매로 진행하는 것으로 알려져 있다. 이 때문에 MCI 단계에서 고위험군을 조기에 식별하면 예방적 중재나 임상시험 대상 선별에 중요한 이점이 있다. 기존 치매 예측 연구는 대체로 유럽·북미 중심의 모집단을 바탕으로 개발되어 동아시아, 특히 한국인 집단에 그대로 적용하기에는 한계가 제기돼왔다.
한국에서는 인구집단의 유전적 특성, 생활습관, 진단 코드의 차이 등으로 인해 외국에서 개발된 위험 예측 모델의 성능이 저하될 수 있다는 우려가 있어 한국인 대상 데이터로 재검증하거나 새 모델을 개발하는 필요성이 제기돼 왔다. BICWALZS 같은 국내 코호트는 임상 자료와 유전체 정보를 결합해 한국인 특성에 맞춘 분석을 가능하게 한다. 이번 연구는 이러한 맥락에서 한국인 데이터만으로 AI 모델을 만들고 성능을 평가한 점이 특징이다.
주요 사건
연구진은 BICWALZS에 등록된 674명의 참가자에 대해 임상·유전체 정보를 전처리하고, 6가지 기계학습 알고리즘을 적용해 치매 전환 위험을 예측했다. 각 알고리즘별로 특징선택(feature selection)과 교차검증을 수행해 모델을 비교했으며, 유전자형과 임상 변수의 기여도를 함께 분석했다. 그 결과 APOE 등 기존에 보고된 위험 유전자 외에 PVRL2, TOMM40 등이 예측에 중요한 변수로 확인됐다.
성능 평가에서 일부 모델은 전체 코호트 기준 AUC 최대 0.88을 기록했고, 특히 표본 내의 2년 추적 결과를 대조했을 때 특정 모델은 관찰된 치매 전환 사례를 높은 비율로 맞혔다. 연구진은 이 결과가 임상에서의 조기 식별 가능성을 시사한다고 평가했다. 다만 연구팀도 외부 검증과 실제 임상 적용을 위한 추가 연구가 필요함을 언급했다.
연구 책임자는 코호트 구축과 데이터 품질 관리의 중요성을 강조했으며, 연구 결과를 바탕으로 국가 차원의 AI 기반 조기진단 플랫폼 설계 가능성을 제시했다. 또한 향후 대규모 외부 코호트 및 다국적 비교 연구를 통해 모델의 일반화 가능성을 검증하겠다는 계획을 밝혔다.
분석 및 의미
이번 연구는 한국인 유전체 정보를 활용해 치매 전환 위험 예측 모델을 만들었다는 점에서 의미가 크다. 기존 모델들이 다른 민족집단에서 도출된 특징에 의존해 성능이 떨어지는 사례가 있었는데, 인구집단 특이성을 반영한 모델은 국내 예방 정책과 임상시험 설계에서 실무적 유용성을 높일 수 있다. 특히 APOE 등 잘 알려진 위험 유전자와 더불어 PVRL2, TOMM40의 기여가 확인된 것은 유전자 기반 리스크 스트래티파이(Stratify)에 도움을 줄 수 있다.
다만 AUC 0.88은 유의미한 성과이나 완전한 예측을 의미하지 않으며, 표본 내에서 높은 정확도를 보인 모델도 외부 집단에서 동일한 성능을 낼지는 별도 검증이 필요하다. 임상 적용을 위해서는 민감도·특이도, 양성예측도 등 실무 지표와 더불어 윤리적·사회적 수용성, 개인정보 보호 문제도 함께 검토해야 한다. 예를 들어 고위험군 판정을 받은 개인의 심리적 영향과 보험·고용상의 불이익 가능성 등 사회적 파급효과를 고려한 제도적 안전장치가 필요하다.
정책적 관점에서는 국가 단위의 AI 플랫폼 구축이 추진될 경우 데이터 표준화, 외부 검증 절차, 임상 의사결정과의 연계 방안이 핵심 과제로 떠오른다. 또한 국내 코호트의 규모를 확장하고 다기관·다민족 데이터와의 비교를 통해 모델의 신뢰도를 높여야 한다. 국제 협력 연구를 통해 알고리즘의 국경 간 일반화 가능성을 평가하는 것도 향후 과제다.
비교 및 데이터
| 항목 | 내용 |
|---|---|
| 대상자 수 | 총 674명 (정상 81, MCI 389, 치매 204) |
| 사용 알고리즘 | 랜덤포레스트, k-NN, SVM, 인공신경망, XGBoost, LightGBM |
| 주요 유전자 | APOE, PVRL2, TOMM40 |
| 보고된 성능 | 최대 AUC 0.88, 일부 모델은 2년 추적에서 표본 내 100% 예측 |
위 표는 연구에서 공개된 주요 수치와 결과를 요약한 것이다. 숫자는 해당 논문 및 발표 자료에 따라 표기했으며, 표본 내 성능이 외부 검증에서 동일하게 재현될지는 별도 확인이 필요하다.
반응 및 인용
“한국인 유전체 데이터를 활용한 맞춤형 치매 예측의 가능성을 보여준 의미 있는 성과”
질병관리청·국립보건연구원 (공식 발표)
국가 연구기관은 이번 결과가 국내 치매 예방 및 관리 정책의 과학적 기반을 강화할 수 있다고 평가했다. 공식 발표문은 향후 국가 차원의 AI 기반 조기진단 플랫폼 구축 의지를 함께 밝혔다.
“경도인지장애 환자 다수가 치매로 진행할 가능성이 있어 조기 식별과 예방 전략이 매우 중요하다”
김상철 국립보건연 헬스케어인공지능연구과장
김상철 과장은 연구의 정책적 함의를 강조하며, 연구 결과가 예방 전략 수립에 활용될 수 있다는 점을 언급했다. 다만 임상 도입 전 외부 검증과 규제·윤리적 검토가 필요하다고 덧붙였다.
“코호트 기반의 대규모 유전체 데이터와 AI를 결합하면 맞춤형 위험 예측의 정확도를 높일 수 있다”
연구팀(연구책임자: 홍창형 아주대학교 교수, 코호트 운영진)
연구 책임자는 코호트의 역할과 데이터 품질 관리의 중요성을 재차 강조했다. 연구팀은 향후 다기관 검증을 통해 모델을 검증하겠다고 밝혔다.
불확실한 부분
- 모델 일반화: 연구는 단일 국내 코호트 내 성능을 보고했으며, 외부 집단에서의 재현성은 아직 확인되지 않았다.
- 임상 적용 시점: 임상적 도입을 위해 필요한 규제 승인 절차와 실무적 검증 시점은 불분명하다.
- 장기 예측력: 2년 추적에서의 성능은 보고됐으나 장기간(예: 5년 이상) 예측 성능은 추가 검증이 필요하다.
총평
한국인 유전체를 기반으로 한 AI 치매 위험 예측모델의 개발은 국내 실정에 맞춘 맞춤형 조기진단 가능성을 보여준 중요한 진전이다. 연구는 코호트 데이터의 강점과 여러 기계학습 기법을 비교했다는 점에서 실무적 시사점을 제공한다. 하지만 표본 수와 단일 코호트 기반 결과라는 한계 때문에 외부 검증, 장기 추적, 임상적 유효성 평가가 선행돼야 한다.
정책적으로는 국가 차원의 AI 기반 조기진단 플랫폼 구축 논의가 이번 결과를 통해 가속화될 수 있으나, 데이터 표준화와 윤리적·법적 장치 마련이 병행돼야 한다. 독자는 이번 성과를 ‘임상적 가능성 제시’로 받아들이되, 실제 의료 현장 적용에는 추가 연구와 제도적 준비가 필요하다는 점을 염두에 두어야 한다.