국내 연구진이 AI가 뇌 기능성 자기공명영상(fMRI)에서 학습한 정보가 실제로 생물학적으로 의미 있는지를 검증하는 새로운 AI 프레임워크를 개발했습니다. 김붕년 서울대병원 소아청소년정신과 교수팀과 한경림 KIST 뇌과학연구소 책임연구원, 한소연 멜버른대 컴퓨터공학부 교수팀으로 구성된 국제공동연구팀의 성과로, 연구 결과는 AI·데이터마이닝 분야 세계적 학회 ‘ACM SIGKDD 2026’에서 발표됐습니다. 이번 연구는 AI의 예측 정확도를 넘어, AI가 자폐스펙트럼장애를 어떤 근거로 판단하는지를 뇌과학적으로 확인했다는 점에서 기존 진단 보조 모델들과 궤를 달리합니다.
핵심 요약
- 연구 발표: 2026년 ‘ACM SIGKDD’ 학회에서 국제공동연구팀이 발표
- 참여 기관: 서울대병원 소아청소년정신과, KIST 뇌과학연구소, 멜버른대 컴퓨터공학부
- 개발 기술명: 생성적 매니폴드 감사(GMA, Generative Manifold Audit) 프레임워크
- 검증 데이터: 대규모 다기관 데이터셋 ABIDE + 서울대병원 장기 자폐 아동 임상 코호트
- 국내 통계: 등록 자폐성장애인 약 4만3000명(2023년 말 기준), 최근 10여 년간 2배 이상 증가
- 미국 통계: 8세 아동 31명 중 약 1명꼴로 자폐스펙트럼장애 진단
AI가 ‘왜 그렇게 판단했는지’를 검증하는 GMA 프레임워크
생성적 매니폴드 감사(GMA)는 AI 모델의 내부 표현이 뇌 네트워크 구조 변화에 얼마나 민감하게 반응하는지를 정량적으로 평가하는 기법입니다. 연구팀은 먼저 정상 발달군 데이터를 학습시켜 전형적인 뇌 기능 연결 패턴을 담은 ‘표준 뇌 네트워크 모델’을 구축했습니다. 이후 특정 뇌 영역의 연결을 가상으로 차단하는 실험을 반복하면서, 이때 AI 내부 표현이 어떻게 달라지는지를 추적했습니다.
이 과정에서 핵심이 된 것은 ‘민감도 격차’라는 새 지표입니다. AI의 반응이 단순한 정보 손실 때문인지, 아니면 실제 뇌 네트워크 구조와 관련된 반응인지를 구분하기 위해 고안됐습니다. 연구팀을 검증에 활용한 데이터는 대규모 다기관 데이터셋 ABIDE와 서울대병원이 장기간 구축해 온 자폐 아동 임상 코호트 두 가지입니다. 서로 다른 fMRI 데이터 환경에서 반복 검증했다는 점에서, 특정 병원 한 곳의 데이터에만 맞춰진 결과가 아니라는 점을 확인하려 한 시도로 읽힙니다.
기존 자폐 진단 AI와 무엇이 다른가
이번 연구를 이해하려면 기존 접근 방식과 나란히 놓고 볼 필요가 있습니다. 지금까지 자폐스펙트럼장애 AI 보조진단 연구는 대부분 ‘분류(Classification)’나 ‘회귀(Regression)’ 방식으로, 입력된 뇌영상 데이터를 바탕으로 자폐 여부나 중증도를 맞히는 성능 자체에 초점을 맞춰왔습니다. 반면 이번 GMA 프레임워크는 AI가 정답을 맞히는 성능이 아니라, 그 정답을 도출한 내부 표현이 실제 뇌의 기능적 네트워크 구조를 얼마나 반영하는지를 따집니다.
| 구분 | 기존 분류·회귀 기반 모델 | GMA 프레임워크 |
|---|---|---|
| 평가 기준 | 진단 정확도(예측 성능) | 내부 표현의 생물학적 타당성 |
| 검증 방식 | 정답 라벨과의 일치도 | 뇌 영역 가상 차단 후 반응 비교 |
| 활용 데이터 | 개별 연구별 단일 데이터셋 위주 | ABIDE + 서울대병원 코호트 교차 검증 |
| 대표 성과 지표 | 정확도·민감도·특이도 | ‘민감도 격차’ 지표 |
| 모델 비교 결과 | 모델 간 성능 순위만 확인 가능 | DAE 기반 생성형 모델이 뇌 네트워크 구조 변화에 가장 민감하게 반응 |
연구팀이 여러 AI 모델을 GMA로 비교 분석한 결과, 디노이징 오토인코더(DAE) 기반 생성형 AI 모델이 다른 비교 모델들보다 뇌 네트워크의 구조적 변화에 더 민감하게 반응하는 경향을 보였습니다. 이는 단순히 어떤 모델의 진단 정확도가 높은지가 아니라, 어떤 모델이 실제 뇌과학적 근거에 더 충실하게 판단하는지를 처음으로 나란히 비교했다는 의미가 있습니다.
자폐스펙트럼장애 조기진단이 어려운 이유
자폐스펙트럼장애는 제한된 관심과 반복 행동, 사회적 상호작용의 어려움을 특징으로 하는 신경발달장애입니다. 미국에서는 8세 아동 31명 중 약 1명꼴로 나타나며, 국내에서도 등록 자폐성장애인이 2023년 말 기준 약 4만3000명으로 최근 10여 년간 두 배 이상 증가했습니다. 그럼에도 지금까지의 진단과 경과 평가는 증상과 행동 관찰에 크게 의존해 왔고, 이 때문에 언어·행동 표현이 아직 뚜렷하지 않은 영유아기의 조기 진단과 치료적 개입에는 한계가 있었습니다.
이번 연구는 이런 흐름의 연장선에 있습니다. 연구팀은 앞서 기능적 자기공명영상 분석을 통해 자폐스펙트럼장애 아동이 정상발달 아동에 비해 두뇌의 기능적 연결이 현저히 부족하다는 사실을 확인한 바 있습니다. 특히 감각 정보를 통합하는 핵심 영역인 하두정소엽과, 감각 중계 역할을 하는 시상을 주요 허브로 하는 뇌 전역 네트워크에서 연결 감소가 뚜렷하게 나타났습니다. 이번 GMA 프레임워크는 이 선행 연구에서 확인한 뇌과학적 근거를 AI 모델 평가 자체에 결합했다는 점에서, 행동 관찰 중심 진단에서 뇌영상 기반 객관적 지표로 넘어가려는 흐름의 다음 단계로 볼 수 있습니다.
이 연구가 임상의·부모·연구자에게 각각 의미하는 것
이번 성과가 당장 병원 현장을 바꾸는 것은 아니지만, 관련된 각 주체에게 주는 함의는 조금씩 다릅니다.
임상의에게는 AI 진단 보조 도구를 선택하거나 검증할 때 정확도 수치만이 아니라 그 판단 근거의 생물학적 타당성까지 확인할 수 있는 평가 틀이 하나 더 생겼다는 의미가 있습니다. 예측 성능이 비슷한 두 모델이 있어도, GMA로 평가하면 어느 쪽이 실제 뇌 네트워크 이상을 더 정확히 짚어내는지 구분할 수 있습니다.
자녀의 발달 지연이나 자폐 증상을 의심하는 부모에게는 아직 병원에서 바로 사용할 수 있는 검사가 아니라는 점을 분명히 해둘 필요가 있습니다. 이번 연구는 진단 도구 자체가 아니라, 진단 도구로 쓰일 AI 모델을 어떻게 검증할지에 관한 방법론 연구입니다. 조기 진단이 여전히 중요하다는 사실은 변하지 않지만, 현재로선 소아청소년정신과 전문의의 발달 평가와 관찰이 우선입니다.
AI·의료 연구자에게는 자폐뿐 아니라 다른 신경발달장애나 정신질환 진단 모델에도 적용 가능한 검증 방법론이라는 점이 눈에 띕니다. 예측 성능은 높지만 임상적으로 신뢰하기 어려운 ‘블랙박스’ AI 모델의 한계를 보완할 수 있는 접근이기 때문입니다.
아직 확인되지 않은 것들
이번 연구를 소개한 리서치 자료에는 향후 임상 적용 시기나 추가 검증 계획에 대한 구체적 언급이 없습니다. 연구팀이 밝힌 성과는 ‘AI 모델을 뇌과학적으로 평가하는 프레임워크를 개발하고 ABIDE와 서울대병원 코호트로 검증했다’는 데까지이며, 이 프레임워크를 실제 진단 보조 소프트웨어나 의료기기로 상용화하는 단계에 대해서는 확인되지 않았습니다. 또한 서울대병원 장기 코호트 분석에서 자폐 임상 증상 지표인 K-CARS와 관련된 구체적 상관관계 수치도 제공된 자료만으로는 명확히 확인하기 어렵습니다. 이 부분은 원 논문이나 후속 보도가 나오면 추가로 확인이 필요합니다.
자주 묻는 질문
Q. GMA 프레임워크는 실제로 병원에서 자폐 진단에 쓸 수 있나요? 아직은 아닙니다. GMA는 자폐 진단 도구 자체가 아니라, AI 진단 모델이 얼마나 생물학적으로 타당한 판단을 내리는지 평가하는 연구용 방법론입니다. 임상 현장에 도입되려면 추가적인 규제 검증과 대규모 전향적 연구가 필요합니다.
Q. 기존 자폐 진단은 왜 조기 진단이 어려웠나요? 증상과 행동 관찰에 의존하는 방식이었기 때문입니다. 언어·사회적 상호작용 표현이 아직 명확하지 않은 영유아기에는 관찰만으로 판단하기 어려워, 진단과 개입 시기가 늦어지는 경우가 많았습니다.
Q. DAE 기반 AI 모델이 다른 모델보다 우수하다는 의미인가요? 정확도가 더 높다는 뜻이 아니라, 뇌 네트워크의 구조적 변화에 더 민감하게 반응했다는 의미입니다. 연구팀은 GMA로 비교했을 때 디노이징 오토인코더 기반 생성형 모델이 다른 비교 모델보다 생물학적으로 의미 있는 변화를 더 잘 포착했다고 밝혔습니다.
Q. 국내 자폐스펙트럼장애 환자는 얼마나 늘었나요? 등록 자폐성장애인은 2023년 말 기준 약 4만3000명으로, 최근 10여 년간 두 배 이상 증가했습니다. 같은 기간 진단 기준 확대와 인식 개선이 함께 작용한 결과로 해석됩니다.
Q. 이 연구는 어디에서 발표됐나요? AI·데이터마이닝 분야의 세계적 학회인 ‘ACM SIGKDD 2026’에서 발표됐습니다. 서울대병원, KIST 뇌과학연구소, 멜버른대가 참여한 국제공동연구입니다.
마무리
이번 연구의 핵심은 AI가 ‘무엇을 맞혔는가’가 아니라 ‘왜 그렇게 판단했는가’를 뇌과학적으로 검증했다는 데 있습니다. GMA 프레임워크는 ABIDE와 서울대병원 코호트 교차 검증을 통해 DAE 기반 생성형 모델이 뇌 네트워크 구조 변화에 가장 민감하게 반응한다는 결과를 내놓았습니다. 다만 실제 임상 도입 시점이나 규제 절차는 아직 공개된 자료에서 확인되지 않은 만큼, 관련 후속 발표나 논문 원문이 공개되면 추가로 확인해보는 것이 좋습니다.
