밤새 뒤척이다 피곤한 다음 날을 맞이하는 것은 흔한 일입니다. 하지만 스탠포드 의과대학 연구진과 협력자들이 개발한 인공지능 시스템은 이러한 ‘불편한 밤’이 단순한 피로를 넘어 미래 건강 문제의 중요한 신호일 수 있음을 밝혀내며 전 세계의 이목을 집중시키고 있습니다. 단 한 번의 수면 기록 분석만으로 100가지 이상의 질병 발병 위험을 예측하는 이 AI 시스템, ‘SleepFM’의 등장은 의료 패러다임의 혁신을 예고하고 있습니다.
수면 데이터, 잠재된 건강 정보의 금광
SleepFM은 6만 5천 명에게서 얻은 약 60만 시간 분량의 수면 기록을 학습하며 탄생했습니다. 이 데이터는 뇌 활동, 심장 기능, 호흡 패턴, 눈과 다리 움직임 등 수면 중 발생하는 다양한 생체 신호를 추적하는 심층 수면 검사인 ‘수면다원검사(Polysomnography)’를 통해 수집된 것입니다. 수면다원검사는 수면 평가의 ‘골드 스탠다드’로 여겨지며, 주로 수면 장애 진단에 사용되어 왔습니다. 그러나 이번 연구를 통해 그 안에 담긴 방대한 생리적 정보가 제대로 분석되지 않은 ‘미개척 영역’이었음이 드러났습니다.
수석 저자 중 한 명인 스탠포드 의과대학의 이마뉘엘 미그노(Emmanual Mignot) 교수는 “수면을 연구할 때 엄청난 수의 신호를 기록합니다. 피험자가 완전히 몰입한 상태에서 8시간 동안 연구하는 일종의 일반적인 생리학 연구이며, 데이터가 매우 풍부합니다”라고 강조했습니다. 기존 임상에서는 이 정보의 극히 일부만이 활용되었지만, AI 기술의 발전은 이제 이처럼 복잡하고 방대한 데이터셋을 면밀히 분석할 수 있는 길을 열었습니다. 연구팀은 이번 작업이 AI를 수면 데이터에 이처럼 대규모로 적용한 최초의 사례라고 밝혔습니다.
수면의 언어를 학습하는 파운데이션 모델
그렇다면 SleepFM은 어떻게 수면 데이터를 해석할까요? 연구팀은 대규모 데이터셋에서 광범위한 패턴을 학습한 후, 그 지식을 다양한 작업에 적용하는 AI 유형인 ‘파운데이션 모델(Foundation Model)’을 구축했습니다. 이는 ChatGPT와 같은 대규모 언어 모델(LLM)이 텍스트를 학습하는 방식과 유사합니다. SleepFM은 뇌 신호, 심장 리듬, 근육 활동, 맥박 측정, 호흡 중 기류 등 여러 정보 스트림을 통합하여 이러한 신호들이 어떻게 상호작용하는지 학습합니다. 5초 단위로 분할된 수면 기록은 언어 기반 AI 시스템의 ‘단어’처럼 기능하며, 이를 통해 SleepFM은 ‘수면의 언어’를 배우게 됩니다.
연구의 또 다른 수석 저자인 제임스 조우(James Zou) 교수는 “AI 관점에서 수면은 상대적으로 덜 연구된 분야입니다. 병리학이나 심장학을 다루는 AI 연구는 많지만, 삶의 중요한 부분인 수면을 다루는 연구는 상대적으로 적었습니다”라고 언급했습니다. 연구진은 ‘leave-one-out contrastive learning’이라는 훈련 방법을 개발하여, 시스템이 한 번에 한 가지 신호를 제거하고 나머지 데이터를 사용하여 이를 재구성하도록 요청함으로써 신호 간의 관계를 이해하도록 도왔습니다. 이 독창적인 접근법은 다양한 데이터 양식을 조화시켜 하나의 언어를 학습하게 하는 핵심 기술적 진보였습니다.
미래 질병 예측, 수면 연구의 새로운 지평
학습을 마친 SleepFM은 표준 수면 평가, 예를 들어 수면 단계 식별이나 수면 무호흡증 심각도 평가에서 기존 최고의 모델들과 동등하거나 그 이상의 성능을 보였습니다. 그러나 연구팀의 진짜 야망은 수면 데이터가 미래 질병을 예측할 수 있는지 확인하는 것이었습니다. 이를 위해 수면다원검사 기록을 동일 인물의 장기적인 건강 결과와 연동했습니다. 수십 년간 축적된 단일 수면 클리닉의 의료 기록에 접근할 수 있었기에 가능했던 시도였으며, 그 결과 SleepFM은 미래 질병 예측이라는 놀라운 성과를 입증했습니다.
에디터의 시선
스탠포드 의대의 SleepFM은 AI 기술이 헬스케어 분야에서 어떤 혁신을 가져올 수 있는지 명확히 보여주는 사례입니다. 단순히 질병을 진단하는 것을 넘어, 잠재된 위험을 사전에 예측하여 개인 맞춤형 예방 의학의 시대를 열 가능성을 제시하기 때문입니다.
저는 이 기술이 가져올 파급효과에 주목합니다. 첫째, 의료 서비스의 패러다임 변화입니다. 기존의 반응형(Reactive) 의료가 아닌, 선제적(Proactive)이고 예측 지향적인 의료로의 전환을 가속화할 것입니다. 환자들은 증상이 발현하기 전에 잠재적 위험을 인지하고 생활 습관을 개선하거나 적절한 예방 조치를 취할 수 있게 됩니다. 이는 의료비 절감은 물론, 개인의 삶의 질 향상에도 크게 기여할 것입니다.
둘째, AI 파운데이션 모델의 새로운 적용 분야입니다. 지금까지 파운데이션 모델은 주로 텍스트나 이미지 같은 ‘인지’ 영역에서 그 능력을 발휘해왔습니다. 하지만 SleepFM은 생체 신호라는 복잡하고 다각적인 ‘생물학적 언어’를 학습하여 질병 예측이라는 고난도 과제를 수행함으로써, 파운데이션 모델의 적용 범위가 인체 데이터 분석으로 확장될 수 있음을 증명했습니다. 이는 의학 영상 분석, 유전체 데이터 해석 등 다른 생체 데이터 기반의 AI 모델 개발에도 중요한 이정표가 될 것입니다.
물론, 넘어야 할 산도 많습니다. 민감한 개인 건강 정보의 데이터 프라이버시 및 보안 문제는 최우선적으로 해결되어야 할 과제입니다. 또한, AI의 예측이 항상 완벽할 수는 없으므로, 잠재적인 ‘과잉 진단’이나 예측의 오용을 방지하기 위한 윤리적 가이드라인 마련도 필수적입니다. 이 기술이 특정 계층에게만 한정되지 않고, 더 많은 사람들이 혜택을 누릴 수 있도록 접근성을 확보하는 방안도 깊이 고민해야 합니다.
SleepFM의 등장은 수면 연구와 AI 헬스케어 분야에 새로운 지평을 열었습니다. 우리의 ‘잠자는 시간’이 미래 건강을 비추는 거울이 될 수 있다는 사실은 매우 흥미롭습니다. 이 혁신적인 기술이 가져올 미래 의료의 청사진이 현실화되기까지, 기술 발전과 사회적 합의가 균형을 이루는 지혜로운 접근이 필요할 것입니다. 저는 이 기술이 AI가 단순히 편리함을 넘어, 인간의 삶의 질을 근본적으로 향상시킬 수 있는 강력한 도구임을 다시 한번 일깨워준다고 생각합니다.