생물학적 의학을 위한 “상태-개입-전이(state–intervention–transition)” 데이터셋을 구축하는 이가 차세대 의료 AI 인프라를 정의하게 될 것입니다. 저자: Jianghui Xiong

의료 AI (Medical AI)는 분류 (classification), 위험 예측 (risk prediction), 질의응답 (question answering)을 넘어 진화하고 있습니다. 다음 개척지는 단순히 ‘샘플 → 레이블 (sample → label)’ 또는 ‘질문 → 답변 (question → answer)’이 아닙니다. 그것은 바로 ‘상태 + 행동 → 다음 상태 (state + action → next state)’입니다. 다시 말해, ‘현재의 생물학적 상태 (current biological state) + 개입 (intervention) → 미래의 생물학적 상태 (future biological state)’입니다.

진정한 생물학적 의학 월드 모델 (biomedical world models)을 구축하기 위해서는 단순히 더 큰 모델이 필요한 것이 아닙니다. 우리는 이미지 (images)를 위한 것이 아닌, 생물학적 상태 전이 (biological state transitions)를 위한 ImageNet과 유사한 무언가가 필요합니다. 저는 이 아이디어를 당분간 Biomedical TransitionNet이라고 부르겠습니다.

다음 항목들을 기록, 표준화 및 평가하기 위한 공유 인프라:

• 기초 생물학적 상태 (baseline biological state)
• 개입 (intervention)
• 추적 생물학적 상태 (follow-up biological state)
• 메커니즘 증거 (mechanism evidence)
• 불확실성 (uncertainty)

이 글은 왜 이러한 인프라가 필요한지, 왜 중요한지, 그리고 왜 과학적으로 어려운지를 설명합니다. 완전한 생물학적 의학 월드 모델이 이미 존재한다고 주장하는 것이 아닙니다.

1. ImageNet은 단순한 데이터셋이 아니었습니다. 그것은 인프라였습니다.
   사람들이 컴퓨터 비전 (computer vision) 분야의 딥러닝 (deep learning) 혁명에 대해 이야기할 때, 종종 AlexNet, VGG, ResNet 및 기타 신경망 (neural network) 구조를 언급합니다. 그것은 맞지만 불완전한 설명입니다. 가장 중요한 촉진 요인 중 하나는 ImageNet이었습니다. ImageNet은 단순히 방대한 이미지 모음이 아니었습니다. 그 더 깊은 가치는 컴퓨터 비전에 공유된 좌표계, 즉 공통된 작업 (common task), 공통된 레이블 계층 구조 (common label hierarchy), 공통된 훈련 및 테스트 데이터 (common training and test data), 공통된 벤치마크 (common benchmarks), 그리고 모델과 기관 간의 진보를 비교할 수 있는 방법을 제공했다는 점에 있습니다.

ImageNet 이전에는 많은 컴퓨터 비전 시스템들이 서로 다른 데이터셋에서 훈련되고 평가되었기 때문에 비교하기가 어려웠습니다. ImageNet은 해당 분야가 공유된 평가를 중심으로 수렴하도록 도왔습니다. 이것이 ImageNet이 단순한 데이터베이스 그 이상이 된 이유입니다. 그것은 연구 인프라 (research infrastructure)가 되었습니다. 의료 AI 역시 이제 이와 유사한 무언가가 필요할 수 있습니다. 하지만 이미지 데이터셋이 아닌 다른 것이 말입니다.

의학에는 상태 전이 (state transitions)를 위한 ImageNet이 필요합니다.

2. 의료 AI에는 많은 모델이 있지만, 전이 데이터 (transition data)는 충분하지 않습니다.
   오늘날 우리는 이미 다양한 유형의 의료 AI 시스템을 보유하고 있습니다: 의료 거대 언어 모델 (medical large language models), 의료 질의응답 시스템 (medical question-answering systems), 방사선학 모델 (radiology models), 병리학 모델 (pathology models), 오믹스 파운데이션 모델 (omics foundation models), 가상 세포 모델 (virtual cell models), 디지털 트윈 시스템 (digital twin systems), 임상 의사 결정 지원 도구 (clinical decision support tools), AI 신약 개발 플랫폼 (AI drug discovery platforms). 이것들은 중요합니다. 하지만 의료 AI의 미래가 단지 "더 커진 의료용 챗봇"일 뿐이라고 생각한다면, 우리는 진짜 과제를 놓칠 수도 있습니다.

의학은 단순히 질문에 답하는 것만이 아닙니다. 의학은 생물학적 궤적 (biological trajectories)을 이해하고 변화시키는 것에 관한 것입니다. 임상의는 단지 "이 환자는 어떤 질병을 가지고 있는가?"라고 묻기만 하지 않습니다. 그들은 또한 다음과 같이 질문합니다: "왜 이러한 생물학적 상태가 발생하는가?", "무엇이 악화를 유도하는가?", "어떤 메커니즘이 실행 가능한가?", "어떤 개입이 궤적을 변화시킬 수 있는가?", "반응을 어떻게 측정해야 하는가?", "예상된 반응이 나타나지 않는다면 어떻게 되는가?", "부작용이 나타난다면 어떻게 되는가?"

이것들은 단순한 언어 문제가 아닙니다. 이것들은 상태 전이 문제 (state transition problems)입니다. 오늘날 대부분의 의료 AI는 여전히 다음과 같은 형태에 가깝습니다: 샘플 (sample) → 레이블 (label) 또는 질문 (question) → 답변 (answer). 하지만 생물학적 월드 모델 (biomedical world models)은 다음과 같은 형태에 더 가까워야 합니다: 상태 (state) + 행동 (action) → 다음 상태 (next state). 이것이 핵심적인 변화입니다.

3. 생물학적 월드 모델 (biomedical world model)이란 무엇인가?
   AI에서 월드 모델 (world model)은 일반적으로 에이전트 (agent)가 행동 후에 환경이 어떻게 변하는지를 시뮬레이션할 수 있도록 돕는 내부 모델 (internal model)로 이해됩니다.

간단한 추상화는 다음과 같습니다: 현재 상태 (current state) + 행동 (action) → 미래 상태 (future state). 로봇 공학 (robotics)에서는 다음과 같은 의미일 수 있습니다: 로봇 포즈 (robot pose) + 모터 명령 (motor command) → 다음 장면 상태 (next scene state). 자율 주행 (autonomous driving)에서는 다음과 같은 의미일 수 있습니다: 교통 상황 (traffic scene) + 주행 행동 (driving action) → 미래 교통 상황 (future traffic scene). 생물 의학 (biomedicine)에서 이와 유사한 공식은 다음과 같습니다: 생물학적 상태 (biological state) + 개입 (intervention) → 미래 생물학적 상태 (future biological state). 이는 여러 규모 (scales)에 적용될 수 있습니다:

• 세포 상태 (cell state) + 섭동 (perturbation) → 세포 반응 (cellular response)
• 조직 상태 (tissue state) + 치료 (treatment) → 조직 반응 (tissue response)
• 환자 상태 (patient state) + 개입 (intervention) → 추적 상태 (follow-up state)

따라서 생물 의학적 세계 모델 (biomedical world model)은 의료 챗봇 (medical chatbot)으로 이해되어서는 안 됩니다. 이는 단순히 '의료 텍스트 입력 → 의료 텍스트 출력'이 아닙니다. 더 의미 있는 생물 의학적 세계 모델은 다음을 결합해야 합니다:

상태 표현 (state representation) - 개입 표현 (intervention representation) - 전이 모델링 (transition modeling) - 메커니즘 증거 (mechanism evidence) - 불확실성 추정 (uncertainty estimation) - 피드백 교정 (feedback correction)

이는 일반적인 의료 질의응답 (medical QA)보다 훨씬 어렵습니다. 그리고 다른 종류의 데이터를 필요로 합니다.

4. 왜 의학에 자체적인 ImageNet이 필요한가

컴퓨터 비전 (computer vision)에서 기본적인 지도 학습 (supervised learning) 단위는 종종 다음과 같이 단순화될 수 있습니다: 이미지 (image) + 레이블 (label). 생물 의학적 세계 모델의 경우, 기본 단위는 다음과 같은 형태여야 합니다:

기초 상태 (baseline state) + 행동 (action) + 추적 상태 (follow-up state)

또는 수학적으로:
S(t) + A → S(t + Δt)

여기서:
S(t) = 개입 전의 생물학적 상태 (biological state)
A = 행동 또는 개입 (action or intervention)
S(t + Δt) = 개입 후의 생물학적 상태 (biological state)
Δt = 시간 간격 (time interval)

이는 정적인 의료 데이터베이스 (static medical database)와 근본적으로 다릅니다. 생물 의학적 세계 모델은 다음과 같은 것들만 필요로 하는 것이 아닙니다: 의료 이미지 (medical images), 전자 건강 기록 (electronic health records), 오믹스 프로필 (omics profiles), 약물-표적 데이터베이스 (drug-target databases), 임상 노트 (clinical notes), 문헌 그래프 (literature graphs). 이것들은 유용하지만 불충분합니다. 모델은 다음과 같은 내용을 설명하는 구조화된 종단적 데이터 (structured longitudinal data)를 필요로 합니다: 생물학적 상태가 무엇이었는지, 어떤 행동이 취해졌는지, 그 이후에 무엇이 변했는지, 어떤 시간 규모로, 어떤 증거와 함께, 그리고 어떤 불확실성을 가지고 변했는지 말입니다.

이것이 바로 의학에 Biomedical TransitionNet과 같은 것이 필요한 이유입니다. ImageNet을 그대로 복사한 것이 아니라, 생물학적 상태 전이 (biological state transitions)를 위해 설계된 새로운 인프라 (infrastructure)입니다.

단일 데이터 단위는 어떤 모습이어야 할까요? 전통적인 지도 학습 (supervised learning) 샘플은 다음과 같을 수 있습니다:

x → y
예시:
이미지 → 진단 라벨 (diagnosis label)
임상 기록 (clinical note) → ICD 코드
유전 변이 (genomic variant) → 위험 범주 (risk category)

생물학적 월드 모델 (biomedical world-model) 샘플은 다음과 같은 모습에 더 가까워야 합니다:

이전 상태 (state_before) - 개입 (intervention) - 이후 상태 (state_after) - 시간 간격 (time_interval) - 증거 사슬 (evidence_chain) - 불확실성 (uncertainty)

단순화된 스키마 (schema)는 다음과 같을 수 있습니다:

{
"baseline_state" : {
"molecular" : "..." ,
"clinical" : "..." ,
"phenotype" : "..." ,
"lifestyle" : "..." ,
"context" : "..."
},
"action" : {
"type" : "..." ,
"dose" : "..." ,
"frequency" : "..." ,
"duration" : "..." ,
"mechanism" : "..."
},
"follow_up_state" : {
"molecular" : "..." ,
"clinical" : "..." ,
"phenotype" : "..." ,
"adverse_events" : "..."
},
"transition" : {
"direction" : "..." ,
"magnitude" : "..." ,
"time_scale" : "..." ,
"confidence" : "..."
},
"evidence_chain" : {
"target" : "..." ,
"pathway" : "..." ,
"biomarker" : "..." ,
"phenotype" : "..." ,
"validation" : "..."
}
}

이는 분명히 단순화된 것입니다. 하지만 원칙이 중요합니다. 생물학적 월드 모델은 다음을 학습해야 합니다:

이 샘플이 무엇인지뿐만 아니라:
정의된 개입 (intervention) 이후에 이 생물학적 시스템이 어떻게 변화했는지

6. 생물학적 ImageNet의 5개 계층
   생물학적 월드 모델을 위한 ImageNet과 같은 인프라를 구축하고자 한다면, 최소 5개의 계층을 포함해야 합니다.

6.1 상태 표현 (State representation)
첫 번째 질문은 이것입니다: 생물학적 상태 (biological state)란 무엇인가? 환자의 상태는 단순히 진단 라벨이 아닙니다.

다음과 같은 용어들:
당뇨 (diabetes), 고혈압 (hypertension), 노화 (aging), 염증 (inflammation), 피로 (fatigue), 허약 (frailty) 등은 유용하지만, 이는 상위 수준의 기술 (high-level descriptions)입니다.

실제 생물학적 상태에는 다음이 포함될 수 있습니다:
게놈 (genome), DNA 메틸화 (DNA methylation), 전사체 (transcriptome), 단백질체 (proteome), 대사체 (metabolome), 면역 상태 (immune state), 염증 상태 (inflammatory state), 장기 기능 (organ function), 마이크로바이옴 (microbiome), 수면 (sleep), 활동 (activity), 식단 (diet), 약물 복용 이력 (medication history), 환경 노출 (environmental exposure), 임상 배경 (clinical background).

단순화된 표현은 다음과 같을 수 있습니다: individual_state (개인 상태) = molecular_state (분자 상태) - pathway_state (경로 상태) - organ_state (장기 상태) - phenotype_state (표현형 상태) - lifestyle_context (생활 방식 맥락) - clinical_context (임상 맥락). 상태 표현 (state representation)이 없다면, 생의학 월드 모델 (biomedical world model)은 자신이 무엇을 시뮬레이션하고 있는지 알 수 없습니다.

6.2 액션 온톨로지 (Action ontology)
월드 모델에는 액션 (actions)이 필요합니다. 의학에서 액션은 복잡합니다. 여기에는 다음과 같은 것들이 포함될 수 있습니다: 약물 (drugs), 보충제 (supplements), 식단 (diet), 운동 (exercise), 수면 중재 (sleep intervention), 스트레스 관리 (stress management), 세포 치료 (cell therapy), 유전자 치료 (gene therapy), 재생 의학 (regenerative medicine), 병용 요법 (combination therapy), N-of-1 개인 맞춤형 중재 (N-of-1 personalized intervention). 약물 중재 (drug intervention)조차도 많은 파라미터 (parameters)를 필요로 합니다: 약물 이름 (drug name), 용량 (dose), 빈도 (frequency), 투여 경로 (route), 지속 기간 (duration), 병용 (combination), 복약 순응도 (adherence), 금기 사항 (contraindications), 이상 사례 (adverse events). 운동 중재 (exercise intervention) 또한 다음을 필요로 합니다: 유형 (type), 강도 (intensity), 빈도 (frequency), 지속 기간 (duration), 심박수 구간 (heart-rate zone), 회복 상태 (recovery condition), 기초 체력 (baseline fitness). 액션이 표준화되지 않으면, 모델은 의미 있는 전이 (transitions)를 학습할 수 없습니다.

6.3 전이 기록 (Transition record)
생의학 월드 모델의 핵심은 전이 (transition)입니다: 전 (before) → 후 (after).
예시:
중재 전 염증 상태 (inflammatory state before intervention) → 중재 후 염증 상태 (inflammatory state after intervention)
중재 전 DNA 메틸화 연령 (DNA methylation age before intervention) → 중재 후 DNA 메틸화 연령 (DNA methylation age after intervention)
중재 전 대사 상태 (metabolic state before intervention) → 중재 후 대사 상태 (metabolic state after intervention)
치료 전 종양 상태 (tumor state before treatment) → 치료 후 종양 상태 (tumor state after treatment)
추적 측정 (follow-up measurement)이 없다면 전이는 존재하지 않습니다. 전이가 없다면 월드 모델도 존재하지 않습니다. 많은 의료 데이터셋은 여전히 단회성 측정 (one-time measurement)에 머물러 있습니다: 단회성 측정 (one-time measurement). 생의학 월드 모델에는 종단적 측정 (longitudinal measurement)이 필요합니다.

6.4 증거 사슬 (Evidence chain)
의료 모델은 단순히 확률 (probability)만을 출력해서는 안 됩니다. 만약 모델이 다음과 같이 말한다면:
"이 중재가 도움이 될 수 있습니다."
그것만으로는 충분하지 않습니다. 모델은 또한 다음 질문에 답해야 합니다:
어떤 타겟 (targets)이 관여하는가? 어떤 경로 (pathways)가 영향을 받는가? 이것이 어떤 비정상적 상태 (abnormal state)를 해결하는가? 어떤 바이오마커 (biomarkers)가 반응을 검증할 수 있는가? 어떤 증거가 실험 (experiments)에서 오는가? 어떤 증거가 임상 데이터 (clinical data)에서 오는가? 어떤 부분이 모델 추론 (model inference)에 불과한가? 어떤 리스크 (risks)를 모니터링해야 하는가?

의학에서 예측 (prediction)만으로는 충분하지 않습니다. 더 안전한 출력값은 다음과 같은 형태를 띠어야 합니다: 예측 (prediction) + 메커니즘 (mechanism) + 검증 (validation) + 불확실성 (uncertainty). 이는 의료 AI가 검사 불가능한 블랙박스 (black box)가 되어서는 안 되기 때문에 특히 중요합니다.

6.5 벤치마크 태스크 (Benchmark task)
ImageNet은 서로 다른 모델들을 공유된 태스크 (shared tasks)에서 비교할 수 있게 함으로써 컴퓨터 비전 (computer vision) 분야에 기여했습니다. 생물학적 월드 모델 (Biomedical world models)에도 벤치마크가 필요합니다. 가능한 벤치마크 태스크 (benchmark tasks)에는 다음이 포함될 수 있습니다: 세포 섭동 반응 예측 (cellular perturbation response prediction), 약물 섭동 후 유전자 발현 반응 (gene expression response after drug perturbation), 치료 후 종양 상태 시뮬레이션 (tumor state simulation after treatment), 대사 바이오마커 반응 예측 (metabolic biomarker response prediction), 염증 상태 전이 예측 (inflammatory state transition prediction), 노화 관련 바이오마커 전이 예측 (aging-related biomarker transition prediction), N-of-1 중재 반응 방향 예측 (N-of-1 intervention response direction prediction).

하지만 지표 (metrics)를 이미지 분류 (image classification)에서 그대로 가져올 수는 없습니다. 유용한 지표에는 다음이 포함될 수 있습니다: 방향 정확도 (directional accuracy), 메커니즘 일관성 (mechanistic consistency), 바이오마커 검증 (biomarker validation), 불확실성 보정 (uncertainty calibration), 리스크 인지 (risk awareness), 교차 문맥 일반화 (cross-context generalization). 이는 Top-1 정확도 (top-1 accuracy)보다 훨씬 어렵지만, 의학은 이를 요구합니다.

7. 관련 진전 사항: 유망하지만 아직 초기 단계
   과학적으로 신중을 기하자면, 완전한 생물학적 월드 모델 (biomedical world models)이 이미 존재한다고 가정해서는 안 됩니다. 존재하지 않습니다. 하지만 몇 가지 관련 방향들이 나타나고 있습니다.

7.1 인프라 비유로서의 ImageNet
ImageNet과 ILSVRC는 대규모의 표준화된 데이터셋 (datasets)과 벤치마크 (benchmarks)가 어떻게 한 분야를 가속화할 수 있는지를 보여주었습니다. 그러나 ImageNet은 이미지 분류 (image classification) 및 탐지 (detection)를 위한 벤치마크입니다. 이는 생물 의학 (biomedicine)이 필요로 하는 것과 동일하지 않습니다. 여기서 ImageNet은 오직 인프라 비유 (infrastructure analogy)로만 사용됩니다. 생물 의학 버전은 종단적 (longitudinal)이고, 동적 (dynamic)이며, 중재를 인지 (intervention-aware)하고, 메커니즘에 민감 (mechanism-sensitive)해야 합니다.

7.2 AI에서의 월드 모델 (World Models)
Ha와 Schmidhuber의 월드 모델 (World Models)은 AI 월드 모델링 (world modeling) 분야의 대표적인 연구입니다. 핵심 아이디어는 에이전트 (agent)가 환경의 내부 모델 (internal model)을 학습하고 이를 사용하여 미래 상태를 시뮬레이션할 수 있다는 것입니다. 의학은 이 설정을 직접 복제할 수 없습니다. 인체는 게임 환경 (game environment)이 아니기 때문입니다.

임상적 개입 (Clinical intervention)은 시행착오를 통해 자유롭게 탐색될 수 없습니다. 하지만 '상태 (state) + 행동 (action) → 미래 상태 (future state)'라는 추상화는 의료 AI를 고찰하는 데 여전히 유용합니다.

7.3 가상 세포와 섭동 반응 (Virtual cells and perturbation response)
Arc Institute의 State 모델은 가상 세포 모델링 (virtual-cell modeling)의 최근 사례입니다. 이 모델은 세포가 약물, 사이토카인 (cytokines), 또는 유전적 섭동 (genetic perturbations)에 어떻게 반응하는지 예측하는 것을 목표로 합니다. 공개된 설명에 따르면, State는 대규모 관찰 및 섭동 단일 세포 데이터 (observational and perturbational single-cell data)를 기반으로 학습되었습니다. 이는 '세포 상태 (cell state) + 섭동 (perturbation) → 세포 반응 (cellular response)'이라는 패턴을 직접적으로 다루기 때문에 중요합니다. 하지만 State는 기본적으로 세포 수준 (cellular-level)의 모델입니다. 이를 완전한 환자 수준 (patient-level)의 생물 의학적 월드 모델 (biomedical world model)과 혼동해서는 안 됩니다.

7.4 종양 진화를 위한 의료 월드 모델 (Medical World Model for tumor evolution)
MeWM과 같이 '의료 월드 모델 (Medical World Model)'이라는 용어를 사용하는 최근 연구들은 치료 조건 하에서의 종양 진화 (tumor evolution)에 대한 생성적 시뮬레이션 (generative simulation)을 탐구합니다. 이는 의료 AI를 정적인 인식 (static recognition)에서 치료 조건부 질병 역학 (treatment-conditioned disease dynamics)으로 이동시킨다는 점에서 관련성이 있습니다. 그러나 이 방향은 아직 초기 단계입니다. 이를 생물 의학적 월드 모델링에 대한 일반적인 해결책으로 해석해서는 안 됩니다.

7.5 디지털 트윈과 가상 생리 시스템 (Digital twins and virtual physiological systems)
오늘날의 AI 월드 모델 용어가 등장하기 훨씬 전부터, 계산 생리학 (computational physiology), 시스템 생물학 (systems biology), 가상 생리 시스템 (virtual physiological systems), 그리고 디지털 트윈 (digital twins)과 같은 분야들은 이미