요약 (TL;DR)

지난 몇 년 동안 많은 의료 AI 애플리케이션은 두 가지 주요 작업 범주에 집중해 왔습니다:

• 인식 및 예측 (Recognition and prediction): 의료 영상 (medical imaging), 보조 진단 (assisted diagnosis), 위험 점수 산정 (risk scoring), 보고서 해석 (report interpretation).
• 생성 및 설명 (Generation and explanation): 임상 노트 요약 (clinical note summarization), 건강 Q&A, 의료 지식 검색 (medical knowledge retrieval), 보고서 설명 (report explanation).

이러한 작업들은 유용하지만, 만성 질환 관리 (chronic disease management), 노화 개입 (aging intervention), 장수 의학 (longevity medicine)은 더 어려운 것을 요구합니다:

생활 방식, 약물, 영양, 운동, 수면, 스트레스 및 환경 노출의 영향 아래 개인의 생물학적 상태가 시간이 지남에 따라 어떻게 변화하는가?

이것은 단순한 NLP 질의응답 (question-answering) 문제가 아닙니다. 또한 단순한 단일 지점 분류 (single-point classification) 문제도 아닙니다.

이것은 동적 시스템 모델링 (dynamic system modeling) 문제에 더 가깝습니다.

이것이 바로 의료 AI가 **보고서 해석 (report interpretation)**에서 **생애 궤적 추론 (life trajectory reasoning)**으로 이동해야 하는 이유입니다.

다시 말해, 우리는 새로운 프레임워크인 **의료 월드 모델 (medical world model)**이 필요합니다.

이 글에서는 다음 내용을 다룹니다:

1. 왜 보고서 판독형 의료 AI만으로는 충분하지 않은가.
2. 의료 월드 모델이란 무엇인가.
3. 상태-행동-전이-증거-피드백 (State-Action-Transition-Evidence-Feedback)이 어떻게 생물 의학적 추론 (biomedical reasoning)을 설명할 수 있는가.
4. SteeraMed Core가 초기 의료 월드 모델 프로토타입으로서 어떻게 작동하는가.
5. SEMO 알고리즘이 후보 개입 추론 (candidate intervention reasoning)을 어떻게 지원하는가.
6. 의료 월드 모델의 현재 한계와 엔지니어링 과제.

1. 보고서 판독형 AI가 충분하지 않은 이유

의료 AI는 이미 많은 유용한 일을 할 수 있습니다:

• 건강 검진 보고서 판독.
• 검사 수치 설명.
• 임상 노트 요약.
• 건강 관련 질문에 답변.
• 문헌으로부터 의료 지식 검색.
• 영상 판독 및 위험 예측 지원.

이것들은 가치 있는 애플리케이션입니다.

하지만 만성 질환 관리, 노화 개입, 장수 의학으로 넘어가면 문제는 더 복잡해집니다.

개인은 동시에 여러 유형의 데이터를 가질 수 있습니다:

• 임상 바이오마커 (clinical biomarkers);
• DNA 메틸화 (DNA methylation) 데이터;
• 전사체학 (transcriptomics), 단백질체학 (proteomics), 대사체학 (metabolomics) 및 기타 멀티오믹스 (multi-omics) 데이터;
• 염증, 면역 및 대사 마커 (inflammation, immune, and metabolic markers);
• 수면, 운동, 스트레스 및 생활 습관 기록;
• 증상 및 기능적 상태 (symptoms and functional status);
• 약물, 영양, 운동 및 심리적 개입 기록;
• 재검사 및 추적 관찰 피드백.

어려운 질문은 다음과 같은 것이 아닙니다:

이 바이오마커는 무엇을 의미하는가?

진짜 어려운 질문은 다음과 같습니다:

이 신호들은 어떻게 연결되어 있는가?
어떤 변화가 일차적이고 어떤 변화가 이차적인가?
어떤 상태 편차를 시간에 따라 추적해야 하는가?
...

이것은 단순한 자연어 처리 (NLP) 작업이 아닙니다.

이것은 상태 전이 문제 (state transition problem) 입니다.

이것이 바로 의료 월드 모델 (medical world model)이 해결하고자 하는 바로 그 유형의 문제입니다.

2. 의료 월드 모델이란 무엇인가?

AI 및 강화학습 (reinforcement learning)에서 월드 모델 (world model)은 보통 세상이 어떻게 변하는지에 대한 내부 모델을 의미합니다.

간략하게 표현하면 다음과 같습니다:

state_t + action_t -> state_t+1

쉬운 말로 하면:

현재 상태 + 현재 행동 -> 다음 상태

이 개념을 의학 및 생명 과학으로 번역하면, 문제는 다음과 같이 됩니다:

환자 상태_t + 개입 행동_t -> 환자 상태_t+1

하지만 인체는 게임 환경이 아닙니다.

의료 시스템에는 몇 가지 중요한 차이점이 있습니다:

• 인체는 다중 스케일 (multi-scale)입니다: 분자, 세포, 조직, 장기 및 행동이 모두 상호작용합니다.
• 의료 데이터는 다중 모달 (multi-modal)입니다: 오믹스 (omics), 임상 바이오마커, 영상, 텍스트, 웨어러블 및 추적 기록이 포함됩니다.
• 건강 궤적 (health trajectories)은 장기적입니다: 만성 질환의 진행, 노화 및 개입에 대한 반응은 수년에 걸쳐 나타날 수 있습니다.
• 상태는 부분적으로 관찰 가능 (partially observable)합니다: 많은 중요한 변수들을 직접 측정할 수 없습니다.
• 개입에는 안전 제약 조건이 있습니다: 모델의 추론이 임상적 의사 결정으로 취급되어서는 안 됩니다.

따라서 의료 월드 모델은 보편적인 예측기로 이해되어서는 안 됩니다.

더 유용한 정의는 다음과 같습니다:

의료 월드 모델 (Medical world model)은 시간에 따른 생물 의학적 상태 (biomedical state), 후보 행동 (candidate action), 전이 가설 (transition hypothesis), 증거 사슬 (evidence chain), 그리고 피드백 루프 (feedback loop)를 나타내는 구조화된 추론 프레임워크 (structured reasoning framework)입니다.

의료 월드 모델은 단순히 다음과 같이 묻지 않습니다:

이 사람은 고위험군인가?

대신 다음과 같이 묻습니다:

현재 상태는 무엇인가?
후보 행동은 무엇인가?
행동이 상태를 어떻게 변화시킬 수 있는가?
...

3. 핵심 추상화: 상태-행동-전이-증거-피드백 (State-Action-Transition-Evidence-Feedback)

의료 월드 모델을 공학적으로 더 친숙하게 만들기 위해, 우리는 다섯 가지 핵심 객체 (core objects)로 시작할 수 있습니다:

상태 (State)      -> 현재의 생물학적 및 임상적 상태
행동 (Action)     -> 후보 중재 (intervention) 또는 관리 행동
전이 (Transition) -> 상태 변화 가설
...

단순화된 Python 스타일의 표현은 다음과 같을 수 있습니다:

class MedicalWorldModel:
    def __init__(self):
        self.state = None       # 현재 환자 상태
...

더 상세한 추상화:

class State:
    biomarkers: dict
    omics_features: dict
...

이것은 임상적 구현 (clinical implementation)이 아닙니다.

이것은 한 가지 중요한 원칙을 보여주는 개념적 데이터 구조 (conceptual data structure)입니다:

의료 월드 모델은 단순히 텍스트 권고안을 생성하는 데 그쳐서는 안 됩니다. 상태 (state), 행동 (action), 전이 (transition), 증거 (evidence), 그리고 피드백 (feedback)을 추적 가능한 구조로 조직해야 합니다.

이것이 바로 **조종 가능한 의료 월드 모델 (steerable medical world model)**의 기초이기도 합니다.

4. 의료 월드 모델 vs. 위험 예측 모델 (Medical world model vs. risk prediction model)

전통적인 의료 AI는 종종 위험 예측 (risk prediction)에 집중합니다.

위험 모델은 보통 다음과 같이 묻습니다:

이 사람이 질병에 걸릴 확률은 얼마인가?

또는:

이 사람은 고위험, 중위험, 또는 저위험군인가?

의료 월드 모델은 다른 질문 세트를 던집니다:

우리가 특정 행동을 취한다면, 상태가 어떻게 변할 수 있는가?
왜 상태가 그러한 방향으로 변할 수 있는가?
어떤 바이오마커 (biomarkers)나 기능적 결과 (functional outcomes)를 관찰해야 하는가?
...

간단한 비교:

만성 질환 관리 (chronic disease management) 및 노화 개입 (aging intervention)을 위해서는 두 번째 접근 방식이 특히 중요합니다.

노화는 단일 질병이 아닙니다. 만성 질환 역시 단일 경로인 경우는 드뭅니다. 두 가지 모두 다중 시스템적 (multi-system)이며, 장기적이고, 피드백에 민감한 (feedback-sensitive) 과정입니다.

5. 조종 가능한 월드 모델 프레임워크에서 SteeraMed Core로

이러한 아이디어를 바탕으로, DeepOMe는 생물 의학을 위한 **조종 가능한 월드 모델 프레임워크 (steerable world model framework)**를 처음으로 제안했습니다.

프리프린트(preprint) World Models for Biomedicine: A Steerability Framework에서 우리는 다음과 같은 질문을 탐구했습니다:

생물학적 상태는 수동적으로 예측될 수만 있는가, 아니면 관찰 가능한 상태 (observable state), 실행 가능한 행동 (executable action), 전이 가설 (transition hypothesis), 증거 사슬 (evidence chain), 그리고 피드백 과정 (feedback process)을 중심으로 조종 가능한 방식으로 모델링될 수 있는가?

프리프린트 DOI / URL:

https://doi.org/10.20944/preprints202605.0366.v1

이 프레임워크를 기반으로, DeepOMe는 2026년 5월 25일에 또 다른 프리프린트를 발표했습니다:

SteeraMed: A Biomedical World Model for N-of-1 Intervention Reasoning Across Chronic Diseases and Aging

이 프리프린트는 조종 가능한 생물 의학 월드 모델 아이디어를 만성 질환 및 노화 개입 시나리오를 위한 초기 도구 형태인 SteeraMed Core로 더욱 구체화하여 구현합니다.

프리프린트 DOI / URL:

https://doi.org/10.20944/preprints202605.1578.v1

경계를 명확히 하는 것이 중요합니다:

SteeraMed Core는 임상 의사 결정 시스템 (clinical decision system)이 아닙니다. 이는 연구, 임상 협업, 그리고 건강 관리 도구 탐색을 위한 초기 의료 월드 모델 프로토타입 (medical world model prototype)입니다.

6. 의료 월드 모델 프로토타입으로서의 SteeraMed Core

엔지니어링 관점에서 볼 때, SteeraMed Core는 초기 **의료 월드 모델 프로토타입 (medical world model prototype)**으로 이해될 수 있습니다.

이 모델의 목표는 치료 계획을 직접 출력하는 것이 아닙니다.

이 모델의 목표는 추론 과정 (reasoning process)을 구조화하는 것입니다.

간소화된 파이프라인:

입력 (Input):
    개별 다차원 데이터 (Individual multi-dimensional data)
        - DNA 메틸화 (DNA methylation)
...

간소화된 의사코드 (pseudocode) 버전:

def steeramed_core_pipeline(user_data):
    state = build_state_representation(user_data)
    deviations = detect_state_deviation(state)
...

실제 시스템은 이보다 훨씬 더 복잡할 것입니다.

실제 시스템에는 다음 요소들이 포함될 것입니다:

• 데이터 정제 (data cleaning)
• 특성 공학 (feature engineering)
• 네트워크 모델링 (network modeling)
• 증거 검색 (evidence retrieval)
• 불확실성 추정 (uncertainty estimation)
• 인간 참여형 검토 (human-in-the-loop review)
• 종단적 피드백 통합 (longitudinal feedback integration)

하지만 핵심 아이디어는 간단합니다:

단순히 권장 사항을 생성하지 마십시오. 추적 가능한 추론 구조를 구축하십시오.

이것이 SteeraMed Core를 단순한 보고서 생성기가 아닌 의료 월드 모델 (medical world model) 프로토타입으로 만드는 요소입니다.

7. SEMO: SteeraMed 이면의 네트워크 재구성 레이어

SteeraMed Core의 중요한 알고리즘적 토대 중 하나는 SEMO 알고리즘입니다.

SEMO는 다음의 약자입니다:

Selective Remodeling of Protein Networks by Chemicals
(화학 물질에 의한 단백질 네트워크의 선택적 재구성)

이는 화학 물질을 사용하여 단백질 네트워크를 선택적으로 재구성하기 위한 계산 프레임워크 (computational framework)입니다.

SEMO가 해결하고자 하는 핵심 질문은 다음과 같습니다:

개별 생물학적 네트워크에서 측정 가능한 상태 편차 (state deviations)는 어디에 있는가? 어떤 후보 화합물, 영양소, 약물 또는 생활 방식의 변화가 네트워크 재구성을 통해 상태를 더 나은 방향으로 밀어붙일 수 있는가?

알고리즘 관점에서 SEMO는 단순한 추천 시스템 (recommender system)이 아닙니다.

단순한 추천 시스템은 다음과 같은 형태일 것입니다:

사용자 특성 (user features) -> 권장 보충제 또는 생활 방식 조언

반면 SEMO는 다른 체인을 강조합니다:

개별 오믹스 상태 (individual omics state)
-> 네트워크 편차 모듈 (network deviation modules)
-> 후보 행동 네트워크 (candidate action networks)
...

다시 말해, SEMO는 다음 사항에 집중합니다:

• 개별 오믹스 신호에서의 네트워크 편차 (network deviation)
• 후보 행동과 관련된 타겟 네트워크 (target networks)
• 상태와 중재 (intervention) 사이의 메커니즘 연결
• 중재 가설을 추적할 수 있는 피드백 지표 (feedback metrics)

관련 방법론 프레임워크는 발명 특허를 승인받았습니다.

SEMO와 SteeraMed Core 사이의 관계는 다음과 같이 요약할 수 있습니다:

SEMO는 네트워크 재구성 (network-remodeling) 및 후보 중재 (candidate-intervention) 추론 계층을 제공합니다. SteeraMed Core는 이러한 능력을 상태-행동-전이-증거-피드백 (State-Action-Transition-Evidence-Feedback)의 의료 월드 모델 (medical world model) 프레임워크 내에 배치합니다.

8. 장수 AI (Longevity AI)에 의료 월드 모델이 중요한 이유

장수 기술은 단순히 "나이를 측정하는 것"에 그쳐서는 안 됩니다.

만약 어떤 검사가 상태 편차 (state deviation)를 설명하고, 후보 행동을 정리하며, 피드백 지표 (feedback metrics)를 설계하고, 다음 라운드의 보정 (calibration)을 지원할 수 없다면, 그것은 쉽게 일회성 보고서 제품이 될 수 있습니다.

의미 있는 AI 장수 시스템은 최소 네 가지 계층이 필요할 수 있습니다:

1. 데이터 입력 계층 (Data input layer)
   DNA 메틸화 (DNA methylation), 멀티오믹스 (multi-omics), 임상 바이오마커 (clinical biomarkers),
   웨어러블 데이터, 증상, 라이프스타일, 추적 관찰 기록
...

이러한 관점에서 의료 월드 모델은 단순한 앱이 아닙니다.

단순한 보고서 생성기도 아닙니다.

그것은 상태, 행동, 전이, 증거, 그리고 피드백을 정리하기 위한 장기적인 인프라입니다.

9. 세 가지 초기 데모 뷰 (demo views)

SteeraMed Core는 현재 의료 월드 모델이 개념에서 프로토타입으로 어떻게 이동할 수 있는지를 보여주기 위해 세 가지 초기 데모 뷰를 포함하고 있습니다.

아래 설명은 의도적으로 간략하게 작성되었습니다. 상세한 사례 정의, 데이터 표현, 증거 체인 (evidence-chain) 구축 및 프로토타입 출력에 대해서는 다음의 SteeraMed 프리프린트 (preprint)를 참조하십시오:

SteeraMed: 만성 질환 및 노화 전반에 걸친 N-of-1 중재 추론을 위한 생물 의학 월드 모델

DOI: 10.20944/preprints202605.1578.v1

9.1 우울증 환자 뷰 (Depression Patient View)

우울증은 수면, 스트레스, 염증, 대사, 신경내분비 상태 (neuroendocrine state), 생활 사건, 약물 반응, 사회적 지원 및 개인의 생물학적 차이를 포함할 수 있습니다.

SteeraMed 프리프린트(preprint)에서, 우울증 환자 관점(Depression Patient View)은 의료 월드 모델(medical world model)이 환자 대상 상태 신호(state signals), 후보 행동(candidate actions), 증거 체인(evidence chains), 그리고 후속 피드백(follow-up feedback)을 계산 가능한 관찰 경로(computable observation path)로 어떻게 조직화할 수 있는지 보여주는 하나의 사례로 사용됩니다. 기술적인 세부 사항은 위의 SteeraMed 프리프린트(preprint)에 설명되어 있습니다.

9.2 항노화 환자 관점 (Anti-aging Patient View)

장수 의학(longevity medicine)에서는 개인차(individual differences)가 특히 중요합니다.

SteeraMed 프리프린트(preprint)에서 항노화 환자 관점(Anti-aging Patient View)은 DNA 메틸화(DNA methylation), 노화의 특징(Aging Hallmarks), 장기 계통 신호(organ-system signals), 대사-면역 상태(metabolic-immune status), 그리고 생활 방식 요인(lifestyle factors)이 어떻게 의료 월드 모델 관점으로 통합되어 후보 조절 가능 요인(candidate steerability factors) 및 재테스트 지표(retesting metrics)를 식별하는 데 도움을 줄 수 있는지 보여줍니다. 상세한 구현 방법은 위의 SteeraMed 프리프린트(preprint)에 설명되어 있습니다.

9.3 류마티스 관절염 과학자 관점 (Rheumatoid Arthritis Scientist View)