Research

인공지능/전자 김광인 교수 연구팀, “데이터 열지 않고도 오류 찾아낸다” 프라이버시 시대 AI의 '족집게' 검수법

[원본 데이터 공유 없이 라벨 오류 찾아내는 분산 AI 기술 개발] POSTECH 인공지능대학원·전자전기공학과 김광인 교수 연구팀이 원본 데이터를 열어보지 않고도 문제 있는 데이터를 콕 집어내, 적은 비용으로 AI 성능을 끌어올리는 기술을 개발했다. 이번 연구는 인공지능 분야 국제학회 중 하나인 ’AAAI 2026(The Fortieth AAAI Conference on Artificial Intelligence)‘에 메인 테크니컬 트랙 논문으로 게재됐다. AI를 잘 학습시키려면 데이터마다 '고양이', '강아지'라고 알려주는 ‘라벨(label)’이 필요하다. 라벨이 잘못 붙으면 AI는 엉뚱한 규칙을 배워 성능이 떨어진다. 하지만 수많은 라벨을 사람이 일일이 확인하기엔 시간과 비용이 많이 들어, 고쳤을 때 효과가 클 데이터만 골라 재검수하는 '능동 오류 정정(Active Error Correction)' 기술이 최근 주목받고 있다. 문제는 요즘처럼 데이터를 한곳에 모을 수 없는 환경이다. 병원이나 기업, 개인 기기는 개인정보 때문에 데이터를 밖으로 내보내지 못한 채 각자 가진 상태로 AI 학습에 참여한다. 이때 중앙 서버로 가는 것은 원본이 아니라, "내 데이터로 학습해 보니 이렇더라"는 학습 결과 요약본뿐이다. 서버가 원본도 정답표도 볼 수 없으니, 어느 곳에 잘못된 데이터가 숨어 있는지 짚어내기가 어렵다. 연구팀은 데이터를 직접 보는 대신, 이 요약본 속 '가중치 기울기(gradient)1)'라는 신호에 주목했다. 이 기울기는 각 데이터가 AI를 어느 방향으로 바꾸려 하는지 보여주는 지문 같은 정보로, 서버는 이것만 비교해도 원본 없이 학습 패턴을 읽어낼 수 있다. 연구팀은 여기에 ‘가우시안 프로세스(Gaussian Process)2)’라는 통계 기법을 적용한 ‘가우시안 프로세스 능동 오류 정정(이하 GPAEC, Gaussian Process Active Error Correction) 알고리즘‘을 설계했다. 원리는 이렇다. 다른 데이터들과 견주어 봤을 때 유독 동떨어진 곳을 '수상한 데이터'로 지목하는 것이다. 반 전체가 비슷한 답을 냈는데 혼자만 엉뚱한 방향으로 간 학생의 답안부터 확인하는 것과 같은 이치다. 실제로 이 '튀는 정도'와 라벨 오류 확률의 상관관계는 0.86으로 잘 들어맞았다. 또한, ’GPAEC 알고리즘‘은 비슷한 오류끼리 겹쳐 뽑지 않도록 서로 다른 유형을 고르게 선택하고, 각 기관이 보고한 성적이 실제 기울기와 어긋나면, 믿기 어려운 보고로 판단해 걸러낸다. "시험을 망쳤다"라는 학생의 말이 사실인지 답안지로 대조하는 셈이다. 그 결과 논문에 제시된 36개 조건 중 34개에서 가장 높은 평균 정확도를 기록했고, 첫 검수 단계에서 제대로 짚어낸 비율이 88.9%로 무작위 선택(78.6%)이나 성적만 본 방식(42.2%)을 크게 앞섰다. 이 기술의 가치는 '데이터를 보지 않고 문제를 찾는다'라는 데 있다. 병원들이 환자 정보를 공유하지 않고도 함께 진단 AI를 키우거나, 개인 정보 유출 없이 스마트폰으로 AI를 학습시키는 사례가 늘수록 이 기술의 활용 가치는 더욱 커질 전망이다. 개인정보는 지키면서 더 믿을 수 있는 AI를 만드는 열쇠가 될 것으로 기대된다. 연구를 이끈 김광인 교수는 "개인정보 보호가 더욱 중요해지는 의료·금융 등 여러 분야에서 신뢰 가능한 AI를 만드는 데 보탬이 되길 바란다"라고 전했다. 한편, 이 연구는 과학기술정보통신부 재원의 한국연구재단(No. RS-2024-00337559) 사업과 정보통신기획평가원(No. RS-2019-II191906, RS-2022-II220290)의 지원을 받아 수행됐다. ▶️ DOI: https://doi.org/10.1609/aaai.v40i27.39419 1. 가중치 기울기(Weight Gradient): 현재 모델의 예측 오차를 줄이기 위해 신경망의 각 가중치를 어느 방향으로 얼마나 바꿔야 하는지를 나타내는 값이다. 이번 연구에서는 원본 데이터 대신 클라이언트의 학습 특성을 나타내는 대리 정보로 사용했다. 2. 가우시안 프로세스(Gaussian Process): 관측된 값들 사이의 유사성과 불확실성을 확률적으로 추정하는 방법이다. 이번 연구에서는 다른 클라이언트들의 기울기 패턴으로 특정 클라이언트를 얼마나 잘 설명할 수 있는지 계산하는 데 사용했다.

인공지능/융합 김원화 교수 연구팀, “AI판 셜록 홈즈 나왔다” 틀린 단서 스스로 고치는 이미지 분할 기술 개발

[추가 학습 없이 AI 성능 높이는 ‘PR-MaGIC’ 개발… CVPR 2026 구두 발표 선정] 명탐정 셜록 홈즈는 누군가 건넨 제보를 곧이곧대로 믿지 않는다. 반드시 현장에 나가 단서를 다시 확인하고, 필요하면 자신의 추리를 고쳐나간다. 그런데 이런 '탐정식 사고방식'을 닮은 AI 기술이 나왔다. 최근 POSTECH 연구진이 이처럼 AI 스스로 자신이 받은 단서를 점검하고 틀렸으면 고쳐가는 이미지 분할 기술을 개발했다. 이 연구는 컴퓨터비전 분야 권위 있는 국제 학회인 'CVPR 2026'에서 구두 발표 논문으로 선정되며 우수성을 인정받았다. '이미지 분할'이란 사진이나 영상 속에서 원하는 물체가 있는 부분만 정확히 오려내는 기술이다. 자율주행차가 보행자와 차량을 구분할 때, 의료 AI가 CT나 MRI 영상에서 병변 부위를 찾아낼 때, 사진 편집 앱에서 배경을 지우고 인물만 남길 때 모두 이 기술이 쓰인다. 최근에는 사람이 사진 위에 점 하나만 찍거나 상자를 그려주면, AI가 그 힌트를 보고 물체 전체 영역을 알아서 찾아주는 기술이 발전했다. 이 방식의 대표주자가 바로 'SAM(Segment Anything Model)'이다. 문제는 AI에게 주어지는 힌트가 항상 정확하지는 않다는 점이다. 예를 들어 한 사진 속 코끼리를 참고삼아 다른 사진 속 코끼리를 찾으라고 시켰을 때, 두 사진 촬영 각도나 배경이 다르면 AI는 엉뚱하게 코끼리 주변 배경을 선택하거나 코끼리 일부분만 찾아내는 실수를 저지른다. 참고 사진과 분석할 사진을 비교해 자동으로 힌트를 만드는 방법도 있었지만, 두 사진의 차이가 크면 여전히 부정확한 힌트가 만들어지는 문제가 있었다. 연구팀은 처음 받은 힌트를 그대로 믿는 대신 AI가 스스로 검증하고 다시 고쳐 쓰는 방법을 개발했다. 기술의 이름은 ‘PR-MaGIC(Prompt Refinement Via Mask Decoder Gradient Flow For In-Context Segmentation)’으로 기존 이미지 분할 AI가 가진 지식을 활용해 처음 만들어진 힌트를 자동으로 개선한다. 기존 방식이 “이 위치를 참고하면 된다”라는 정보를 그대로 사용했다면, PR-MaGIC은 “이 힌트가 정말로 내가 원하는 물체를 가리키고 있나?”를 다시 확인하는 셈이다. 탐정이 제보를 그대로 믿지 않고 현장 단서를 재차 확인하며 사건을 풀어가듯, PR-MaGIC도 힌트의 위치를 반복해서 조정해 나간다. 이 과정을 거치면 작은 점 하나에 불과했던 정보가 점점 물체 전체 영역으로 넓어지고, 그 결과 더 정확한 윤곽선과 세부 부분까지 찾아낼 수 있다. 이 기술의 가장 큰 장점은 기존 AI를 처음부터 다시 훈련할 필요가 없다는 점이다. 새로운 데이터를 잔뜩 모으고 막대한 컴퓨팅 자원을 들여 AI를 재교육하는 대신, 이미 학습이 끝난 모델에 약간의 추가 계산만 더해주면 성능이 올라간다. 연구팀은 여러 공개 이미지 데이터로 PR-MaGIC 성능을 검증했고, 다양한 환경에서 기존 방법보다 더 높은 정확도와 안정성을 확인했다. 또한 이 기술은 기존 이미지 분할 모델에 쉽게 결합할 수 있어, 정확한 물체 인식이 중요한 의료 영상 분석, 자율주행, 로봇 등 여러 분야에서 활용될 것으로 기대된다. 연구를 이끈 김원화 교수는 "사전 학습된 AI 모델을 다시 훈련하지 않고 적은 추가 계산만으로 성능을 높일 수 있다는 점에서 높은 평가를 받아 CVPR 구두 발표 논문으로 선정됐다"라며 "AI를 활용하는 데 드는 시간과 비용을 줄이고, 기존 AI 기술이 쓰일 수 있는 범위를 넓히는 데 기여할 것"이라고 말했다. 논문 제1저자인 이민재 씨는 "기존 이미지 분할 모델에 쉽게 적용할 수 있는 PR-MaGIC은 의료 영상, 자율주행, 로봇 등 높은 정확도의 객체 인식이 필요한 다양한 분야에서 AI의 신뢰성을 높이는 데 활용될 수 있을 것"이라고 전했다. 한편, POSTECH 인공지능대학원·융합대학원 김원화 교수 연구팀이 수행한 이번 연구는 정보통신기획평가원과 한국연구재단, POSTECH 인공지능대학원 지원으로 진행됐다. ▶️ DOI: https://doi.org/10.48550/arXiv.2604.12113

인공지능 이남훈 교수 연구팀, "질문 탓인가, AI 탓인가" AI 오류 원인 가려낸다

[AI 답변 오류 원인 구분·분석하는 기술 개발... ACL 2026 구두 발표 채택] 챗GPT에 같은 질문을 물어봐도 답이 조금씩 달라질 때가 있다. 정말 알고 답한 것일까, 잘 모르면서 그럴듯하게 말한 것일까? 국내 연구진이 AI의 '확신' 속에 숨겨진 불확실성 원인을 분석해, AI가 왜 틀렸는지 진단하는 방법을 개발했다. POSTECH 인공지능대학원 이남훈 교수, 통합과정 정진석 씨, 석사과정 송민경·정현지 씨 연구팀이 거대언어모델(LLM) 예측에 담긴 불확실성을 원인별로 분리해 측정하는 방법론을 개발했다. 이 연구는 7월 2일부터 7일까지 미국 샌디에이고에서 열리는 자연어처리 및 전산언어학 분야의 국제 학회인 ACL(Annual Meeting of the Association for Computational Linguistics) 2026에 구두 발표 논문으로 채택됐다. 챗GPT 같은 거대언어모델(LLM)은 몇 개의 예시만으로 새로운 작업을 수행하는 '맥락 내 학습(In-Context Learning)1)' 능력이 있다. 하지만 같은 질문에도 답변이 달라지거나 틀린 정보를 사실처럼 제시하는 경우가 있어, AI의 판단을 얼마나 신뢰할 수 있는지가 중요한 과제로 떠오르고 있다. AI의 불확실성은 두 가지 원인에서 비롯된다. 질문이나 데이터 자체가 모호해 하나는 누구라도 답하기 어려운 경우(우연적 불확실성)와 AI가 관련 지식이나 정보를 충분히 갖고 있지 못한 경우(인식적 불확실성)다. 이 둘은 해결 방법이 완전히 다르지만 기존 방법으로는 명확히 구분하기가 어려웠다. POSTECH 연구팀은 입력 문장이나 출력 결과를 반복적으로 바꿔가며 추정하던 기존 방식 대신, AI 모델 내부를 직접 분석하는 접근법을 개발했다. 이 방법의 핵심은 '셀프-함수 벡터(Self-Function Vector)2)'라는 개념으로 모델 내부 활성값을 활용해 AI가 예시를 통해 학습한 핵심 개념을 벡터 형태로 표현하는 기술이다. AI가 예시를 보고 머릿속에 형성한 '생각의 핵심 요약본'을 꺼내 보는 셈이다. 연구팀은 이 벡터를 활용해 데이터의 모호함에서 비롯된 불확실성과 모델의 지식 부족에서 발생한 불확실성을 효과적으로 분리해 측정했다. 이 과정에서 AI 내부 작동 원리를 분석하는 '기계론적 해석가능성(Mechanistic Interpretability)' 연구와 베이지안 추론 이론을 결합해 새로운 분석 틀도 함께 제시했다. 또한, 이 기술을 객관적으로 검증하는 평가 체계도 개발했다. 데이터 모호함과 모델의 지식 부족 정도를 각각 독립적으로 조절하는 방식으로 환경을 설계해 불확실성을 정량적으로 평가할 수 있도록 했다. 연구팀의 방법은 70억~700억 개 규모 모델에서도 일관된 성능을 보였다. 두 종류의 불확실성에 대해 서로 다른 반응 패턴을 보이며, 기존보다 명확하게 분류함을 정량적으로 입증하였다. 특히, 이 기술은 AI 환각3) 탐지에서도 우수한 성능을 보이며, 신뢰할 수 있는 AI 개발에 활용될 가능성을 확인했다. 이남훈 교수는 "AI 내부 작동 원리에 대한 이해와 불확실성 측정을 연결한 새로운 시도"라며 "AI가 왜 확신하지 못하는지를 설명할 수 있게 되면 더욱 안전하고 신뢰할 수 있는 AI 개발에 중요한 기반이 될 것"이라고 말했다. 한편, 이번 연구는 과학기술정보통신부와 정보통신기획평가원 인공지능대학원 지원사업, '의사결정을 위한 비전·언어 인과추론 퓨샷 학습' 사업, '인간처럼 개념적으로 이해·추론하는 인공복합지능 개발' 사업, 정부(과학기술정보통신부)의 고성능컴퓨팅 지원 사업의 지원을 받아 수행됐다. ▶️ DOI: https://doi.org/10.48550/arXiv.2606.19353 1. 맥락 내 학습(In-Context Learning, ICL): 거대언어모델이 별도 추가 학습 없이, 프롬프트에 주어진 소수의 예시만으로 새로운 작업을 수행하는 능력이다. 2. 셀프-함수 벡터(Self-Function Vector): 모델 내부 특정 어텐션 헤드(attention head) 활성값에 압축적으로 담긴 작업 표현한다. 연구팀은 이를 변형해 개별 프롬프트의 잠재 개념을 직접 반영하는 '셀프-함수 벡터'를 새롭게 제안했다. 3. 환각(Hallucination): 거대언어모델이 사실이 아닌 내용을 그럴듯하게 생성하는 현상이다.

인공지능/IT융합 한욱신 교수 연구팀, "관계도 읽고 통계도 척척” 데이터 분석 속도 184배 ↑

[차세대 그래프 분석 엔진 TurboLynx 개발] POSTECH 컴퓨터공학과·인공지능대학원 한욱신 교수, 컴퓨터공학과 통합과정 이태성 씨, 인공지능대학원 통합과정 하재현 씨 연구팀이 복잡하게 얽힌 데이터를 기존보다 최대 184배 빠르게 분석할 수 있는 엔진 '터보링크스(TurboLynx)' 개발에 성공했다. 이번 성과는 데이터베이스 분야 국제 학술대회인 ‘VLDB 2026’에서 발표될 예정이다. 학회는 오는 8월 31일부터 9월 4일까지 미국 보스턴에서 열린다. 넷플릭스가 취향에 맞는 콘텐츠를 추천하고, 금융사가 수상한 거래를 찾아내며, 생성형 AI가 사람과 개념 사이의 연결을 이해하는 데 공통점이 있다. 바로 ‘관계’를 읽는 기술이다. 사람과 사람, 상품과 거래, 단어와 단어처럼 복잡하게 얽힌 연결 구조를 다루는 데이터를 ‘그래프 데이터’라고 한다. 마치 거미줄처럼 촘촘하게 이어진 정보의 망을 저장하고 분석하는 기술이다. 문제는 현실의 데이터가 워낙 다양하고 제멋대로라는 데 있다. 기업 환경에서는 데이터의 형태가 수시로 바뀌고, 새로운 항목이 언제든 추가된다. 이처럼 형식이 미리 정해지지 않은 '스키마 없는(schemaless)' 데이터1)는 유연하다는 장점이 있지만, 기존 시스템들은 이런 데이터를 집계하거나 통계를 내는 분석 작업에서는 속도가 크게 떨어지는 문제가 있었다. 손님마다 주문서 양식이 제각각인 식당에서, 하루 매출을 집계하려면 하나하나 손으로 다시 읽어야 하는 상황과 같다. 연구팀은 이 문제를 해결하기 위해 데이터를 저장하는 방식부터 질의를 처리하고 최적화하는 방식까지 시스템 전체를 새롭게 설계했다. 핵심은 ‘비슷한 데이터끼리 모아 한 번에 처리하자’라는 아이디어다. 이번에 개발한 엔진 '터보링크스(TurboLynx)'는 성격이 비슷한 데이터들을 자동으로 그룹화한 뒤, 분석에 유리한 열(column) 단위로 저장한다. 덕분에 컴퓨터가 데이터를 읽을 때마다 형태를 일일이 해석할 필요가 없어지고, 불필요한 메모리 낭비도 크게 줄었다. 또한, 여러 단계를 거치는 복잡한 탐색 과정에서 중간 결과가 불필요하게 커지는 문제를 줄였고, 분석 질의도 효율적으로 실행할 수 있도록 개선했다. 실제 성능은 숫자로 증명됐다. 국제 표준 벤치마크 평가에서 ‘터보링크스’는 기존 그래프 데이터베이스보다 약 184배, 관계형 데이터베이스 방식 대비 최대 약 41배 빠른 속도를 기록했다. 특히 위키피디아 기반 대규모 지식그래프 데이터에서는 가장 성능이 좋은 경쟁 시스템보다 약 19배 높은 성능을 보이며 실제 산업 환경에서도 활용 가능성을 입증했다. 이번 기술은 생성형 AI, 추천 시스템, 금융 보안, 바이오 데이터 분석처럼 복잡한 연결 관계를 다루는 분야가 급격히 늘어나는 상황에서, 데이터를 실시간에 가깝게 분석할 수 있는 기반 기술이 될 수 있다. 영화 속 수사관이 거대한 범죄 조직의 관계망을 순식간에 추적하듯, 앞으로는 기업도 방대한 데이터 속 연결 구조를 훨씬 빠르게 읽고 활용할 수 있게 되는 셈이다. 한욱신 교수는 "기업들이 보유한 복잡한 그래프 데이터를 실제 분석과 서비스에 더 폭넓게 활용하는 데 기여할 것으로 기대한다”라며, “향후 실시간 트랜잭션 처리와 에이전트용 장기 메모리로 활용될 수 있도록 후속 연구를 이어갈 계획”이라고 밝혔다. 본 시스템은 업계 표준 그래프 질의 언어인 Cypher를 지원하며, 일반 사용자도 자연어 질의로 시스템과 대화할 수 있도록 지원하고 있다. 또한 오픈소스로 공개되어 프로젝트 홈페이지(https://turbolynx.io)를 통해 관련 정보를 확인하고 사용할 수 있다. 한편, 이번 연구는 과학기술정보통신부 정보통신기획평가원 '빅그래프의 지능적 처리를 위한 분산 그래프 DBMS 개발' 사업, 한국연구재단 기초연구사업 지원으로 수행됐다. 자연어 질의 변환 지원 연구는 과학기술정보통신부 정보통신기획평가원 ‘대화 가능하고 자동으로 튜닝하는 DBMS의 개발’ 스타랩 사업 지원을 받아 수행됐다. ▶️ DOI: https://doi.org/10.14778/3797919.3797932 1. 스키마 없는(Schemaless) 데이터: 데이터 항목 종류와 형식을 미리 고정하지 않고, 점이나 선마다 자유롭게 정보를 붙일 수 있는 표현 방식. 데이터가 자주 바뀌거나 새로운 항목이 계속 추가되는 환경에 유리하다.

생명/융합 김상욱 교수팀, 인공지능이 독성 약물 미리 골라낸다

[김상욱 교수팀, 동물과 사람 차이 학습한 AI 개발로 약물 독성 예측] 영국에서 면역치료제로 개발 중이던 ‘TGN1412’를 사람에게 투여했다가 몇 시간 만에 사이토카인 폭풍이 일어나 여러 명이 다발성 장기부전으로 쓰러진 사례가 있었다. 또한 뇌졸중 치료제로 개발된 ‘아프티가넬(Aptiganel)’ 역시 동물에선 효과가 뛰어났지만, 사람에게선 환각·진정 등 부작용만 나타나 중단된 사례도 있다. 이처럼 동물 실험에선 멀쩡하던 약이 사람에겐 치명적일 수 있다. 이런 차이를 AI로 학습시켜 임상시험 전에 위험 약물을 미리 골라낼 수 있는 기술이 개발됐다. 생명과학과·융합대학원 김상욱 교수, 생명과학과 박민혁 박사, 통합과정 송우민 씨, 인공지능대학원 통합과정 안현수 씨 연구팀이 AI를 이용해 사람에게 나타날 약물 부작용을 예측하는 기술을 개발했다. 이번 연구는 최근 의약 분야 국제 학술지 '이바이오메디신(eBioMedicine)' 온라인판에 현지시각으로 지난 28일 실렸다. 신약 개발 과정에서 세포나 동물 실험 등의 전임상을 통과한 약물이 사람에게서 뜻밖의 독성을 보이는 경우가 많다. 문제는 사람과 동물의 생물학적 반응이 다르기 때문이다. 초콜릿이 사람에게는 대체로 안전하지만, 개에게는 독이 될 수 있다. 반대로, 어떤 약물은 쥐에게 안전하다고 해서 사람에게도 안전한 것은 아니다. 지금까지 신약 개발 실패의 주요 원인 중 하나가 바로 이 '종(種) 간 차이'였다. 연구팀은 세포·쥐·사람 간 생물학적 차이인 'GPD(Genotype-Phenotype Difference, 유전형-표현형 차이)'에 주목해 약물이 겨냥하는 표적 유전자가 사람과 전임상 모델에서 어떻게 다르게 작동하는지를 세 가지 축으로 분석했다. 첫째, 유전자가 생존에 미치는 영향(필수성), 둘째, 조직별로 유전자가 발현되는 양상, 셋째, 생물학적 네트워크에서 유전자의 연결성이다. 위험 약물 434개와 승인 약물 790개 데이터로 검증한 결과, GPD 특성은 사람에서 독성으로 실패하는 약물과 유의하게 연관됐다. 화학 구조만 볼 때보다 예측력이 크게 향상됐으며, 독성 물질을 실제로 잘 찾아내는 지표(AUPRC*1)가 0.35에서 0.63, 전체 예측 정확도를 나타내는 지표(AUROC*2)는 0.50에서 0.75로 높아졌다. 개발된 AI 모델은 기존의 최신모델들과 비교해 가장 우수한 예측 성능을 보였다. 나아가 독성으로 시장에서 퇴출당할 약물을 경고하는 ‘연대기적(chronological) 검증’에서도 실용성을 보였다. 1991년까지의 약물 정보만으로 AI를 학습시킨 뒤, 1991년 이후 시장에서 퇴출당할 약물을 예측한 결과 95%의 정확도를 보였다. 이번 연구는 세포와 전임상 동물 모델 그리고 사람의 생물학적 차이을 정량 지표로 끌어와 전임상–임상 사이 ‘번역의 벽’을 낮춘 점이 핵심이다. 제약사는 임상 전에 고위험 후보를 걸러 개발 비용과 시간을 아끼고, 환자 안전을 높일 수 있다. 관련 데이터와 주석이 쌓일수록 모델의 효용은 더 커질 전망이다. 김상욱 교수는 "전임상 모델과 사람의 생물학적 특성을 수치로 반영한 첫 시도"라며, "AI와 생물정보학을 결합하면 신약 개발 '실패의 골짜기'를 크게 줄여 "사람에게 안전하고 효과적인 신약을 더 빠르게 개발하는 시대가 멀지 않았다"라고 전했다. 공동 제1저자인 박민혁 박사와 송우민 씨는 "사람 중심 독성 예측 모델은 신약 개발 현장에서 매우 실용적인 도구가 될 것"이라며 "제약사가 임상 전 단계에서 고위험 약물을 미리 걸러낼 수 있어 개발 효율이 향상될 것으로 기대된다"라고 전했다. 이번 연구는 과학기술정보통신부 한국연구재단 대학 중점연구소지원사업 의료기기 혁신센터와 합성생물학 인력양성사업의 지원을 받아 수행됐다. DOI: https://doi.org/10.1016/j.ebiom.2025.105994 1. AUPRC: Area Under the Precision-Recall Curve, 양성을 정확히 찾아내는 능력을 측정하는 지표로 값이 높을수록 모델이 ‘진짜 위험한 약물’을 더 잘 찾아낸다는 의미다. 2. AUROC: Area Under the Receiver Operating Characteristic curve. 모델이 ‘양성’과 ‘음성’을 얼마나 잘 구분하는지를 나타내는 지표로 범위는 0~1 사이이며, 1에 가까울수록 정확하다.

전자/IT융합/기계/융합 김철홍 교수팀, 초고속 광음향 소동물 전신 촬영술의 새로운 패러다임

[김철홍 교수팀, 전신 생체역학 모니터링 위한 고속 회전 스캐닝 PACT 시스템 개발] 전자전기공학과 · IT융합공학과 · 기계공학과 · 융합대학원 김철홍 교수, 인공지능연구원 최성욱 연구원(現 미국 스탠포드대 박사), 전자전기공학과 양 징게(Yang Jinge) 연구원(現 미국 칼텍 박사) 연구팀이 빠른 속도로 생체를 촬영하는 연속 회전 스캐닝 방식의 광음향 단층촬영(이하 PACT) 시스템을 개발했다. 이 연구는 광학 분야 국제 학술지 중 하나인 '레이저 & 포토닉스 리뷰(Laser & Photonics Reviews)' 온라인판에 최근 게재됐다. 생명체의 복잡한 생물학적 과정과 질병 진행 상황을 이해하기 위해 생체 전체 동역학을 추적하는 것이 중요하다는 인식이 확산되고 있다. 현재 소동물 모델에 적용되는 다양한 영상 기술(X-선 CT, MRI, PET, 광학 영상 등)은 각기 장단점이 있어 연구자들은 생체 조직의 구조적, 기능적, 분자적 측면을 관찰할 수 있는 PACT에 주목하고 있다. PACT 시스템은 광학과 초음파 촬영 기술의 장점을 결합해 기존 영상 기술의 한계를 극복할 수 있는 유망한 대안으로 평가받고 있지만, 전신 촬영에 수 분이 걸리고 해상도가 낮으며, 신체의 한쪽 면만 관찰할 수 있는 등 제한이 있었다. 연구팀은 이러한 한계를 극복하고, 소동물 몸통에서 여러 생물학적 매개변수를 빠르게 관찰할 수 있는 PACT 시스템을 개발했다. 이 시스템은 반구형의 초음파 트랜스듀서(transducer) 배열을 고속으로 회전시켜, 기존의 단계별 스캔보다 훨씬 빠른 속도로 여러 데이터를 동시에 수집할 수 있다. 이 기술로 연구팀은 단 9초 만에 쥐 모델의 360° 해부학 이미지를 얻었으며, 전체 몸통 스캔에는 54초가 걸렸고, 공간 해상도는 약 212마이크로미터(µm)에 달했다. 이 시스템을 이용해 연구팀은 전체 신체 구조를 이미지화할 뿐만 아니라 살아 있는 동물의 약물 동태와 헤모글로빈 산소 포화도 변화를 모니터링하는 데도 성공했다. 특히 넓은 조직의 산소 포화도를 관찰할 수 있어 복잡한 생물학적 시스템에서 산소 운반과 분포를 이해하는 데 크게 기여할 것으로 기대된다. 김철홍 교수는 "기존 영상 기술과 유사한 성능을 제공하면서도 분자 및 기능적 정보를 동시에 얻을 수 있는 장점이 있다"라며 이번 연구의 의의를 전했다. 또, 최성욱 박사는 "이 시스템이 전임상 연구 분야에서 생물학적 시스템의 빠른 동역학과 산소 동역학 등에 대한 귀중한 통찰력을 제공할 것"이라고 덧붙였다. 한편, 이번 연구는 교육부의 대학중점연구소사업, 과학기술정보통신부의 중견연구사업과 브릿지융합연구개발사업, 범부처전주기의료기기연구개발사업, BK21의 지원을 받아 수행되었다. DOI: https://doi.org/10.1002/lpor.202400672

전자·IT융합·기계·융합 김철홍 교수팀, 기존 병리학을 뛰어넘는 비표지 조직학, AI와 만나다

[김철홍 교수팀, 비표지 광음향 조직학 이용해 가상 염색·분할·분류가능 딥러닝 모델 개발] 전자전기공학과 · IT융합공학과 · 기계공학과 · 융합대학원 김철홍 교수 연구팀과 가톨릭대 의과대학 서울성모병원 정찬권 교수 공동 연구팀은 인간 간암 조직검사를 위한 비표지 광(光) 음향 조직 영상 분석 인공지능(AI) 시스템을 개발하는 데 성공했다. 이번 연구는 광학 · 광자학 분야 국제 학술지인 ‘라이트: 사이언스 앤 어플리케이션(Light: Science and Application)’에 지난 2일 게재됐다. 조직검사는 질병을 진단하고, 적절한 치료 계획을 수립하는 데 매우 중요하다. 그런데, 떼어낸 조직을 현미경으로 관찰하려면 염색 등의 과정이 필요한데, 이때 추가적인 인력과 비용이 투입되며 화학약품을 사용함으로써 환경오염을 유발한다. 이처럼 번거로운 작업을 줄이기 위해 ‘Photoacoustic Histology(광음향 조직 영상*1) 이하 PAH)’ 기술이 등장했다. PAH는 빛(레이저)을 쏘아 생체분자가 만드는 소리(초음파) 신호를 감지하여 이미지를 생성하는 기술로, 염색과 라벨링 작업이 필요하지 않다. 그러나, 이 방식은 병리학자들에게 익숙하지 않아 해석과 진단이 어렵고, 검사 정확도도 비교적 낮은 편이었다. 이번 연구에서 연구팀은 PAH에 최첨단 인공지능 기술을 결합해 △가상 염색 △분할 △분류 단계를 수행하여 인간 조직 영상을 분석하는 딥러닝 모델을 개발했다. 먼저, ‘가상 염색 단계’에서는 세포핵과 세포질 등이 포함된 흑백 비표지 영상을 마치 염색된 것처럼 변환한다. 이 단계에서 연구팀은 조직 구조를 잘 유지하면서 실제 염색 작업을 진행한 샘플과 유사한 이미지를 생성하도록 설계했으며, 설명 가능한 딥러닝 방법을 사용하여 염색 결과의 신뢰성을 높였다. 이후, ‘분할’ 단계에서는 비표지 영상과 가상 염색 정보를 사용하여 세포 면적과 수, 세포 간 거리 등 해당 샘플의 특징을 세부적으로 분할한다. 그리고, 마지막 ‘분류’ 단계에서는 비표지 영상과 가상 염색 영상, 분할 정보를 모두 사용해 샘플 조직의 암 여부를 분류하는 것이다. 이어, 연구팀은 사람의 간암조직에서 얻은 PAH에 연구팀이 개발한 딥러닝 모델을 적용했다. 그 결과, ‘가상 염색’, ‘분할’, ‘분류’가 상호연결된 연구팀의 AI 모델은 암성 간세포와 비암성 간세포를 98%의 높은 정확도로 분석했다. 특히, 병리학자 3명의 평가에서도 연구팀이 개발한 모델의 민감도는 100%에 달하며 실제 임상 현장에서의 적용 가능성도 입증했다. 연구를 이끈 김철홍 교수는 “PAH와 AI의 결합으로 조직검사에 소요되는 시간을 줄이고, 신뢰성을 높였다“라며, ”환자의 정확한 질병 진단과 효과적인 치료 계획 수립에 이번 연구가 큰 도움이 되기를 바란다“라는 기대를 전했다. 한편, 이 연구는 교육부와 과학기술정보통신부, 의료기기개발펀드사업, POSTECH 인공지능대학원사업, POSTECH-가톨릭대 공동연구지원사업의 지원으로 POSTECH 전자전기공학과·IT융합공학과·기계공학과·융합대학원 김철홍 교수, 전자전기공학과 박사과정 윤치호 씨, IT융합공학과 박사과정 박은우 씨, 박사후연구원 Sampa Misra(삼파 미스라) 씨, 가톨릭대 의과대학 서울성모병원 병리과 정찬권 교수 공동 연구팀에 의해 수행됐다. DOI: https://doi.org/10.1038/s41377-024-01554-7 1. 광음향 조직영상(Photoacoustic Histology) 광음향 효과를 이용하여 조직의 이미지를 얻는 기술로, 레이저 빛을 조직에 조사하여 발생한 음향 신호를 통해 조직의 구조와 특성을 분석하는 방법이다. 이 기술은 특히 비표지 상태에서 조직의 다양한 정보를 제공할 수 있어 병리학적 진단에 유용하다.

기계/화공 노준석 교수팀, 친환경 쿨링 시스템 ‘복사 냉각 기술’ 상용화를 위한 교과서

[노준석 교수팀, 지속가능한 복사 냉각 기술 총망라 리뷰 논문 보고] 복사 냉각 기술은 물체가 외부로 복사열을 내보내 온도를 낮추는 기술이다. 자연적인 열 방출 원리를 사용해 에너지를 절약하는 친환경 에너지 기술로 최근 이 기술을 적용한 자동차 외장재와 페인트, 필름 등 연구가 활발하게 진행되고 있다. 하지만 기술 상용화를 위해 아직 해결해야 할 과제가 많이 남아 있다. 기계공학과 · 화학공학과 노준석 교수, 인공지능대학원 소순애 연구원(現 고려대 전자기계융합공학과 교수), 기계공학과 통합과정 윤주영 · 고병수 · 이다솔(現 연세대 의공학부 교수) 씨 연구팀은 친환경 에너지 기술인 복사 냉각의 기본 원리부터 생산 기술, 응용 분야, 최근 연구 동향 등을 담은 리뷰 논문을 국제 학술지인 ‘어드밴스드 사이언스(Advanced Science)’에 보고했다. 연구팀은 논문에서 기본 원리와 설계 전략 등은 물론 제작 비용과 스마트 기능, 외관, 호환성 등을 모두 고려한 최근 연구 동향과 발전 수준에 대해 논의한다. 최근 복사 냉각 기술 연구는 단순히 냉각 효과를 높이는 것을 넘어 실용적인 응용과 다른 열 관리 시스템과의 통합으로 나아가고 있다. 냉각 효과를 높이기 위해 복사 냉각과 증발 냉각을 모두 사용한 하이브리드(hybrid) 냉각 시스템과 건물과 자동차 외장재로 사용되는 경우 심미성까지 고려한 컬러 또는 투명 냉각 시스템 연구도 활발하게 진행되고 있다. 이어, 연구팀은 기술 상용화를 위한 과제들도 언급했다. 현재 사용 중인 냉각 시스템 대부분 호환이 가능한 특정 재료만 사용할 수 있으며, 인체와 자연에 유해한 화학 물질 등을 배출해 환경 문제를 일으킨다. 따라서, 냉각기 제조에 최적화된 재료를 찾아야 함은 물론 친환경적이고 안전한 공정 기술이 중요하다. 또, 연구팀은 복사 냉각 시스템이 공기 중 수증기에 매우 민감하기 때문에 습도가 높은 환경에서도 잘 작동하도록 보완이 필요하며, 전반적인 품질과 성능, 안전에 대한 구체적인 표준과 규정을 수립해야 한다고 말한다. 특히, 복사 냉각 시스템을 건물과 냉각 네트워크 등 기존 인프라에 통합할 수 있는 효과적인 전략을 통해 기술의 이점을 극대화해야 한다고 강조했다. 노준석 교수는 “이번 논문이 나노 기술과 광학, 에너지 등 여러 분야에서 복사 냉각을 연구하는 학자들에게 영감을 주고, 친환경적인 이 기술을 실제로 산업 현장에 적용하는 데 큰 도움이 되기를 바란다”는 기대를 전했다. 한편, 이 연구는 POSCO 산학연 융합연구소사업, 과학기술정보통신부 나노소재기술개발사업, 미래소재디스커버리사업, 미래유망융합기술파이오니아사업, RLRC지역선도선도연구센터사업 등의 지원으로 수행됐다. DOI: https://doi.org/10.1002/advs.202305067