모금을 넘어 사회공헌과 가치 창출로

교내소식

신뢰할 수 있는 뇌 MRI 인공지능, 국제 경쟁력 입증

등록일 26-11-18 09:18
  • 조회수 12
연구/산학

신뢰할 수 있는 뇌 MRI 인공지능, 국제 경쟁력 입증

2026.11.18
소프트웨어융합학과 이원희 교수 연구팀이 뇌 MRI 파운데이션 모델 챌린지 ‘FOMO26’에서 표현학습·공정성 종합 평가 1위를 차지했다.

소프트웨어융합학과 이원희 교수 연구팀 뇌 MRI 파운데이션 모델 챌린지 참가
공정성 평가 1위, 뇌 나이 추정 3위 기록하며 범용성과 신뢰성 인정

소프트웨어융합학과 이원희 교수 연구팀이 의료영상 분야 대표 국제학술대회 ‘MICCAI 2026(Medical Image Computing and Computer Assisted Intervention)’에서 열린 뇌 MRI 파운데이션 모델 챌린지 ‘FOMO26(Foundation Model Challenge for Brain MRI)’에서 표현학습·공정성 종합 평가 1위를 차지했다. 연구팀이 개발한 뇌 MRI 파운데이션 모델 ‘AIMZ’는 공정성 평가 1위, 뇌 나이 추정 3위를 함께 기록하며 범용성과 신뢰성을 인정받았다. 결과 발표와 시상식은 지난 10월 1일 프랑스 스트라스부르 컨벤션센터에서 진행됐다.

30만 건 뇌 MRI로 ‘임상 신뢰성’ 겨뤄
FOMO26은 뇌 MRI 파운데이션 모델이 실제 임상 환경에서 얼마나 폭넓게, 또 믿을 수 있게 작동하는지 평가하는 국제 챌린지다. 이번 대회에서는 뇌 MRI 데이터 30만 6,207건으로 사전학습된 모델을 △뇌경색 분류 △수막종 분할 △뇌 나이 추정 △삼차신경통 분할 △다소뇌회증 분류 △표현학습 △공정성 등 7개 과제에 대해 종합 평가했다. 모든 과제에 동일한 사전학습 모델을 사용하도록 해, 하나의 모델이 서로 다른 임상 과제

에 얼마나 잘 적용되는지를 검증했다. 특히 질환 예측 성능뿐 아니라 모델이 학습한 표현의 품질, 그리고 환자 집단이나 영상 촬영 조건에 따른 편향까지 독립 과제로 평가했다는 점에서 기존 단일 질환 중심 평가와 차별화된다.

“어떤 환자에게나 공정하게”, 표현학습·공정성 종합 1위
연구팀은 ‘Open Track’에 참가해 다양한 뇌 MRI 파운데이션 모델과 경쟁했다. 가장 주목받은 성과는 표현학습과 공정성을 함께 평가하는 Task 6~7 종합 1위다.

공정성 평가(Task 7)에서는 참가팀 가운데 1위에 올랐다. 별도의 추가 학습(미세조정, fine-tuning) 없이 모델이 추출한 특징만으로 인구통계학적 요인과 데이터 획득 조건에 따른 편향을 측정하는 과제로, 모델이 다양한 환자 집단에서 얼마나 고르게 작동하는지를 본다. 사전학습 표현의 품질을 평가하는 표현학습(Task 6)에서도 3위를 기록했다. 개인의 뇌 연령을 추정하는 뇌 나이 추정 과제에서는 전체 3위를 차지했다. 뇌의 구조적 특성과 노화 정보를 모델이 효과적으로 학습했으며, 이를 실제 임상 데이터에 활용할 수 있음을 보여준 결과다.

뇌 MRI 파운데이션 모델.

의료 현장이 요구하는 ‘신뢰할 수 있는 AI’
의료 현장에서는 특정 데이터셋에서의 높은 정확도만으로는 충분하지 않다. 병원마다 다른 MRI 장비와 촬영 조건, 다양한 환자 집단에서도 안정적이고 공정하게 작동해야 한다. 이번 성과는 최근 의료 인공지능 분야의 핵심 과제로 꼽히는 ‘신뢰할 수 있는 파운데이션 모델(Trustworthy Foundation Model)’ 개발에서 국제 경쟁력을 확인했다는 점에서 의미가 크다.

이원희 교수는 “의료 인공지능이 실제 진료 현장에 쓰이려면 성능만큼이나 어떤 병원, 어떤 환자에게도 고르게 작동하는 신뢰성이 중요하다. 이번 챌린지에서 공정성과 표현학습 부문 1위를 차지한 것은 AIMZ의 연구 역량과 기술력을 국제 무대에서 인정받았다는 의미”라고 말했다. 이어 “특히 이번 연구에 주도적으로 참여한 소프트웨어융합학과 김연우 학생을 비롯해 함께 밤낮없이 연구에 매진한 연구실 학생들의 노력으로 이룬 성과라 더욱 뜻깊다”며 학생들에게 공을 돌렸다.

영상분할로 확장, 범용 뇌 MRI 모델 개발 박차
연구팀은 이번에 확인한 표현학습과 공정성 역량을 정밀한 해부학적 구조·병변 분석으로 확장할 계획이다. 특히 종합 평가에서 각각 25%의 비중을 차지하는 수막종·삼차신경통 분할 등 영상분할 과제의 성능을 높이는 데 집중하려 한다. 이를 통해 질환 분류와 뇌 나이 예측, 영상분할, 공정성 평가 전반에서 일관된 성능을 내는 범용 뇌 MRI 파운데이션 모델을 개발한다는 목표다.

이원희 교수는 “이번 대회를 통해 영상분할이 다음으로 도전할 과제임을 확인했다. AIMZ의 강점인 표현학습 능력을 병변과 해부학적 구조를 정밀하게 분석하는 데까지 넓혀, 실제 의료 현장에서 믿고 쓸 수 있는 차세대 의료영상 인공지능을 만들어 가겠다”고 밝혔다.