%41%49%20%ed%94%84%eb%a0%88%ec%9e%84%ec%9b%8c%ed%81%ac
-
집에서 뇌혈관질환 위험 신호 미리 찾는 AI 기술 개발
뇌혈관질환은 치료 시기를 놓치면 심각한 후유증으로 이어질 수 있지만, 증상이 나타나기 전에는 알아차리기 어렵다. 국내 연구진이 실제 고령자의 일상생활 데이터를 분석해 집에서 나타나는 작은 변화만으로 뇌혈관질환 위험을 조기에 감지하는 AI 기술을 개발했다.
우리 대학은 건설및환경공학과 임리사 교수 연구팀이 성균관대학교(총장 유지범) 전자전기공학부 정조운 교수, 고려대학교(총장 김동원) 안암병원 신경과 조경희 교수 연구팀과 공동으로 실제 고령자의 주거환경에서 장기간 수집된 라이프로그 데이터를 활용해 뇌혈관질환 진단 전 위험단계를 식별하고, 진단이 임박한 위험 상태까지 평가하는 AI 프레임워크를 개발했다고 12일 밝혔다.
이번 연구는 ㈜리본케어가 실제 주거환경에서 수집한 고령자 1,224명의 라이프로그 데이터를 기반으로 수행됐다. 연구팀은 14일 단위로 구성한 총 13,362개의 생활 데이터 표본을 분석해 질환이 발생한 뒤 병원에서 치료하는 기존 접근에서 벗어나, 일상생활 속 미세한 변화만으로 위험 신호를 조기에 포착할 가능성을 제시했다.
연구팀은 고령자의 일상 활동과 수면, 일주기 리듬, 실내환경 정보에 연령과 만성질환 정보를 함께 분석해 뇌혈관질환 위험단계를 식별하는 AI 기술을 개발했다. 이는 병원 검사만으로는 확인하기 어려운 생활 패턴의 변화가 뇌혈관질환의 초기 위험 신호를 포착하는 중요한 단서가 될 수 있음을 보여준다.
연구팀은 시간의 흐름에 따른 생활 패턴 변화를 분석해 뇌혈관질환 진단이 가까워진 상태까지 평가하는 데 성공했다. 진단 전 4주 이내의 생활 데이터를 '진단 임박 구간', 진단 12주 이전의 데이터를 '비임박 구간'으로 나눠 분석한 결과, AI는 두 구간을 96.53%의 높은 정확도로 구분했다. 이는 병원을 찾기 전에도 일상생활 속 작은 변화만으로 뇌혈관질환 위험이 높아졌는지를 미리 파악할 수 있음을 보여주는 결과다.
이번 연구의 또 다른 특징은 AI가 단순히 위험 여부만 판단하는 것이 아니라, 판단의 근거가 된 생활 패턴과 환경 요인을 함께 제시하는 설명가능 AI(Explainable AI)를 적용했다는 점이다.
분석 결과 뇌혈관질환 진단 전 위험단계에 있는 고령자는 밤 10시부터 새벽 2시 사이에도 움직임이 지속적으로 나타나는 등 수면을 준비해야 할 시간대의 생활 리듬이 불규칙한 경향을 보였다. 즉, 잠드는 시간이 늦고 낮과 밤의 활동 차이가 뚜렷하지 않은 생활 패턴이 뇌혈관질환 진단 전 위험 신호과 밀접하게 관련된 것으로 나타났다.
또한 뇌혈관질환 진단이 가까워질수록 저녁 시간대인 오후 6시부터 밤 10시 사이 활동량이 눈에 띄게 줄고, 움직이지 않는 시간이 길어지는 경향이 확인됐다. 실내 습도가 낮아 건조한 환경 역시 진단이 임박한 상태를 판단하는 중요한 요인으로 나타났다.
연구팀은 이번 기술이 자신의 건강 상태를 정확히 설명하기 어려운 고령자의 상태를 객관적으로 모니터링하고, 의료진과 돌봄 인력에게 신뢰할 수 있는 조기 경고 지표를 제공하는 디지털 헬스케어 기술로 활용될 것으로 기대하고 있다.
다만 이번 연구는 뇌혈관질환의 발생 시점을 예측하거나 병원 진단을 대체하는 것이 아니라, 예방과 조기 진료를 지원하기 위한 보조 기술이며, 실제 임상 적용을 위해서는 더 큰 규모의 환자군을 대상으로 한 전향적 검증이 필요하다고 설명했다.
임리사 교수는 "이번 연구의 핵심은 AI가 병원 진단을 대체하는 것이 아니라, 집에서 나타나는 작은 생활 변화 속에서 위험 신호를 먼저 발견하고 적절한 시점에 병원 진료로 연결할 가능성을 제시한 데 있다"며 "질환이 발생한 뒤 치료하는 의료체계에서 예방과 조기 개입을 지원하는 의료체계로 전환하는 데 기여할 것으로 기대한다"고 말했다.
KAIST 백정엽 박사가 제1저자로 참여한 이번 연구는 디지털 헬스케어 분야 세계적 권위의 국제학술지 ‘npj Digital Medicine’(엔피제이 디지털 메디슨, 네이처 포트폴리오 발행, IF 15.1, JCR 상위 0.3%)에 6월 2일 게재됐다.
※논문명: AI home monitoring for behavioral markers of cerebrovascular disease
DOI: https://doi.org/10.1038/s41746-026-02836-7
한편 이번 연구는 과학기술정보통신부와 한국연구재단의 우수신진연구(씨앗연구)(과제번호: RS-2025-16068234)의 지원을 받아 수행됐다.
2026.07.13 조회수 1481 -
끝없는 배터리 실험 줄인다...성능 예측 AI 개발
전기차를 한 번 더 멀리 가게 하고, 스마트폰을 더 오래 쓰게 만드는 힘은 배터리 소재에서 나온다. 그중에서도 배터리의 성능과 수명을 직접 좌우하는 핵심 재료가 바로 양극재다. 배터리 소재 개발에 필요한 수많은 실험을 인공지능이 대신할 수 있다면 어떨까. 우리 대학 연구진이 실험 데이터가 부족한 상황에서도 양극재의 입자 크기와 예측 신뢰도를 함께 제시하는 인공지능(AI) 프레임워크를 개발하며, 전고체 배터리 등 차세대 에너지 기술로의 확장 가능성을 열었다.
우리 대학은 신소재공학과 홍승범 교수팀이 조은애 교수팀과 공동연구를 통해, 실험 데이터가 불완전한 상황에서도 배터리 양극재의 입자 크기를 정확하게 예측하고, 그 결과를 얼마나 신뢰할 수 있는지까지 함께 제공하는 머신러닝 프레임워크를 개발했다고 26일 밝혔다.
배터리 내부의 양극재는 리튬이온 배터리가 에너지를 저장하고 꺼내 쓰게 만드는 핵심 재료다. 현재 전기차 배터리에 가장 널리 사용되는 양극재는 니켈(Ni), 코발트(Co), 망간(Mn)을 혼합한 NCM 계열 금속 산화물로, 배터리의 수명과 충전 속도, 주행 거리, 안전성에 큰 영향을 미친다.
우리 대학 연구진은 이러한 양극재를 이루는 아주 작은 1차 입자의 크기가 배터리 성능을 결정하는 핵심 요소라는 점에 주목했다. 입자가 지나치게 크면 성능이 저하되고, 반대로 너무 작으면 안정성 문제가 발생할 수 있기 때문이다. 이에 연구진은 입자 크기를 정확하게 예측하고 제어할 수 있는 AI 기반 기술을 개발했다.
기존에는 입자 크기를 파악하기 위해 소결 온도와 시간, 재료 조성 등을 바꿔가며 수많은 실험을 반복해야 했다. 그러나 실제 연구 현장에서는 모든 조건을 빠짐없이 측정하기 어렵고, 실험 데이터가 누락되는 경우도 잦아 공정 조건과 입자 크기 간의 관계를 정밀하게 분석하는 데 한계가 있었다.
연구팀은 이러한 문제를 해결하기 위해 누락된 데이터는 보완하고, 예측 결과는 신뢰도와 함께 제시하는 AI 프레임워크를 설계했다. 이 프레임워크는 화학적 특성을 고려해 빠진 실험 데이터를 보완하는 기술(MatImpute)과, 예측 불확실성을 함께 계산하는 확률적 머신러닝 모델(NGBoost)을 결합한 것이 특징이다.
이 AI 모델은 단순히 입자 크기를 예측하는 데 그치지 않고, 해당 예측을 어느 정도까지 신뢰할 수 있는지에 대한 정보까지 함께 제공한다. 이는 실제로 어떤 조건에서 재료를 합성할지 결정하는 데 중요한 기준이 된다.
실험 데이터를 확장해 학습한 결과, AI 모델은 약 86.6%의 높은 예측 정확도를 보였다. 분석 결과, 양극재 입자 크기는 재료 성분보다도 굽는 온도와 시간 같은 공정 조건의 영향을 더 크게 받는 것으로 나타났으며, 이는 기존의 실험적 이해와도 잘 부합한다.
연구진은 AI 예측의 신뢰성을 검증하기 위해, 금속 성분 비율은 동일한 NCM811(Ni 80% / Co 10% / Mn 10%) 조성을 유지하되 기존 데이터에 포함되지 않은 제조 조건으로 합성한 양극재 시료 4종을 새롭게 제작해 실험을 진행했다. 그 결과, AI가 예측한 입자 크기는 실제 현미경 측정 결과와 거의 일치했으며, 오차는 대부분 머리카락 두께보다 훨씬 작은 0.13마이크로미터(μm) 이하로 나타났다. 특히 AI가 함께 제시한 예측 불확실성 범위 안에 실제 실험 결과가 포함돼, 예측값뿐 아니라 그 신뢰도 역시 타당함이 확인됐다.
이번 연구는 배터리 연구에서 모든 실험을 수행하지 않아도 성공 가능성이 높은 조건을 먼저 찾을 수 있는 길을 열었다는 점에서 의미가 크다. 이를 통해 배터리 소재 개발 속도를 높이고, 불필요한 실험과 비용을 크게 줄일 수 있을 것으로 기대된다.
홍승범 교수는 “AI가 예측값뿐 아니라 그 결과를 얼마나 신뢰할 수 있는지까지 함께 제시한다는 점이 핵심”이라며, “차세대 배터리 소재를 보다 빠르고 효율적으로 설계하는 데 실질적인 도움이 될 것”이라고 말했다.
이번 연구는 신소재공학과 벤 마디카(Benediktus Madika) 박사과정 연구원이 제1저자로 참여했으며, 신소재·화학공학 분야의 국제적 권위 학술지인 ‘어드밴스드 사이언스(Advanced Science)’에 2025년 10월 8일자로 게재됐다.
※ 논문 제목: Uncertainty-Quantified Primary Particle Size Prediction in Li-Rich NCM Materials via Machine Learning and Chemistry-Aware Imputation, DOI: https://doi.org/10.1002/advs.202515694>
한편, 본 연구는 벤 마디카, 강채율, 심주성, 박태민, 문정현 연구원과 조은애 교수, 홍승범 교수 연구팀이 수행했으며, 과학기술정보통신부(MSIT) 한국연구재단 미래융합기술파이오니어(전략형) 지원(과제번호 RS-2023-00247245)을 받아 진행됐다.
2026.01.26 조회수 3712