AI가 암 임상시험 설계를 돕는다? 연구 결과 보니

아직 모르는 분들을 위해 쉽게 설명하면, 암 신약을 개발하려면 임상시험을 여러 단계로 거쳐야 합니다. 어떤 시험을 먼저 하고, 어느 나라에서 할지, 환자를 어떻게 모집할지 등 결정할 게 많죠. 이번 연구는 AI로 이런 전략을 세우는 법을 배우게 한 실험입니다.

임상시험 설계는 왜 어려운가

신약을 만들 때는 여러 실험을 차례로 벌입니다. 결과가 좋으면 다음 단계로 넘어가는 식이죠. 하지만 각 단계에서 무엇을 먼저 할지, 얼마나 많은 환자가 필요할지, 어떤 기준으로 성공을 판단할지는 아주 복잡한 문제입니다. 정보가 불확실한 상태에서 수년에 걸친 계획을 세워야 하기 때문입니다.

이 연구는 이런 과정을 하나의 게임처럼 봤습니다. AI에게 지금까지의 상태를 보여주고, 다음 6개월 동안 어떤 임상시험을 할지 예측하도록 훈련시킨 겁니다. 마치 자동차 운전을 배우는 AI에게 과거의 운전 기록을 주고 다음 행동을 맞히게 하는 것과 비슷합니다.

연구진이 만든 방법

연구진은 먼저 3만 1천여 개의 공개 자료를 모았습니다. 여기에는 임상시험 등록 정보, 규제 기관의 검토 보고서, 제약사의 공시 자료, 환자 수 통계 등이 포함됩니다. 이렇게 모은 자료를 881개의 학습용 에피소드, 즉 한 약품 프로그램의 역사적 결정 흐름으로 정리했습니다.

그리고 네 가지 서로 다른 학습 방식을 비교했습니다. 하나는 단순히 과거 행동을 따라 하는 방식, 또 하나는 성공한 사례에 더 큰 가중치를 주는 방식, 다른 하나는 보상을 스스로 학습하는 방식, 마지막으로 가치 기반의 강화학습 방식입니다. 이들과 함께 대형 언어 모델 기반의 AI 에이전트 네 종류도 같은 조건에서 겨뤘습니다.

결과는 어땠을까요? 오프라인 학습 방식으로 훈련된 AI 모델들이 대형 언어 모델 에이전트보다 더 좋은 성과를 냈습니다. 특히 어떤 약품, 어떤 회사, 어떤 약물 계열을 보지 않고 테스트했을 때도 일관되게 더 나은 예측을 보였습니다.

이 연구가 의미하는 것

이번 결과는 AI가 실제 의사 결정 기록을 통해 전문가의 전략을 학습할 수 있다는 걸 보여줍니다. 앞으로 신약 개발 계획을 세울 때 AI가 도우미 역할을 할 수 있다는 뜻입니다. 물론 실제 병원이나 제약사에서 바로 쓸 수 있는 단계는 아닙니다. 다만 이런 연구가 쌓이면, 환자에게 더 빠르게 새로운 치료법을 전달하는 데 도움이 될 것입니다.

📖 원문 보기: arXiv 원문

본 요약은 AI로 작성되었습니다. arXiv 논문을 바탕으로 재구성되었습니다.