[2026 오믹스팜 AI 인사이트] 멀티오믹스 AI 리스크 모델, 언제부터 임상에서 써도 되는 수준이 될까?

안녕하세요 셀키에이아이입니다.

예후 예측, 위험도 분류, 바이오마커 통합 AI 기반 멀티오믹스 연구는 매년 폭발적으로 늘고 있습니다. 그런데 실제 임상 현장에서 이 모델들을 마주치기란 여전히 쉽지 않죠.

이번 콘텐츠에서는 멀티오믹스 AI 리스크 모델이 '연구용'에서 '임상용'으로 넘어가는 기준이 무엇인지, 그리고 최신 논문에서 어떤 시도를 하고 있는지 소개해 드리고자합니다.

• 논문 속 '좋은 모델'과 임상용 모델은 다르다

멀티오믹스 AI 논문을 보면 대부분은 AUC(환자와 정상인을 구분해내는 변별력 점수), C-statistic(누가가 더 먼저 위험해질지 맞히는 '예측 순서' 점수), p-value(이 결과가 '우연'이 아님을 증명하는 합격선)를 중심으로 성능을 강조합니다.

하지만 임상의 입장에서 중요한 질문은 조금 다릅니다.

• 이 모델을 내 환자에게 그대로 적용해도 될까?

• 점수 차이가 치료 전략을 실제로 바꿀 만큼 충분한가?

• 왜 이 환자를 고위험군이라고 판단했는지 설명할 수 있는가?

최근 멀티오믹스 AI 논문들은 이 간극을 줄이기 위해 성능 지표를 넘어서 임상 사용 가능성(clinically deployable)을 전면에 내세우고 있습니다.

​

• 혈액암 사례 : MGUS·SMM 진행 위험 모델이 보여준 것

대표적인 예가 형질세포 질환(MGUS, smoldering myeloma)에서 다발골수종으로의 진행 위험을 예측하는 멀티오믹스 AI 리스크 모델입니다.

✅기존 모델의 한계

전통적인 임상 리스크 점수들은

• M단백 농도, 골수 형질세포 비율, FLC 비율 같은 임상·검사 지표 몇 가지를 조합해

• 저위험/중간위험/고위험 정도의 구간으로 환자를 나눕니다.

문제는 같은 카테고리 안에서도 실제 진행 위험이 크게 다를 수 있다는 점입니다.

예를 들어, 모두 '고위험'으로 분류되었더라도 어떤 환자는 5년 내 20% 진행, 어떤 환자는 60% 진행 위험을 갖는 식입니다.

​✅멀티오믹스 AI 모델이 한 단계 더 나간 점

최근 MGUS·SMM 멀티오믹스 연구에서는

• 유전체, 구조적 변이

• 전사체 시그니처

• 미세환경 관련 오믹스

• 기존 임상 변수

를 통합해 AI 기반 리스크 모델을 만들었습니다.

​

이 모델의 특징은 아래와 같습니다.

• 기존 임상 모델모다 C-statistic/AUC가 유의하게 향상되었고

• 무엇보다 5년 내 진행 위험을 고위험군 50% vs 저위험군 5% 수준으로 명확하게 분리했습니다.

​

여기서 중요한 포인트는 이 모델이 단순히 '잘 맞는다'로 끝나지 않았다는 점입니다.

​

연구진은 모델 개발과 함께 다음을 명시적으로 다룹니다.

1. 어떤 코호트(센터, 인종, 샘플 수)로 학습 및 검증을 했는지

2. 외부 독립 코호트에서도 동일 성능을 내는지

3. 고위험 vs 저위험 구분이 실제로 추적 전략, 치료 전략을 바꿀만큼 의미가 있는지

​

즉, 리스크 모델이 임상 의사결정의 한 축이 될 수 있을 만큼

정량적, 재현성, 임상적 의미를 모두 고려한 설계를 시도한 것입니다.

• ​정밀종양학 리뷰가 제시하는 임상용 AI 모델 체크리스트

2025년 발표된 'AI-driven multi-omics integration in precision oncology' 리뷰는 정밀종양학에서 멀티오믹스 AI를 어떻게 임상에 올릴 것인지에 대한 기준을 제시합니다.

이 리뷰에서 강조하는 핵심 쟁점은 다음 네 가지입니다.

✅ 다기관·외부 검증 (External validation)

• 단일 센터, 단일 코호트 성능만으로는 부족하며,

• 다른 기관·플랫폼에서도 비슷한 성능을 유지해야 한다는 점

​

✅ 설명 가능성 (Interpretability)

• GNN, 트랜스포머처럼 복잡한 모델일수록

• '어떤 유전자·경로·세포 상태가 이 예측에 기여했는지'를 함께 제시해야 합니다.

• 그렇지 않으면 임상의는 모델을 블랙박스로 느끼고 실제 의사결정에 반영하기 어렵습니다.

​

✅ 워크플로우 통합 (Integration into clinical workflow)

• 단순히 '점수'를 주는 것이 아니라

• 예를 들어 5년 내 진행 위험이 40% 이상일 경우, 6개월마다 모니터링을 하고, 10%미만일 경우 연 1회 추적하는 등 명확한 행동 기준과 함께 제공해야 합니다.

​

✅ 규제·윤리·데이터 거버넌스

• 멀티오믹스 AI 모델은 민감 정보(유전체 등)를 사용하기 때문에

• 데이터 보호, 편향(bias), 설명 책임에 대한 프레임도 함께 논의되어야 합니다.

​

요약하면 임상에서 '써도 되는 수준'의 멀티오믹스 AI 리스크 모델이라는 것은 높은 AUC를 가진 모델이 아니라 외부 검증을 통과하고, 설명 가능하며, 의사결정 플로우에 녹아들 수 있는 모델​입니다.

• ​심혈관, 만성질환에서는 어디까지 와 있을까?

암뿐 아니라 심혈관 질환에서도 멀티오믹스와 AI를 결합한 장기 리스크 예측 모델이 등장하고 있습니다.

예를 들어 2026년 Nature Communications에 실린 AI-based multiomics profiling for cardiovascular disease 연구는

• 유전체, 단백질(수천 개), 대사체를 결합해

• 주요 심혈관 사건(심근경색, 뇌졸중 등)에 대한 멀티태스크 AI 리스크 점수를 만들고

• 최대 10~15년 전에 위험을 예측하는 것을 목표로 합니다.

​

이 연구 역시 단순 성능 지표를 넘어서

• 기존 임상 리스크 점수와 결합했을 때 예측력이 얼마나 더 개선되는지

• 각 오믹스(유전체 vs 단백질 vs 대사체)가 서로 어떤 정보를 보완하는지

• 어떤 단백질, 대사체가 리스크에 가장 큰 기여를 하는지까지 제시합니다.

​

이런 연구들은 암 외 영역에서도

멀티오믹스 + AI 리스크 모델이 장기 질환 관리, 예방 전략의 일부가 될 수 있다는 가능성을 보여주고 있습니다.

• ​그렇다면 언제부터 임상에서 써도 되는 수준일까?

정리해보면 멀티오믹스 AI 리스크 모델이 임상에서 써도 된다고 말할 수 있으려면 최소한 다음이 갖춰져야 합니다.

​

✅성능 : 기존 임상 모델 대비 의미 있는 성능 향상(AUC·C-statisitc 등)을 보여줄 것

✅일관성 : 외부 코호트, 다른 센터에서도 비슷한 성능을 유지할 것

✅해석 가능성 : 예측의 근거가 되는 유전자, 경로, 세포, 단백질을 제시해 임상의가 이 결과를 믿을만한지 판단할 수 있을 것

✅임상 워크플로우 내 위치 : 점수에 따라 추적 주기, 검사 전략, 치료 옵션 선택이 어떻게 달라지는지 명시되어 있을 것

✅거버넌스·규제 대응 가능성 : 데이터 보호, 편향 관리, 업데이트 정책 등, 실제 병원·제약사의 규제 요구사항을 충족할 수 있는 구조를 가질 것

​

지금 나와 있는 MGUS,SMM, 정밀종양학, 심혈관질환 멀티오믹스 AI 논문들은 이 체크리스트를 하나씩 채워가며

연구용 알고리즘에서 임상용 도구로 넘어가는 과도기에 있다고 볼 수 있습니다.

​

셀키에이아이는 이런 논문들의 흐름을 바탕으로

단순 모델 성능이 아니라 외부 검증, 설명 가능성, 워크플로우 통합까지 고려한 멀티오믹스 AI 리스크 모델을 지향하고 있습니다.