인공지능 활용 인체 참조 지도 자동 구축 기술 개발
연구진은 인공지능 기반의 자동화된 프레임워크를 도입하여 인체 참조 지도 구축을 위한 대규모 문헌 분석을 수행했습니다. 방대한 학술 문헌에서 이미지와 메타데이터를 자동으로 추출하여 데이터의 정확성과 효율성을 높였습니다. 해당 연구 결과는 국제 학술지에 게재되었습니다.
주장인체 참조 지도(Human Reference Atlas) 구축을 위해 방대한 학술 문헌 분석이 필요합니다. 수작업 방식은 처리 한계가 명확합니다. 연구진은 문제를 해결하고자 인공지능 기반의 자동화된 데이터 추출 프레임워크인 에이치알에이프투엘엠랙(HRAftu-LM-RAG)을 도입했습니다.
팩트에이치알에이프투엘엠랙은 거대 언어 모델(Large Language Model)을 통한 텍스트 추론과 거대 시각 모델(Large Vision Model)을 통한 이미지 해석 기능을 결합합니다. 검색 증강 생성(Retrieval-Augmented Generation) 기술을 더해 지식의 정확성과 처리 효율성 사이의 균형을 맞춥니다.
팩트연구진은 24만4640건의 펍메드 센트럴(PubMed Central) 학술 문헌을 분석하여 138만9168개의 이미지를 확보했습니다. 현미경 사진과 도식화된 이미지 6만17237개를 식별했습니다.
팩트해당 프레임워크를 통해 33만1189개의 스케일 바와 171만9138개의 생물학적 개체 언급을 자동으로 추출했습니다. 기증자의 성별과 연령 같은 메타데이터를 함께 수집하여 데이터 가치를 높입니다.
주장이번 연구는 인체 조직의 다중 규모 조직을 체계적으로 정리하는 데 기여합니다. 거시적인 장기 시스템부터 미시적인 단일 세포 수준까지의 정보를 통합하는 토대가 됩니다.
교차검증자동화된 추출 과정에서 발생할 수 있는 오류를 최소화하기 위해 검증된 프레임워크를 사용했습니다. 다만 추출된 데이터는 향후 전문가들의 검토와 승인 과정을 거쳐 최종적으로 인체 참조 지도 구축에 반영될 예정입니다.
팩트이번 프로젝트는 헙맵(HuBMAP), 센넷(SenNet), 케이피엠피(KPMP) 등 20개 이상의 국제 컨소시엄이 협력하여 진행합니다. 미국 국립보건원(National Institutes of Health)의 지원을 받아 연구가 수행되었으며, 연구진은 이해 상충이 없음을 명시했습니다.
주장추출된 데이터는 기능적 조직 단위(Functional Tissue Unit) 일러스트레이션을 설계하고 검토하는 자료로 활용됩니다. 인체 참조 지도의 정확성을 높이고 제작 기간을 단축합니다.
팩트본 연구 결과는 2026년 9월 7일 커뮤니케이션즈 바이올로지(Communications Biology) 저널에 게재되었습니다. 연구의 핵심 저자는 인디애나 대학교(Indiana University)의 용신 콩(Yongxin Kong)과 케이티 보너(Katy Borner) 교수입니다.
출처커뮤니케이션즈 바이올로지(https://www.nature.com/articles/s42003-026-10850-4)의 보도를 교차 검증했습니다.
관련 콘텐츠
본 기사는 전문가의 분석과 공개 자료를 기반으로 AI가 작성 후 다른 AI의 검증을 거쳐 작성됐으며 정보의 정확성과 완전성을 보장하지 않습니다. 기사 내용은 특정 투자·의사결정의 권유가 아니며, Wittgenhaus는 이를 근거로 한 행위의 결과에 책임을 지지 않습니다.
