2026-10-21 · 합성생물학·AI생물정보학

분당차병원, 간암 면역항암제 효과 예측 AI 개발

분당차병원 종양내과 전홍재·병리과 황소현 교수 연구팀이 간세포암 환자에서 아테졸리주맙·베바시주맙 병용요법의 치료 효과를 예측하는 AI 모델 '캡틴(CAPTAIN)'을 개발했다. 캡틴은 CRP, AFP, 혈소판 수, 총빌리루빈, 림프구 수, 호중구 수 등 일반 혈액검사에서 얻을 수 있는 6개 지표를 머신러닝으로 분석해 치료 반응을 예측한다. 연구팀은 국내외 총 737명의 데이터를 분석하였으며, 외부 검증에서 AUC 0.70을 기록해 기존 예후 평가 모델인 CRAFITY, ALBI보다 우수한 성능을 보였다고 보고했다. 해당 연구 결과는 국제학술지 '캔서 커뮤니케이션스'에 게재되었다.

BioIN-뉴스 원문 읽기 ↗

고등학교 생명과학 관련 과목·내용

2022 개정 교육과정에서 이 기사와 연결되는 과목과 내용입니다.

생물의 유전 진로선택: 영역: 생명공학기술
관련 내용: 생명공학기술의 활용
통합과학2 공통: 영역: 과학과 미래 사회
관련 내용: 과학기술과 사회
통합과학1 공통: 영역: 시스템과 상호작용
관련 내용: 생명 시스템

읽는 순서는 자유예요. 궁금한 항목을 바로 열어보세요.

이 기사의 주장은 어디까지 확인됐을까?팩트체크 · 확인된 사실과 더 살펴볼 근거

기사에서 확인된 사실

분당차병원 전홍재·황소현 교수 및 차 의과학대학교 조계훈 박사과정생 연구팀이 AI 예측 모델 '캡틴'을 개발했으며, 연구 결과가 국제학술지 '캔서 커뮤니케이션스'에 게재되었다 (출처: 기사 본문).
캡틴은 CRP, AFP, 혈소판 수, 총빌리루빈, 림프구 수, 호중구 수 등 6개의 일반 혈액검사 지표를 머신러닝으로 분석한다 (출처: 기사 본문).
모델 개발에는 분당차병원과 오스트리아 빈 의과대학교 환자 354명 데이터가 활용되었으며, 외부 검증에는 글로벌 3상 임상시험 참여 환자 99명과 세브란스병원 환자 184명의 데이터가 사용되었다 (출처: 기사 본문).
IMbrave150 데이터 기준 외부 검증에서 AUC 0.70을 기록하였으며, 기존 모델 CRAFITY·ALBI보다 우수한 성능을 보였다고 연구팀이 설명했다 (출처: 기사 본문).
환자군 간 전체생존기간(OS)과 무진행생존기간(PFS)에서 유의한 차이가 확인되었다 (출처: 기사 본문).

아직 불확실한 점

AUC 0.70이 임상 현장에서 실용적으로 충분한 수준인지는 기사 본문에서 명확히 평가되지 않았으며, 의료 AI 분야에서 AUC 기준에 대한 논쟁이 있다 (임상 적용 기준으로 AUC 0.70~0.80 이상을 요구하는 견해도 존재하므로 불확실함).
연구팀이 '향후 추가 임상 검증을 거쳐 예측 도구로 발전시킬 것'이라고 밝혔으나, 실제 임상 적용까지의 검증 과정과 일정은 아직 확정되지 않은 계획이다 (출처: 기사 본문 인용 전홍재 교수 발언).
캡틴의 예측 성능이 CRAFITY·ALBI봅니다 '우수하다'는 주장은 연구팀의 설명에 근거한 것으로, 독립적인 제3자 재현 연구로 확인된 것인지는 기사 본문에서 확인되지 않습니다.

더 확인할 근거

AUC 0.70의 임상적 의미와 충분성에 대해 교사가 추가 설명하는 것이 권장됩니다. 또한 '머신러닝 모델'이 어떤 알고리즘(예: 랜덤포레스트, XGBoost 등)을 사용했는지 기사에 명시되지 않아, 모델의 구체적 원리에 대한 추가 자료 탐색이 필요합니다.

알고 보면 더 재미있는 과학과학이야기 · 핵심 개념어 · 함께 공부하면 좋은 내용

과학이야기

면역체계를 이용해 암을 치료하려는 아이디어는 19세기 말로 거슬러 올라갑니다. 미국의 외과 의사 윌리엄 콜리(William Coley)는 1890년대에 세균 감염 후 일부 암 환자의 종양이 줄어드는 사례를 관찰하고, 세균 혼합물(훗날 '콜리 독소'로 불림)을 암 치료에 시도했습니다. 당시 이 접근법은 주류 의학에서 인정받지 못했으나, 면역계가 암세포를 공격할 수 있다는 착상의 초기 사례로 과학사에 기록되어 있습니다. 면역항암제의 현대적 토대는 1990년대 이후 면역관문(immune checkpoint) 분자의 발견에서 비롯되었습니다. 제임스 앨리슨(James Allison)과 혼조 다스쿠(Tasuku Honjo)는 각각 CTLA-4와 PD-1이라는 분자가 면역세포의 활성을 억제한다는 사실을 발견했으며, 이 연구는 2018년 노벨 생리의학상으로 이어졌다. 이들의 연구를 기반으로 면역관문억제제가 개발되었고, PD-L1을 차단하는 아테졸리주맙도 이 계보에서 탄생했습니다. 혁신적인 발견이 수십 년의 검증 과정을 거쳐 실제 환자 치료로 이어진 사례로, 기초 과학 연구의 임상적 가치를 보여주는 대표적인 역사로 알려져 있습니다.

이 기사를 이해하는 열쇠, 핵심 개념어

면역항암제(면역관문억제제): 암세포가 면역세포의 공격을 피하기 위해 사용하는 '면역 브레이크'를 해제하여, 우리 몸의 면역 세포가 암세포를 스스로 공격하도록 돕는 약물입니다. 아테졸리주맙은 PD-L1이라는 단백질을 차단하는 단일클론항체 기반 면역항암제다.
혈관신생억제제(베바시주맙): 암세포가 성장하려면 새로운 혈관을 만들어 영양분을 공급받아야 합니다. 베바시주맙은 혈관 생성을 촉진하는 단백질(VEGF)을 차단해 암세포로의 혈액 공급을 억제하는 약물입니다.
AUC(ROC 곡선 아래 면적): 머신러닝 분류 모델이 '긍정(예: 치료 반응 있음)'과 '부정(치료 반응 없음)' 사례를 얼마나 잘 구분하는지를 0~1 사이의 숫자로 나타낸 성능 지표다. 1에 가까울수록 예측 정확도가 높으며, 0.5는 무작위 추측 수준을 의미합니다.
머신러닝(Machine Learning): 컴퓨터가 많은 데이터에서 스스로 패턴을 학습해 새로운 데이터에 대한 예측이나 분류를 수행하는 인공지능 기술입니다. 이 연구에서는 혈액검사 수치 데이터로 치료 반응을 예측하도록 학습시켰다.
C-반응성 단백(CRP): 체내 염증이 생겼을 때 간에서 분비되는 단백질로, 혈액 검사를 통해 측정합니다. 수치가 높을수록 염증 반응이 강하다는 것을 의미하며, 암환자의 면역·염증 상태를 반영하는 지표로 활용됩니다.
알파태아단백(AFP): 태아기에 주로 생성되는 단백질로, 성인에게서 혈중 농도가 높으면 간세포암의 가능성을 시사하는 종양표지자로 쓰입니다. 간암 진단 및 치료 반응 평가에 활용됩니다.

지식 연결 개념도

전체 연결을 한눈에 살펴보세요. 글씨가 작으면 크게 보기를 눌러 좌우로 움직이며 읽을 수 있어요.

함께 공부하면 좋은 내용더 이해하고 싶을 때, 배경지식을 이어서 읽어보세요.

이 기사와 직접 연결되는 교과서 단원은 생명과학의 '항상성과 몸의 조절' 영역(특히 선천적·후천적 면역, 항원·항체 반응), '생명 시스템의 구성' 영역(혈액의 구성 성분과 기능), 그리고 생물의 유전의 '생명공학기술' 영역(단일클론항체 기술)입니다. 혈액에서 림프구와 호중구의 역할을 면역 단원과 연결하여 복습하고, AFP가 왜 간암의 종양표지자로 사용되는지를 단백질의 기능 측면에서 이해하면 기사 내용이 더욱 깊게 이해됩니다. 수학과 정보 교과와 연계해서는 확률과 통계(AUC, ROC 곡선, 민감도·특이도)와 인공지능 기초(지도 학습, 분류 알고리즘, 모델 검증 방법)를 함께 공부하면 AI 예측 모델의 작동 원리와 한계를 더 정확하게 이해할 수 있습니다. '실용 통계' 과목에서 다루는 표본 선정과 대표성 개념도 이 연구의 데이터 수집 방식을 비판적으로 평가하는 데 도움이 됩니다. 추천 개념으로는 종양면역학의 면역관문(immune checkpoint), PD-1/PD-L1 신호 경로, 혈관신생(angiogenesis)과 VEGF, 간세포암의 병기 분류(BCLC 시스템), 그리고 임상시험 설계(3상 임상시험의 의미)가 있습니다. 이 개념들을 차례로 정리하면 기사의 과학적 배경 전체를 체계적으로 이해할 수 있습니다.

이 기사에서 시작하는 탐구 질문근거와 개념을 살펴본 뒤, 질문을 골라 나만의 탐구 보고서로 이어가 보세요.

좋은 질문을 만드는 힘도, 질문을 접하고 연습하며 자라요.

다양한 질문을 읽으며 어떤 점이 좋은 질문인지 생각해 보세요. 마음에 드는 질문은 질문함에 모아 두고, 나만의 질문을 만드는 데 참고해 보세요.

읽는 데서 한 걸음 더 나아가, 질문함에서 직접 답변도 적어 보세요. 어떤 근거가 필요한지, 무엇을 비교하거나 확인할 수 있을지 고민하는 과정이 탐구를 배우는 연습이 됩니다. 완벽한 답이 아니어도 괜찮아요.

질문 하나를 골라 담고, 내 생각으로 답해 본 뒤, 새롭게 떠오른 나만의 질문을 적어 보세요.

질문을 구체화하는 방법의 예시

“효과가 있을까?” → “어떤 조건에서, 무엇과 비교했을 때 효과가 달라질까?”

조건과 비교 대상을 정하면 살펴볼 근거가 더 분명해져요. 아래 예시를 보며 내 질문도 만들어보세요.

1.탐구 질문 1: 혈액검사에서 측정하는 CRP, AFP, 림프구 수, 호중구 수는 각각 우리 몸의 어떤 생리적 상태를 반영하는 지표인가? 각 수치가 높거나 낮을 때 신체에서 어떤 일이 일어나고 있는 것인지 정리해 보자.
2.탐구 질문 2: AI 모델의 성능 지표인 AUC 값이 0.70이라는 것은 임상적으로 어떤 의미인가? 기존 예후 평가 모델(CRAFITY, ALBI)과 캡틴의 AUC 값을 비교했을 때 '더 우수하다'고 판단하는 기준은 무엇인지 분석해 보자.
3.탐구 질문 3: 혈액검사 지표 6개 외에 어떤 추가 변수(예: 나이, 암 병기, 다른 혈액 지표 등)를 포함하면 예측 성능이 개선될 수 있을지, 변수 선택의 기준과 방법을 가설로 설계해 보자.
4.탐구 질문 4: AI가 '이 치료는 효과가 낮을 것'이라고 예측했을 때 의사가 그 예측을 그대로 따라 치료를 포기한다면, 이 결정은 윤리적으로 정당한가? 환자의 자율성, 의사의 책임, AI의 역할을 각각 어떤 관점에서 바라볼 수 있는지 토론해 보자.
5.탐구 질문 5: 이 기사에서 보고된 연구의 한계점은 무엇인가? 연구 설계(데이터 출처, 검증 방법, 비교군 설정 등)에서 놓쳤거나 더 보완해야 할 부분을 비판적으로 찾아보자.

이 관심을 나만의 탐구로 이어가려면?학생부 활용 아이디어 · 타교과 연계

탐구의 방향

기사를 단순히 요약하는 수준을 넘어, '혈액 지표가 면역항암제 치료 반응을 예측하는 근거가 무엇인가'라는 질문을 출발점으로 삼아야 합니다. 생명과학 교과의 면역 단원 내용(림프구·호중구의 기능)과 연결하고, AUC 등 AI 평가 지표를 수학적으로 해석하며, 이 기술의 윤리적 한계를 스스로 분석한 과정을 담아야 세특으로서 의미가 생깁니다.

심화 탐구 아이디어 1: 생명과학 교과서에서 림프구(T세포·B세포·NK세포)와 호중구의 역할을 정리한 후, 각각의 수치가 암환자에서 왜 치료 반응과 연관될 수 있는지를 문헌 조사로 가설을 세우고, 이를 표나 개념도로 정리하는 탐구를 수행할 수 있습니다.
심화 탐구 아이디어 2: ROC 곡선과 AUC의 수학적 의미(확률과 통계 단원)를 공부한 뒤, AUC 0.70이 임상에서 충분한 수준인지에 대한 찬반 논거를 의학 문헌(PubMed 등에서 논문 초록 수준으로 검색)과 함께 정리하여 독서 토론과 글쓰기 형태의 보고서로 작성할 수 있습니다.
심화 탐구 아이디어 3: 현대사회와 윤리 교과와 연계하여 'AI 의료 판단의 신뢰성과 의사 결정 책임'을 주제로 토론 자료를 준비하고, 국가생명윤리정책원이나 식약처의 AI 의료기기 가이드라인을 찾아 읽으면서 사회·제도적 맥락과 과학기술을 융합한 탐구 보고서를 작성할 수 있습니다.

활동을 기록하는 문장 예시

직접 수행한 활동을 바탕으로 수정하는 예시입니다. 아직 하지 않은 활동을 수행한 것처럼 쓰지 마세요.

'간암 면역항암제 치료 반응 예측 AI 관련 기사를 접한 후, 혈액 속 림프구와 호중구 수치가 왜 치료 반응과 연관될 수 있는지를 생명과학 교과의 면역 단원과 연결하여 탐구했다.' / 'AUC 0.70이라는 성능 수치의 임상적 의미를 이해하기 위해 ROC 곡선의 수학적 원리를 확률과 통계 내용과 연결하여 정리하고, 의료 AI 분야의 성능 평가 기준에 대한 문헌을 조사했다.' / 'AI 예측 모델이 치료 결정에 활용될 때 발생할 수 있는 윤리적 쟁점(예측 오류 시 책임 소재, 환자 자율성)을 생명윤리 4원칙 관점에서 분석하고 토론 자료로 정리했다.'

다른 교과의 관점으로 살펴보면

연결 과목: 정보 · 인공지능 기초 · 확률과 통계 · 실용 통계 · 수학과제 탐구 · 현대사회와 윤리 · 윤리문제 탐구

정보

머신러닝 모델이 혈액 데이터를 학습해 치료 반응을 분류하는 원리(지도 학습, AUC 등 분류 성능 지표)를 이해하는 데 직접 연결됩니다.

수학

AUC(ROC 곡선 아래 면적), 민감도·특이도, p값 등 AI 모델 성능 평가 지표의 통계적 의미를 확률과 통계 개념으로 해석할 수 있습니다.

윤리

AI 의료 판단의 신뢰성, 오류 발생 시 책임 소재, 환자의 자율성과 의사 결정권 등 생명윤리 쟁점을 현대사회와 윤리 수업과 연계하여 탐구할 수 있습니다.

수학

전체 949명 중 737명을 최종 분석 대상으로 선정한 데이터 전처리 과정, 외부 검증 방법론 등을 실용 통계의 표본 선정·편향 개념과 연결지을 수 있습니다.

이 문제를 다른 입장에서 보면?윤리 쟁점 · 여러 관점과 토론 질문

AI가 환자별 치료 효과를 예측해 치료법 선택에 영향을 미칠 때, 예측 오류로 인한 피해와 의사 결정 책임의 소재를 어떻게 다루어야 하는가?

찬성/지지 입장

일반 혈액검사만으로 추가적인 비용·부담 없이 치료 효과를 미리 예측할 수 있다면, 효과가 낮을 것으로 예측된 환자에게 불필요한 부작용과 경제적 부담을 줄이고 더 적합한 치료를 빠르게 선택할 수 있습니다. 이는 환자의 자율성 존중과 의료 자원의 효율적 배분에 기여한다는 논리다.

반대/우려 입장

AUC 0.70 수준의 예측 모델은 일정 비율의 오분류(예측 오류)를 포함하므로, AI가 '치료 효과 없음'으로 잘못 예측한 환자가 치료 기회를 박탈당할 위험이 있습니다. 또한 AI 예측 결과에 의사나 환자가 과도하게 의존할 경우 임상적 판단이 축소될 수 있으며, 예측 오류 발생 시 책임 소재가 불분명해질 수 있습니다.

헬싱키 선언(임상 연구에서의 환자 보호 원칙), 사전 동의(informed consent) 원칙, 국내 「생명윤리 및 안전에 관한 법률」, 의료기기 소프트웨어(SaMD)에 관한 식품의약품안전처 규정, AI 의료기기 허가·심사 가이드라인

AI가 '이 치료는 효과가 낮을 것'이라고 예측했을 때, 환자는 그 결과를 어느 정도까지 신뢰하고 치료 결정에 반영해야 하며, 최종 결정의 책임은 누구에게 있어야 할까?

읽고 나니, 무엇이 달라졌을까?핵심 정리 · 오개념 · 자기점검

기억할 핵심

캡틴(CAPTAIN)은 특별한 검사가 아닌 일반 혈액검사 6개 지표(CRP, AFP, 혈소판 수, 총빌리루빈, 림프구 수, 호중구 수)를 머신러닝으로 분석해 간세포암 면역항암 병용요법의 치료 반응을 예측하는 AI 모델입니다.
AUC는 AI 분류 모델의 성능 지표로, 0.5는 무작위 추측 수준이고 1에 가까울수록 정확합니다. 캡틴의 AUC 0.70은 기존 모델보다 높은 수치이지만, 임상 적용을 위해 추가 검증이 필요한 단계다.
아테졸리주맙은 암세포의 면역 회피를 차단하는 면역관문억제제(PD-L1 차단)이고, 베바시주맙은 암세포로의 혈액 공급을 막는 혈관신생억제제(VEGF 차단)로, 두 약물은 서로 다른 원리로 암을 억제합니다.

헷갈리기 쉬운 부분

오개념: 면역항암제는 직접 암세포를 죽이는 약이다 → 올바른 이해: 면역항암제는 암세포가 면역세포의 공격을 피하는 '브레이크'를 해제하여 우리 몸의 면역세포가 스스로 암세포를 공격하도록 돕는 약입니다. 직접 암세포를 공격하는 것은 면역세포다.
오개념: AI 모델의 AUC가 높으면 임상에서 바로 사용할 수 있다 → 올바른 이해: AUC는 모델 성능의 한 지표일 뿐이며, 실제 임상 적용을 위해서는 더 많은 환자 데이터를 이용한 독립적인 외부 검증, 안전성 평가, 규제 승인 등 추가 과정이 반드시 필요합니다.

캡틴 모델이 사용하는 6가지 혈액검사 지표를 떠올리며, 각 지표가 우리 몸의 어떤 상태(염증, 면역, 간 기능, 종양)를 반영하는지 자신의 말로 설명할 수 있는가?

이 과학은 실제로 어디에 쓰일까?산업 연계 · 기업과 기관 · 미래 전망

면역항암제 치료 반응 예측 AI는 '정밀의료(precision medicine)' 분야의 핵심 도구로 주목받고 있습니다. 값비싼 면역항암제를 반응 가능성이 높은 환자에게만 선별적으로 처방함으로써 의료비를 절감하고 치료 성과를 높이는 방향으로 활용될 가능성이 제기되고 있습니다. 기사에 따르면 캡틴은 별도의 유전자 검사나 생검 없이 일반 혈액검사만으로 예측이 가능해 실제 진료 현장 도입 가능성이 언급되었으며, 향후 추가 임상 검증을 목표로 하고 있습니다.

시장 동향

글로벌 의료 AI 시장은 지속적으로 성장하고 있으며, 특히 종양학(oncology) 분야 AI 진단·예측 솔루션은 주요 성장 부문으로 꼽히고 있습니다. 구체적인 시장 규모 수치는 기사 본문에 명시되지 않아, 정확한 수치는 Grand View Research, MarketsandMarkets 등 공개 시장조사 보고서에서 확인할 것을 권장한다 (출처: 기사 본문에 미포함, 추가 확인 필요).

미래 전망

연구팀은 향후 추가적인 임상 검증을 통해 캡틴을 환자별 치료법 선택과 맞춤형 치료 전략 수립에 활용 가능한 예측 도구로 발전시키는 것을 목표로 밝혔다(기사 본문 인용). 의료 AI 분야에서는 단일 기관 데이터로 개발된 모델을 더 다양한 인종·지역·병원의 데이터로 검증하는 다기관 전향적 연구가 필요하다는 점이 학계에서 지속적으로 논의되고 있으며, 캡틴 역시 이러한 추가 검증 단계를 거쳐야 실제 임상 적용 가능성을 더 명확히 평가할 수 있을 것으로 제기됩니다. 또한 혈액 기반 바이오마커를 AI로 분석하는 '액체생검(liquid biopsy)' 접근법은 간암 외에도 다양한 암종에서 치료 반응 예측에 활용될 가능성이 제기되고 있으며, 현재 여러 연구팀이 유사한 방식의 예측 모델을 개발 중인 것으로 알려져 있습니다. 국내에서는 식품의약품안전처가 AI 의료기기(SaMD) 허가 가이드라인을 마련하고 있어, 향후 이러한 예측 모델이 의료기기로 공식 허가를 받기 위한 제도적 경로가 형성되고 있는 단계다.

이런 문제를 다루는 사람들은?직업 · 학과 · 진로 탐색

종양내과 전문의

간세포암을 포함한 소화기계 암환자를 진단하고, 아테졸리주맙·베바시주맙과 같은 면역항암제 병용요법의 적용 여부를 결정하며, AI 예측 도구의 임상적 타당성을 평가하는 역할을 합니다.

의료 AI 연구원 / 생물정보학자

혈액검사, 영상, 유전체 등 다양한 의료 데이터를 머신러닝 알고리즘으로 분석하여 치료 반응 예측 모델을 개발하고, AUC 등 성능 지표를 평가하는 연구를 수행합니다.

병리과 전문의

조직 검체와 혈액 검사 결과를 분석하여 암의 진단과 특성 파악에 기여하며, AI 모델이 활용하는 혈액 지표의 임상적 의미를 해석하고 검증하는 데 참여합니다.