전임상 데이터로 학습한 머신 러닝 모델의 초음파 안전제어 프레임워크
현대 의학에서 혈뇌 장벽(BBB)은 외부 물질로부터 뇌를 보호하는 필수적인 역할을 하지만, 동시에 뇌 질환 치료를 위한 약물 전달의 가장 큰 걸림돌이 되기도 합니다. 이를 해결하기 위해 마이크로버블을 주입하고 집속 초음파를 조사하여 일시적으로 장벽을 여는 집속 초음파(MB-FUS) 기술이 주목받고 있습니다. 그러나 기존 시스템은 마이크로버블 붕괴로 인한 손상 신호가 감지된 후에야 작동을 멈추는 사후 대응 방식에 의존해 왔습니다. 이러한 반응형 제어는 치료 과정에서 미세한 뇌 손상이 누적될 수 있다는 치명적인 한계를 지니고 있었습니다. 연구진은 이러한 안전성 문제를 해결하기 위해 머신러닝을 활용하여 마이크로버블 붕괴를 사전에 예측하는 새로운 프레임워크를 개발했습니다. 약 100마리 이상의 실험 동물로부터 얻은 54,000건의 방대한 조사 데이터를 바탕으로 다층 퍼셉트론(MLP) 모델을 학습시킨 결과, 실제 붕괴가 일어나기 전 90% 이상의 확률로 위험 상황을 감지해내는 데 성공했습니다. 이는 과거의 데이터 패턴을 분석하여 다음 순간의 마이크로버블 상태를 예측함으로써, 손상이 발생하기 전 선제적으로 압력을 조절할 수 있는 능동적인 안전 제어의 기틀을 마련한 것입니다. 모델의 의사결정 과정을 해석하기 위해 SHAP 수치를 도입한 결과, 초음파 압력 외에도 마이크로버블의 운동성과 종양의 존재 여부가 예측의 핵심 지표임이 밝혀졌습니다. 특히 종양 부위의 비정상적인 혈관 구조는 마이크로버블의 불규칙한 운동을 유발하는 주요 변수로 작용합니다. 단순히 일률적인 물리 값을 적용하는 것이 아니라 생체 내부의 복잡한 환경 변화를 실시간 데이터로 파악함으로써 더욱 정교한 제어가 가능해진 것입니다. 이러한 데이터 기반의 통찰은 개별 환자의 생체 반응에 맞춘 정밀 의료를 구현하는 데 중요한 밑거름이 됩니다. 새롭게 고안된 능동적 머신러닝 폐회로 제어(MLCL) 시스템은 기존 방식보다 훨씬 안전하면서도 효율적인 치료 성과를 증명했습니다. 실험 결과에 따르면 MLCL은 조직 손상을 최소화하면서도 가용 초음파 압력 범위를 300% 확장시켰으며, 결과적으로 혈뇌 장벽(BBB) 투과율을 약 190% 향상시키는 성과를 거두었습니다. 위험 징후가 포착되면 마치 신호등처럼 미리 경고를 보내 출력을 제어하는 유연한 프레임워크 덕분에, 안전성을 완벽하게 담보하면서도 치료 효과를 극대화할 수 있는 새로운 기술적 경로가 확보된 셈입니다. 이 기술은 약물 전달의 효율성을 높이는 것을 넘어 정밀 진단 영역인 액체 생검으로까지 활용 범위를 넓히고 있습니다. 120nm 크기의 거대 나노입자를 뇌 특정 부위에 정밀하게 전달함은 물론, 종양 유래 단백질이나 DNA를 혈액으로 안전하게 방출시켜 비침습적인 방식으로 질병을 진단하는 데에도 성공했습니다. 일관된 캐비테이션 상태를 유지해 주는 능동형 제어 기술은 향후 풍부한 임상 데이터와 결합될 경우, 뇌 질환 치료와 진단의 패러다임을 바꿀 획기적인 임상 도구로 자리매김할 것으로 기대됩니다.
