OpenAI와 Boston Children’s Hospital, Harvard 연구진이 NEJM AI에 발표한 이번 연구는 의료 AI를 둘러싼 과장된 상상과 조금 다른 장면을 보여준다. 제목만 보면 AI가 아이들의 희귀 유전질환을 진단했다는 이야기처럼 보이지만, 실제 핵심은 “이미 풀리지 않았던 케이스를 어떻게 다시 읽을 것인가”에 더 가깝다.
연구진은 기존 분석에서 해결되지 않았던 376건의 소아 희귀질환 사례를 대상으로 OpenAI o3 Deep Research reasoning model을 사용했다. 각 사례에는 Human Phenotype Ontology로 정리된 임상 특징, 일부 임상의 노트, 나이와 성별 같은 메타데이터, 그리고 variant의 희귀도·단백질 영향 예측·ClinVar 분류·가족 구성원별 signal quality가 포함됐다. 모델은 이 정보를 바탕으로 가장 plausible한 molecular explanation을 제안하고, 임상 특징과 유전 양식, variant evidence, 문헌 근거를 연결한 설명을 만들었다.
중요한 것은 그 다음 단계다. 모델 출력은 진단이 아니라 후보 가설이었다. 연구자와 임상의는 ACMG/AMP 기준으로 이를 검토했고, 최소 두 명 이상이 후보를 확인했으며, 필요한 경우 추가 검사와 CLIA 인증 실험실 확인을 거쳤다. 가족에게 실제로 반환된 결과만 최종 진단으로 계산됐다. 그 결과 376건 중 18건, 즉 4.8%의 추가 진단이 확인됐다.
4.8%는 화려한 숫자가 아니다. 하지만 이 사례들은 이미 여러 전문 파이프라인과 다학제 검토를 통과한 뒤에도 남아 있던 미해결 케이스였다. neurodevelopmental cohort에서는 100건 중 10건, neuromuscular disease에서는 61건 중 4건이 새롭게 확인됐다. early psychosis 사례 중 하나에서는 모델이 chromosome 22의 낮은 품질 call 패턴과 심장·면역·신경발달·정신과적 특징을 연결해 22q11.2 deletion 가능성을 제시했고, 후속 genome sequencing으로 DiGeorge syndrome 관련 변이가 확인됐다.
이 연구가 던지는 질문은 의료 AI의 “자율성”이 아니라 병원의 “재분석 능력”이다. 환자의 유전체는 크게 바뀌지 않아도, gene-disease relationship, variant classification, case report, 공공 데이터베이스는 계속 바뀐다. 과거에는 의미 없던 단서가 몇 년 뒤에는 진단의 실마리가 될 수 있다. 따라서 희귀질환 reanalysis는 일회성 연구가 아니라, 계속 움직이는 지식 기반과 오래된 환자 기록을 맞춰보는 유지보수 작업이 된다.
그래서 이번 사례의 의미는 조심스럽지만 실용적이다. AI가 임상의 판단을 대신하는 것이 아니라, 설명 가능한 후보를 만들고 전문가가 다시 볼 우선순위를 제공한다. 의료 현장에서 먼저 자리 잡을 AI는 “결정권자”보다 “근거 있는 재검토 큐를 만드는 시스템”일 가능성이 크다. 희귀질환처럼 데이터가 흩어져 있고 지식이 빠르게 변하는 영역에서는 그 차이가 작지 않다.