현대 의학은 더욱 개인적이고 시스템적으로 변화하고 있는 추세이다. 의학적인 다양한 요소들을 시스템 네트워크적 요소들로 발전시키면서 다양한 연구가 생겨났다고 한다. 논문의 목표는 Digital Twin 기술을 사용해서 모델링하고, 가상의 개인 신체를 통해 특정 치료로서 어떠한 변화가 있는지 monitoring 하는 것이라고 하셨다.
발표해 주신 본 논문에서 제시하는 방법으로는 1. 현대 의학에서의 결과가 정확해지기 위해서는 사람 몸에 대한 복잡한 데이터를 '통합적'으로 다루어야 하고 2. 예측 모델을 만들 때 더 많고 다양한 관측값이 존재해야 한다는 것이었다.
아래의 내용을 특히 중요한 부분으로 느꼈다.
논문에서 사용한 method로는 Digital Twin, GNN, GAN 기술이었는데, 세 가지 기술은 의학에서 필히 고려되어야 하는 많은 부분을 고려하지 않은 method로 제시되었기 때문에 기술적인 측면에서만 의의가 있으며, 의학에서는 global application을 찾기가 더욱 어렵다고 말씀해주셨다.
발표 잘 들었습니다. 감사합니다!

오늘 발표는 수빈이가 환자의 임상 데이터를 graph화 하여 graph 기반 method들로 데이터들간의 관계성을 분석하는 내용의 논문을 리뷰하였다. 전체적인 graph 기반 접근부터 의미가 있다고 생각이 들었다. 인체의 모든 장기들은 서로 유기적인 관계가 있으며 끊어지는 부분 없이 서로 크고 작은 상관성을 가지고 있을 것이라 추측된다. 의학적인 지식이 없어도 graph 기반 분석을 통해 노드들간의 관계성을 예측 및 분석을 한다는 것이 흥미로웠다. 특별히 여기서 digital twin 모델링이 나온다. digital twin이란 3D 이미지로 구현되던 자동차, 건물, 환경에 대한 디지털 방식의 재현을 말한다. 단순 표면에 대한 모델링이 아닌 내부에 세부적인 부분들까지 한눈에 가시화 할 수 있는 기술이다. 일반적으로 건축 분야나 기계 분야에서 많이 사용이 되고 있다. 그런데 이러한 모델링 방법을 본 논문에서는 인체에 적용하여 내부 유기적으로 연결되어 있는 여러 장기들 사이에 어떠한 관계성을 가지는지 분석하였다. 그런데 한 가지 궁금한 점은 GNN 기반 분석을 수행할 때, 신체 구조상 가까운 node라고 해서 무조건 큰 영향을 끼치지는 않을 것이라 추정된다. neighbor node가 아닌 멀리 있는 node라도 강한 상관관계를 가질 수도 있을 것 같다. 해부학적 정보가 반영되는 부분도 고려가 된다면 더 의미있는 GNN 기반 분석이 이루어지지 않을 것이라 기대된다.

해당 발표는 환자에게 개인화되고 정확한 치료를 제공하기 위해서 사람의 인체 전체를 모델링하고 개인의 상태에 대한 전반적인 뷰를 제공하는 디지털 트윈을 제공한다는 내용의 논문이었다. 본 프레임워크에서는 GAN 모델과 GNN 모델을 결합하여 환자에게 주요하게 작용하는 변수에 대해 모니터링하고 예측해서 현재나 미래의 환자 상태에 대한 확인이 가능하게 한다. Generative 모델은 현실에서는 관찰되지 않는 synthetic 데이터를 생성하는데 사용 되며, 극히 드문 임상 시나리오의 시뮬레이션에 사용될 수 있다. 논문에서는 이 방법이 의사가 상세하고 현실적인 방식으로 환자에 대해 개인적인 치료가 가능한 유연한 프레임워크가 될 수 있다고 제안하지만 특히 임상에서는 synthetic 데이터를 사용하는 부분에서 현재로는 불가능하다고 보인다. 본 논문은 수빈이가 발표에서 언급했던 것처럼 총 6개에 해당하는 특징들에 대해서는 주의 깊게 살펴볼만하지만 새롭게 제안된 기법이 있는 것도 아니며 현실적으로는 불가능한 내용들에 가까워 그러한 부분이 아쉽게 느껴진다.