TECH 으로 돌아가기
TECH HACKER NEWS 7분 읽기 73 READS

1형 당뇨 환자가 직접 혈당 예측 모델 15종을 훈련하고 내린 솔직한 결론

1형 당뇨 환자가 직접 혈당 예측 모델 15종을 훈련하고 내린 솔직한 결론
SOURCE IMAGE · HACKER NEWS

혈당을 2시간 뒤까지 미리 내다볼 수 있다면 인슐린 투여나 식사 타이밍을 더 안정적으로 관리할 수 있다. 1형 당뇨를 앓고 있는 개발자 0xdeadf1sh가 공개한 T1DMAI는 바로 이 질문에서 출발한 개인 프로젝트다. 그는 "내 데이터로 혈당 예측 모델을 훈련하면 일상 관리에 도움이 될 수 있을까"를 확인하기 위해, 자신이 만든 모델을 포함해 여러 예측 모델을 한자리에 모아 같은 조건에서 비교하는 일종의 '모델 동물원(model zoo)'을 구성했다. 코드 상당 부분이 AI로 작성됐다는 점을 저자 스스로 밝히고 있는, 전형적인 Show HN 스타일의 실험적 저장소다.

무엇을 만들었나

저자가 직접 설계한 모델은 2시간 앞 혈당을 예측하는 작은 트랜스포머다. 모델 폭(width)이 16이라는 의미에서 D16으로 불리며, 학습 손실 함수에 따라 DILATE를 쓰는 D16 DILATE와 MSE를 쓰는 D16 MSE 두 가지 변형을 뒀다. 흥미로운 지점은 훈련 전략이다. 두 변형 모두 먼저 합성(synthetic) 혈당 궤적으로 사전 학습한 뒤, 실제 데이터에는 LoRA 어댑터를 얹어 가볍게 미세 조정한다. 이 어댑터는 기반 모델을 동결한 상태에서 붙는 랭크 1 구조로, 파라미터가 3,771개에 불과하다. 저장소에는 합성 데이터만으로 학습한 체크포인트(sim only)와 여기에 LoRA를 더한 버전(sim + LoRA)이 함께 들어 있어, 미세 조정이 실제로 성능을 끌어올리는지 어댑터 유무를 나눠 확인할 수 있게 해뒀다.

데이터는 두 갈래다. 하나는 저자 본인의 T1DMDROID 기록 115일치로, 1~80일을 훈련, 81~115일을 테스트로 나눴다. 다른 하나는 9개 연구에서 모은 279명을 테스트로 쓰는 공개 데이터셋 MetaboNet이다. 평가 기준은 임의로 정한 것이 아니라 Jacobs 등이 2024년 IEEE Reviews in Biomedical Engineering에 제시한 권고를 따랐고, 60분 예측 지점에서 각각 9,661건, 264,893건의 예측을 놓고 윌콕슨 검정(절대 오차 기준, 다중 비교를 고려해 유의수준 0.05/25)으로 모델 간 차이를 따졌다.

'전부 별로다'라는 정직한 결론

저자는 결과를 포장하지 않는다. "모든 모델이 별로다(All models suck)"라고 못 박으면서, 그중 가장 나은 것은 XGBoost이고 자신의 모델이 거기에 근접하는 수준이라고 밝힌다. 비교 대상에는 기본 베이스라인뿐 아니라 Chronos-2, TimesFM 2.5 같은 시계열 파운데이션 모델, Chronos-Bolt, N-HiTS 등이 포함됐다. 다만 각 논문이 보고한 RMSE와 이번 실험 수치를 나란히 둔 표가 있더라도, 논문들은 서로 다른 피험자·분할·입력·관측 길이를 쓰기 때문에 같은 조건의 비교가 아니라는 점을 저자는 반복해서 경고한다. 애초에 T1DMAI 자체는 공식 발표된 점수가 없는 연구 산출물이다.

여기서 실무자가 놓치지 말아야 할 것은 두 데이터셋의 성격 차이다. 저자 본인 데이터는 '비맹검(non-blind)'이다. 모델이 인슐린·탄수화물 같은 미래 입력값을 미리 보기 때문이다. 저자 스스로 "이 입력을 가린 채 어댑터를 훈련해야 할 것"이라고 적어, 성능이 실제보다 좋게 나왔을 가능성을 인정한다. 반면 MetaboNet은 '맹검(blind)'으로 처리됐는데, 피험자 대부분이 폐루프 인슐린 펌프를 쓰고 그 펌프의 미래 인슐린이 모델이 보지 못한 혈당에 반응하기 때문이다. 즉 같은 모델이라도 미래 정보 유출 여부에 따라 결과 해석이 완전히 달라진다는 뜻이다.

실무자가 읽어낼 지점

이 프로젝트는 당장 쓸 수 있는 제품이 아니다. 저자도 임상 검증이나 규제 승인이 없는 연구용 산출물이며, 인슐린 용량 계산·조정이나 당뇨 관리 등 어떤 의료적 판단에도 써서는 안 된다고 분명히 선을 긋는다. 그럼에도 참고할 가치가 있는 이유는 방법론의 정직함에 있다. 소형 트랜스포머에 합성 데이터 사전학습과 LoRA 미세 조정을 결합한 설계는 개인 단위의 적은 실측 데이터로 시계열 모델을 다루려는 사람에게 현실적인 템플릿이 된다. 또한 거대 파운데이션 모델을 가져다 쓴다고 전통적인 XGBoost를 반드시 이긴다는 보장이 없다는 점, 그리고 데이터 누수를 통제했는지가 숫자보다 먼저 검토돼야 한다는 점은 의료를 넘어 어떤 예측 과제에도 적용되는 교훈이다.

결국 T1DMAI가 보여주는 것은 성공담이라기보다, 개인이 자신의 생체 데이터로 모델을 만들 때 부딪히는 한계의 지도에 가깝다. 작은 모델이 대형 모델에 크게 뒤지지 않는다는 사실은 고무적이지만, '별로다'라는 저자의 평가는 혈당 예측이 여전히 임상에 바로 올리기 어려운 문제임을 드러낸다. 코드는 MIT 라이선스로 공개돼 있고, 합성 데이터 생성기 T1DMSIM, 데이터 수집 도구 T1DMDROID, 공통 모듈 T1DMCOMMON 등 주변 도구와 함께 쓰도록 설계돼 있어, 비슷한 실험을 재현하거나 평가 설계를 들여다보려는 이들에게 참고점이 될 만하다.

SOURCE · HACKER NEWS
원문 전체 보기 → https://github.com/0xdeadf1sh/T1DMAI
SHARE
NEXT · CHOOSE

변화를 읽었다면,
내가 만들 수익 구조를 고릅니다.

정보를 더 모으는 데서 멈추지 않고, 광고·외주·판매·중개·구독 중 내 상황에 맞는 출발점을 정해보세요.

21가지 수익 구조 살펴보기 →
처리 중...