활짝 열린 눈: 카파시의 오토리서치 프레임워크, 녹내장 연구 민주화의 길을 열다 — 환자 주도 AI 기반 시력 회복 연구의 청사진

활짝 열린 눈: 카파시의 오토리서치 프레임워크가 녹내장 연구를 어떻게 민주화할 수 있는가

서론

녹내장은 **망막 신경절 세포(RGC)**를 점진적으로 파괴하여 비가역적인 시력 상실로 이어지는 만성 시신경병증입니다. 2013년에는 전 세계적으로 약 6,430만 명에게 영향을 미쳤으며, 2040년에는 1억 1천만 명 이상으로 증가할 것으로 예상됩니다 (physionet.org). 우려스러운 점은 시력 상실이 이미 시작된 후에야 전체 사례의 약 절반이 진단되지 않은 채로 남아 있다는 것입니다 (physionet.org). 전통적인 녹내장 치료는 약물이나 수술을 통해 **안압(IOP)**을 낮추는 데 중점을 두지만, 이러한 치료법으로는 손상을 되돌리거나 실명을 완전히 예방할 수 없습니다 (pmc.ncbi.nlm.nih.gov) (physionet.org). 결과적으로, 신경 보호, RGC/시신경 재생, 혁신적인 유전자 및 세포 치료법과 같은 분야에서 새로운 발견에 대한 시급한 필요성이 있습니다. 그러나 이러한 분야에 대한 학술 및 제약 연구는 장기적이고 위험 부담이 크다는 부분적인 이유로 인해 자원이 부족한 상태입니다. 한편, 머신러닝(ML) 및 **인공지능(AI)**의 발전은 데이터 분석 및 생성적 설계에 대한 새로운 접근 방식을 가능하게 하고 있습니다.

최근 연구 (예를 들어, Andrej Karpathy의 “오토리서치” 프로젝트 (www.theneuron.ai) (medium.com))는 AI 에이전트가 간단한 상위 수준의 지시만으로 단일 GPU에서 수백 가지의 소규모 실험을 자율적으로 실행할 수 있음을 시사합니다. 이 패러다임에서, 인간은 연구 목표를 설명하는 짧은 program.md를 작성하고, AI 에이전트는 모델 또는 하이퍼파라미터를 반복적으로 조정하며 5분간의 훈련을 실행하고, 성공적인 변경 사항은 유지하고 다른 것들은 폐기합니다 (medium.com) (www.theneuron.ai). 밤새도록 이 루프는 수동 코딩 없이 아키텍처 및 파라미터 공간을 탐색하는 약 100가지 실험을 수행할 수 있습니다.

본 기사는 Karpathy의 오토리서치 프레임워크가 열정적인 환자, 간병인, 시민 과학자 및 오픈소스 개발자들에 의해 녹내장 연구에 어떻게 적용될 수 있는지 탐구합니다. 우리는 덜 탐구된 녹내장 연구 분야(신경 보호, 재생 등)를 조사하고, 각 영역에서 소규모 모델 실험이 실질적으로 도움이 될 수 있는 머신러닝 작업을 식별할 것입니다. 각 작업에 대해 특정 공개 데이터셋, 기준 모델/아키텍처, 평가 지표를 제안하고 에이전트의 program.md 지침이 어떻게 구성될 수 있는지 설명합니다. 그런 다음 하드웨어 고려 사항, 데이터 준비 및 협업 플랫폼을 포함하여 커뮤니티가 이러한 실험을 설정하고 공유하기 위한 실제적인 단계를 논의합니다. 우리는 시력 회복 치료법의 특정 맥락과 오토리서치 방식의 루프가 신경 보철 또는 기타 개입의 최적화를 가속화할 수 있는지 여부를 살펴봅니다. 마지막으로, 시민이 생성한 가설이 어떻게 검증되고 임상의에게 전달될 수 있는지 다루고, "연구 극장"의 함정을 피하고 실제적인 영향을 보장하는 방법을 포함하여 환자 주도 오토리서치 이니셔티브를 시작하기 위한 구체적인 90일 로드맵을 제시합니다. 전체적으로 우리는 녹내장 연구 및 시력 분야 AI에 대한 최신 출처를 인용하여 균형 잡히고 현실적이며 접근 가능한 가이드를 제공하고자 합니다.

1. 녹내장 연구 환경 및 미충족 요구

녹내장 연구는 질병 메커니즘 이해부터 신경 보호 및 시력 회복을 위한 새로운 치료법 개발에 이르기까지 여러 전선에 걸쳐 있습니다. 많은 유망한 분야들이 자원 부족을 겪고 있습니다.

• 신경 보호: 안압(IOP)과 무관하게 RGC가 죽는 것을 보호하는 개입. 신경영양 인자 및 대사 지원이 그 예입니다. 예를 들어, 섬모신경영양인자(CNTF)를 방출하는 임플란트는 초기 임상 시험에서 잠재력을 보였으며 (pmc.ncbi.nlm.nih.gov), 신경 성장 인자 및 시티콜린과 같은 다른 분자들도 연구되고 있습니다 (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov). 그러나 이들은 아직 표준 치료법이 아니며, 환자에게 적용하기 위해서는 더 많은 연구가 필요합니다. 2025년 한 검토 보고서는 신경 보호 녹내장 치료법이 추가 임상 시험이 필요한 “미래 치료법”이라고 경고하며 (pmc.ncbi.nlm.nih.gov), 미충족 수요를 반영하고 있습니다.

• RGC 재생 및 시신경 재생: 일단 RGC와 그 축삭이 죽으면, 현재 의학으로는 이를 되돌릴 방법이 없습니다. 일부 동물 연구에서는 유전자 치료를 사용하여 RGC를 재프로그래밍하거나 재성장을 촉진합니다. 예를 들어, PTEN(음성 성장 조절자)의 CRISPR 기반 억제는 쥐 신경 세포에서 축삭 재성장을 촉진했으며 (pmc.ncbi.nlm.nih.gov), PTEN과 SOCS3를 동시에 삭제하는 실험은 생쥐에서 지속적인 시신경 재생을 유도했습니다 (pmc.ncbi.nlm.nih.gov). 그러나 이러한 혁신은 여전히 실험실 모델에 머물러 있습니다. 망막 발달을 재현하거나 성장 억제제를 우회하는 방법과 같은 기저 생물학은 복잡합니다. RGC 생존 또는 축삭 재성장을 자극할 수 있는 양식(저분자, 유전자, 생체 재료)에 대한 엄청난 수요가 있지만, 인간 임상 시험으로의 진전은 느립니다.

• 유전자 및 세포 치료법: CRISPR, 바이러스 벡터, 줄기세포 유래 RGC와 같은 새로운 기술은 녹내장에 대한 희망을 제시합니다. 전략에는 안압을 낮추기 위한 유전자 편집(예: 방수 생성 표적화) 또는 신경 퇴행 경로 조절이 포함됩니다 (pubmed.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov). 줄기세포는 (이론적으로) 손실된 섬유주 세포 또는 RGC를 대체하고 보호 인자를 분비할 수 있습니다 (pubmed.ncbi.nlm.nih.gov). 초기 연구에서는 특정 전사 인자(예: Oct4-Sox2-Klf4)가 생쥐에서 비-RGC를 RGC와 유사한 뉴런으로 재프로그래밍할 수 있음(시신경 손상 시 시력 회복)을 보여주었습니다 (pmc.ncbi.nlm.nih.gov). 그러나 이러한 접근 방식은 환자에게 도달하기 전에 안전성 및 전달 문제에 직면합니다. 여러 최근 검토 보고서는 유전자 치료가 녹내장에 대한 흥미롭지만 아직 임상 단계는 아닌 최전선이라고 강조합니다 (pubmed.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov). 요컨대, 분자 및 세포 혁신은 진전되고 있지만, 자원과 임상 시험 데이터가 제한적이며 – 이는 계산적 탐색(예: 최적의 바이러스 구조 설계 또는 효과적인 유전자 편집 예측)의 기회를 창출합니다.

• 시력 회복을 위한 전기 및 광유전학적 자극: 진행성 녹내장(또는 망막색소변성증과 같은 복합 질환) 환자의 경우, 인공 시각 보철 또는 광유전학 치료는 손상된 RGC를 우회하는 것을 목표로 합니다. 망막 임플란트(망막상 또는 망막하 전극 배열) 및 피질 임플란트는 인공적인 지각(“광시증”)을 생성했지만, 해상도가 낮고 결과가 크게 다릅니다. 시각 보철의 AI에 대한 최근 2025년 검토 보고서는 *“AI 알고리즘은 특히 향상된 이미지 현저성 추출 및 자극 전략을 통해 보철 시력을 최적화하는 데 유망함을 보여준다”*고 언급하지만, 현재까지 대부분의 연구는 시뮬레이션입니다 (pmc.ncbi.nlm.nih.gov). 즉, 머신러닝은 카메라 이미지를 장치 한계를 고려할 때 가장 정보가 풍부한 자극 패턴으로 변환하는 데 도움을 줄 수 있습니다. 광유전학(생존 망막 세포를 빛에 민감하게 만듦) 및 경각막 전기 자극(TES) 펄스 또한 녹내장 관련 시력 상실에 대해 임상 시험 중입니다. 이 모든 영역은 광범위한 파라미터 튜닝(예: 자극의 시공간 패턴, 유전자 발현 벡터)을 필요로 하며 — 이는 자율 ML 탐색에 잠재적으로 적합한 작업입니다.

• 안압 독립적 메커니즘: 많은 사람들이 안압이 잘 조절됨에도 불구하고 시력을 계속 잃고 있습니다. 안구 혈류 장애, 신경혈관 기능 장애 또는 시신경 유두의 대사 스트레스와 같은 요인들은 인식되고 있지만 완전히 이해되지는 않았습니다. 유전 연구는 녹내장 위험의 상당한 “안압 독립적” 구성 요소를 시사합니다 (pubmed.ncbi.nlm.nih.gov) (pubmed.ncbi.nlm.nih.gov). 이러한 과정(압력 외)의 바이오마커가 시급히 필요합니다. 또한, 녹내장 환자의 절반은 “정상 안압” 녹내장으로, 높은 안압이 유일한 원인이 아님을 강조합니다. 혈관 요인 또는 다른 손상 경로에 대한 연구는 진행 중이지만 파편화되어 있습니다. 이 분야에서 전산 모델링 또는 대규모 데이터셋(예: 게놈 전체 연관 연구) 마이닝은 새로운 메커니즘 또는 치료 표적을 식별하는 데 도움이 될 수 있습니다.

• 영상 및 시야를 통한 바이오마커 발견: 녹내장의 조기 발견 및 모니터링은 종종 영상(안저 사진, OCT) 및 기능 검사(시야)에 의존합니다. 고급 알고리즘은 인간 임상의가 놓칠 수 있는 미묘한 바이오마커를 발견할 수 있습니다. 예를 들어, 딥러닝은 전주변 시야 손실(표준 시야 분석으로는 보이지 않는 변화)을 감지하기 시작했습니다 (pmc.ncbi.nlm.nih.gov). 유사하게, AI는 OCT 층 두께 프로필을 분석하여 명백한 손상이 발생하기 전에 녹내장을 예측하는 데 사용되었습니다. 그러나 선별 또는 위험 계층화를 위해 임상적으로 사용되는 널리 받아들여지는 AI 바이오마커는 아직 없습니다. 여기서 계산 병목 현상은 크고 잘 레이블링된 데이터셋과 강력한 검증 프로토콜의 필요성을 포함합니다 (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov). 공개 챌린지(REFUGE, AIROGS 등)는 데이터 표준화를 시작했지만, 초기 단계 질병의 커버리지는 부족합니다 (pmc.ncbi.nlm.nih.gov). 추가적인 기계 주도 다중 모드 바이오마커(OCT, 시야, 유전학 등 결합) 발견은 여전히 미개척 분야입니다.

소규모 모델 ML은 어디에 도움이 될까요? 위에서 설명한 대부분은 상위 수준의 문제입니다. 병목 현상은 종종 데이터 부족, 많은 상호 작용 변수, 그리고 느리게 움직이는 생물학에 있습니다. 오토리서치 에이전트가 빛을 발하는 곳은 사용 가능한 데이터에 대한 소규모 실험을 자동화하는 것입니다. 예를 들어, 초기 녹내장이 있는 OCT 스캔과 없는 OCT 스캔의 적당한 데이터셋이 있다면, 시민 과학자는 어떤 아키텍처가 이들을 가장 잘 구별하는지 찾기 위해 빠른 모델 테스트 루프를 설정할 수 있습니다. 마찬가지로, 유전체학 또는 문헌의 작은 트랜스포머는 새로운 유전자 또는 약물 후보를 제안할 수 있습니다. 핵심은 정의된 지표(분류 정확도, AUC, 손실)를 가진 좁은 작업에 집중하고 빠르게 반복하는 것입니다. 공개 데이터가 제한적인 영역(예: TES 파라미터 또는 새로운 유전자 칵테일)은 합성 데이터 또는 프록시에 의존할 수 있습니다. 다음 섹션에서는 녹내장의 특정 ML 작업을 오토리서치 접근 방식에 매핑합니다.

2. 오토리서치를 녹내장 문제에 매핑하기

Karpathy의 오토리서치 프레임워크는 도메인에 구애받지 않습니다: 잘 정의된 평가 지표를 가진 prepare.py 및 train.py가 제공하는 모든 ML 작업에서 실험을 실행할 수 있습니다. 우리는 몇 가지 구체적인 녹내장 관련 작업을 식별하고 에이전트가 각각을 어떻게 해결할 수 있는지 지정합니다. 아래의 각 사용 사례에는 다음이 포함됩니다: 공개적으로 사용 가능한 데이터셋(가능한 경우), 시작 모델 또는 아키텍처, 평가 지표, 그리고 program.md 지침의 개요.

2.1 OCT 이미지 분석 (구조적 감지 및 분할)

• 작업: OCT 스캔을 통한 초기 녹내장 감지. OCT 영상은 망막층의 단면도를 제공합니다. 망막 신경 섬유층(RNFL) 및 **신경절 세포 복합체(GCC)**의 얇아짐은 시야 손실에 선행할 수 있습니다. 우리는 이를 분류 작업(녹내장 vs 건강) 또는 회귀(예: RNFL 두께 출력)로 처리할 수 있습니다.

  • 데이터셋: 최근 출시된 SYN-OCT (www.nature.com)는 GAN에 의해 생성된 200,000개의 유두주위 OCT 이미지(녹내장 10만 개, 정상 10만 개)의 합성 데이터셋입니다. 각 이미지에는 관련 RNFL 두께 및 분할 마스크가 있습니다. 이들은 Zenodo에서 공개적으로 사용할 수 있습니다 (www.nature.com). (합성 데이터임에도 불구하고 실제 OCT를 모방하도록 통계적으로 검증되었습니다 (www.nature.com).) 대안으로, OCT-DL 데이터셋 (www.nature.com) (다양한 망막 질환의 2064개 이미지) 또는 더 작은 임상 OCT 컬렉션을 사용할 수 있습니다.
  • 모델: 작은 컨볼루션 신경망(CNN)으로 시작합니다. 분류의 경우, 약 3-5개의 컨볼루션 레이어를 가진 모델(예: ResNet-18을 잘라낸 것과 유사하거나 사용자 정의된 작은 CNN)이 작동할 수 있습니다. RNFL/GCC 분할의 경우, 작은 U-Net(깊이 3-4)과 같은 인코더-디코더가 적합합니다. 초기 train.py는 기본 하이퍼파라미터와 함께 간단한 CNN 및 훈련 루프를 구현할 수 있습니다.
  • 지표: OCT에서 녹내장 분류를 수행하는 경우, 검증 분할에서 AUC (ROC 곡선 아래 면적) 또는 정확도를 사용합니다. 분할의 경우, RNFL 층 마스크에 대해 Dice 계수 또는 IoU를 사용합니다 (SYN-OCT는 마스크를 제공합니다 (www.nature.com)).
  • 예시 program.md:

    "목표: OCT 이미지에서 녹내장 감지를 위한 검증 AUC를 최대화합니다. 허용되는 수정 사항: 컨볼루션 레이어 수, 필터 수, 커널 크기, 활성화 함수, 학습률, 옵티마이저 선택, 배치 크기 등. 각 5분 훈련 실행 후, 보류된 세트에서 AUC를 평가합니다. AUC가 개선되면 변경 사항을 유지하고, 그렇지 않으면 되돌립니다." (medium.com) (www.theneuron.ai).
    에이전트는 따라서 AUC를 개선하기 위해 변형(예: 레이어 추가, 너비 조정, Adam에서 RMSProp으로 전환)을 시도할 것입니다.

• 작업: RNFL/GCC 층 분할. RNFL 두께를 정밀하게 측정하는 것은 매우 중요합니다. 합성 OCT 스캔(제공된 분할 포함) 또는 주석이 달린 층을 가진 실제 OCT를 사용하여 이를 분할 작업으로 구성할 수 있습니다.

  • 데이터셋: SYN-OCT는 다시 RNFL 분할 마스크를 제공합니다 (www.nature.com). 다른 출처: 일부 학술 그룹은 OCT B-스캔에 레이블을 지정했지만(종종 독점적임), 필요한 경우 Duke 망막 OCT 유체 챌린지 (www.nature.com)와 같은 일반 OCT 분할 데이터셋을 프록시로 사용할 수 있습니다.
  • 모델: 작은 U-Net과 유사한 CNN, 아마도 기준선에서 채널을 잘라낸 것일 수도 있습니다. 예를 들어, 16개 필터로 시작하여 3개의 다운/업 블록을 사용합니다. 에이전트는 깊이와 너비를 변경할 수 있습니다.
  • 지표: 예측된 RNFL 마스크와 실제 마스크의 Dice 점수 또는 평균 IoU.
  • 예시 program.md:

    "목표: OCT에서 RNFL 층 분할을 위한 Dice 점수를 최대화합니다. 기본 모델은 3블록 U-Net입니다. 에이전트는 필터 수를 변경하거나 드롭아웃을 추가하거나 학습률을 변경할 수 있습니다. 각 시험은 5분 동안 훈련하고 검증에서 Dice를 계산합니다. Dice를 증가시키는 수정 사항은 유지합니다."

• 작업: 연속 OCT를 통한 진행 예측. 연속 OCT를 사용하여 미래의 얇아짐을 예측합니다. 종단적 OCT 데이터(예: UK 바이오뱅크 또는 개인 클리닉 데이터)가 존재한다면, 목표는 RNFL 변화 또는 이진 “빠른 진행자” 레이블을 예측하는 것일 수 있습니다.

  • 데이터셋: 녹내장 특정 공공 종단적 OCT 데이터는 부족합니다. 그러나 SR OCT 챌린지 데이터(또는 시뮬레이션된 진행이 포함된 SYN-OCT 이미지)를 재활용하여 이 작업을 시뮬레이션할 수 있습니다. 대안으로, UK 바이오뱅크 OCT 이미지(녹내장 특이적이지 않고 시민 과학자가 쉽게 접근할 수 없음)를 사용할 수 있습니다. 설명을 위해, 레이블이 있는 시간0 및 시간1의 OCT 스캔 데이터셋을 가정합니다.
  • 모델: OCT 이미지 쌍을 입력으로 받아 진행 확률을 출력하는 Siamese 또는 연결된 CNN. 시간0을 입력하고 시간1 임계값을 예측하는 것으로 시작합니다.
  • 지표: 이진 진행 분류를 위한 AUC 또는 두께 변화를 예측하려는 경우 MSE.
  • 예시 program.md:

    "목표: 빠른 RNFL 손실이 발생할 눈을 식별합니다. 입력: 기준 OCT; 레이블: 1년 후 >5μm 얇아짐. CNN 분류기를 사용합니다. 허용되는 변경 사항에는 네트워크 깊이, 학습률, 증강이 포함됩니다. 검증 AUC를 지표로 사용합니다."

2.2 시야 (VF) 분석

• 작업: 미래 시야 손실 예측. 하나 이상의 과거 Humphrey 시야 검사(점별 감도 값)를 사용하여 미래의 감도 또는 진행 속도를 예측합니다. 이는 고전적인 녹내장 관리 문제입니다.

  • 데이터셋: GRAPE 데이터셋 (www.nature.com) (2023)은 VF 및 안저/OCT가 있는 263개 눈(1115개 기록)에 대한 종단적 추적 관찰을 제공하며, 주석이 달린 진행을 포함합니다. 다른 자료는 미국 UH 시야(UWHVF) 종단 데이터베이스 (www.nature.com) (많은 환자의 28,943개 시야)입니다. 그러나 GRAPE는 VF와 결과 모두 잘 정리되어 공개되어 있습니다.
  • 모델: 간단한 접근 방식은 54점 VF 데이터(또는 전역 인덱스로 압축)에 대한 피드포워드 네트워크(완전 연결)입니다. 진행 예측을 위해 더 작은 MLP 또는 1D-CNN이 54개 또는 30개의 입력 특성을 처리할 수 있습니다. 또 다른 아이디어는 8x8 그리드를 작은 이미지로 처리하고 작은 CNN(예: 3x3 커널)을 사용하는 것입니다.
  • 지표: 미래의 평균 편차 또는 점 값을 예측하는 경우 MSE(낮을수록 좋음)를 사용합니다. “빠른 진행자 vs 비진행자”를 분류하는 경우 AUC를 사용합니다.
  • 예시 program.md:

    "목표: 예측된 시야의 MSE를 최소화합니다. 또는 빠른 손실 분류를 위한 AUC를 최대화합니다. 기본 모델: 54개 VF 값에 대한 2계층 퍼셉트론. 에이전트는 숨겨진 크기, 활성화 또는 드롭아웃을 추가할 수 있습니다. 각 5분 훈련 후, 검증 세트에서 지표를 계산합니다."

• 작업: 빠른 진행자 식별. 일련의 과거 VF를 사용하여 어떤 눈이 빠르게 시력을 잃을지 분류합니다.

  • 데이터셋: GRAPE의 주석이 달린 진행 상태를 사용합니다 (www.nature.com) (그들은 진행된 눈으로 표시했습니다). 또는 UWHVF를 가져와 MD 손실의 상위 10%를 “빠른” 것으로 레이블링합니다.
  • 모델: 두세 개의 연속 필드(또는 차이)의 특성을 작은 네트워크로 연결할 수 있습니다. 가능한 경우 기준 IOP 및 연령을 포함할 수 있습니다.
  • 지표: 빠른 진행자와 느린 진행자를 구별하기 위한 AUC.
  • 예시 program.md:

    "목표: 빠른 시야 진행 예측을 위한 AUC를 최대화합니다. 입력 특성: VF1 및 VF2의 2차 차이, 더하기 IOP. 작은 FC 네트워크를 사용합니다. 에이전트는 레이어 너비, 학습률, 배치 크기를 조정할 수 있습니다."

2.3 약물/화합물 스크리닝 (컴퓨터 시뮬레이션을 통한 후보 물질 발견)

• 작업: 후보 신경 보호/재생 화합물 예측. ML을 사용하여 RGC를 보호하거나 재생을 촉진할 수 있는 저분자 화합물을 찾습니다. 예를 들어, 많은 알려진 화합물(니코틴아미드, 발프로산 등)은 신경 보호 효과를 보입니다. 우리는 알려진 효능과 상관관계가 있는 화학형을 인식하도록 모델을 훈련시킨 다음 화학 공간을 검색할 수 있습니다.
  • 데이터셋: 녹내장 전용 약물 데이터베이스의 부족으로 인해 이는 도전적입니다. 대안으로, MolNet 데이터셋(예: HIV 억제, BBB 투과성) 또는 모든 생체 활성 데이터셋을 사용할 수 있습니다. 또는 시신경 손상 모델에서 테스트된 화합물 목록(문헌 마이닝에서)을 레이블과 함께 컴파일할 수 있습니다. 실제로는 더 일반적인 속성(예: MoleculeNet의 혈뇌 장벽 투과 데이터)으로 시작할 수 있습니다.
  • 모델: SMILES 문자열에 대한 작은 트랜스포머 또는 그래프 신경망. 몇 개의 레이어를 가진 트랜스포머(GPT-2 스타일) 또는 간단한 그래프 컨볼루션 네트워크(예: 3개의 GCN 레이어)를 train.py에 구현할 수 있습니다.
  • 지표: 분류(활성 vs 비활성)로 취급하는 경우 AUROC를 사용합니다. 친화도 또는 logP를 예측하는 경우 RMSE를 사용합니다.
  • 예시 program.md:

    "목표: 신경 보호와 유사한 화합물 식별을 위한 분류 ROC-AUC를 최대화합니다. 기본 모델: SMILES에 대한 작은 트랜스포머. 에이전트는 트랜스포머 레이어 수, 드롭아웃, 학습률을 조정하거나 대체 특성 추출(예: 지문 입력)을 사용할 수 있습니다. 각 5분 후, 검증 분자에서 AUC를 평가합니다."

(참고: 실제 신경 보호에 대한 공개 데이터가 부족하므로 이 작업은 더 많은 설명을 위한 것입니다. 실제로는 시민 과학자들이 알려진 신경 보호 화합물과 대조군으로 구성된 맞춤형 데이터셋을 생성하여 이 패턴을 따를 수 있습니다.)

2.4 유전자 조절 네트워크 모델링 (단일 세포 RGC)

• 작업: 재생성 TF 조합 식별. RGC의 단일 세포 RNA-seq 데이터를 사용하여 재생성 성장의 전사 패턴을 학습합니다. 예를 들어, 일부 RGC 하위 유형은 다른 유형보다 더 잘 재생됩니다. ML 모델은 “재생 상태” 레이블을 예측할 수 있으며, 어떤 전사 인자가 중요한지 검사할 수 있습니다.
  • 데이터셋: 2018년 연구에서는 RGC 단일 세포 전사체(GEO accession GSE115404)를 제공하며 (pmc.ncbi.nlm.nih.gov), 이는 뚜렷한 RGC 하위 유형을 식별합니다. 우리는 세포가 하위 유형 또는 실험 조건(예: 부상 전 vs 후)으로 레이블링된 이 데이터셋(또는 부분 집합)을 사용할 수 있습니다.
  • 모델: 유전자 발현 벡터(각 세포는 수천 개의 유전자 풍부도를 가짐)에서 작동하는 작은 트랜스포머 또는 MLP. 실제로는 상위 ~500개 유전자(예: 고도로 가변적인 유전자)를 사전 선택할 것입니다. train.py는 미니 트랜스포머(예: 4개 레이어, 임베딩 256) 또는 간단한 2계층 퍼셉트론을 구현할 수 있습니다.
  • 지표: 비지도 분석을 사용하는 경우 실루엣 점수를 사용할 수 있지만, 더 간단하게, 세포를 “재생 중” vs “비재생 중”으로 레이블링하는 경우(레이블이 있는 경우) 분류 정확도/AUC를 사용합니다.
  • 예시 program.md:

    "목표: 재생 중인 RGC 유전자 발현 프로필과 비재생 중인 RGC 유전자 발현 프로필을 구별하는 모델을 구축합니다. 3계층 트랜스포머로 시작합니다. 에이전트는 임베딩 차원, 깊이, 학습률을 변경하거나 배치 정규화를 추가할 수 있습니다. 검증 정확도를 최적화합니다." 실행 후, 최상의 모델의 어텐션 가중치 또는 학습된 특성은 실험을 위한 주요 전사 인자를 강조할 수 있습니다.

2.5 전기생리학 신호 분석

• 작업: ERG를 통한 준임상적 RGC 기능 장애 감지. 패턴 망막전위도(pERG) 또는 다른 전기생리학적 신호는 RGC 건강을 드러낼 수 있습니다. 예를 들어, 지연되거나 감소된 ERG 반응은 시야 결함에 선행할 수 있습니다. 우리는 신호를 “정상” vs “녹내장 의심”으로 분류하려고 시도할 수 있습니다.
  • 데이터셋: 녹내장의 공개 ERG 데이터셋은 드뭅니다. 동물 데이터셋(망막 변성) 또는 합성 신호를 대리 데이터로 사용할 수 있습니다. 사용할 수 없는 경우, 일반적인 1D 전기생리학 데이터셋(예: ECG)도 파이프라인을 설명할 수 있습니다.
  • 모델: 시계열 데이터에 대한 1D CNN(예: 2개 컨볼루션 레이어 뒤에 FC). 대안으로, 시퀀스가 더 긴 경우 LSTM을 사용할 수 있습니다.
  • 지표: 미묘한 기능 장애와 정상을 분류하는 정확도 또는 AUC. 클래스가 불균형한 경우 F1 점수도 가능합니다.
  • 예시 program.md:

    "목표: ERG 추적(건강 vs 초기 녹내장 패턴) 분류를 위한 검증 정확도를 최대화합니다. 1D CNN을 사용합니다. 에이전트는 필터 크기, 보폭을 조정하거나 반복 레이어를 추가할 수 있습니다. 정확도를 개선하는 모든 변경 사항을 유지합니다."

2.6 문헌 마이닝 (가설 생성)

• 작업: 새로운 통찰력을 발굴하기 위한 소규모 언어 모델 미세 조정. PubMed에 수천 편의 녹내장 연구 논문이 있으므로, ML 에이전트는 연결점을 찾거나 후보 물질을 재활용할 수 있습니다. 예를 들어, 신경 보호 경로를 기존 약물과 연결합니다. 우리는 이를 언어 모델링 문제 또는 검색 문제로 처리할 수 있습니다.
  • 데이터셋: 녹내장 관련 초록 말뭉치를 컴파일합니다(예: PubMed에서 “녹내장 유전자 치료” 등으로 검색). NCBI API를 통해 약 10,000개의 초록을 다운로드할 수 있습니다. 더 간단하게 시작하려면 PMC 오픈 액세스 녹내장 논문을 사용합니다.
  • 모델: 작은 트랜스포머 언어 모델(예: 6계층 GPT-2) 또는 미세 조정된 BERT. 오토리서치 목적으로는 텍스트에 대해 인과 모델(GPT)을 미세 조정할 가능성이 높습니다.
  • 지표: 표준적으로 **검증 손실(perplexity)**이 최적화됩니다. 분류를 수행하는 경우(예: 주어진 초록에 대해 약물 또는 경로에 대한 레이블 예측) 정확도/AUC를 사용합니다.
  • 예시 program.md:

    "목표: 녹내장 문헌 말뭉치에서 작은 GPT-2의 검증 perplexity를 최소화합니다. 5분 미세 조정 실행을 사용합니다. 에이전트는 레이어 수, 숨겨진 크기, 학습률, 컨텍스트 길이를 변경할 수 있습니다. perplexity를 줄이는 변경 사항은 유지합니다." 훈련 후, 이 모델에 프롬프트를 제공하여 가설을 생성할 수 있습니다(예: “녹내장 신경 보호를 위한 최상위 재활용 가능 약물 후보: ...”).

이러한 각 도메인에서 핵심은 단일 GPU와 짧은 실행으로 많은 시도를 할 수 있다는 것입니다. 우리는 에이전트가 새로운 알고리즘을 처음부터 코딩하는 것이 아니라 기존 훈련 스크립트를 조정할 것으로 기대하지 않습니다. 인간의 역할은 안저 데이터셋에서 AUC를 최대화하거나 RNFL 두께를 예측하는 것과 같은 녹내장 특정 목표를 향해 에이전트의 탐색을 안내하는 program.md를 작성하는 것입니다. 위의 예시는 train.py를 처음에 어떻게 설정할 수 있는지, 그리고 선택된 지표를 개선하기 위한 program.md 프롬프트가 어떻게 작동하는지 보여줍니다 (medium.com) (www.theneuron.ai).

3. 실용적인 시민 과학 구현 가이드

제한된 자원(예: 단일 RTX 3060 또는 Apple Silicon이 탑재된 MacBook)을 가진 의욕적인 개인이 오토리서치를 녹내장 문제에 실제로 적용할 수 있는 방법은 무엇일까요? 다행히 Karpathy의 저장소는 작고 규모를 축소하기 위한 지침이 있습니다. 다음은 주요 단계와 팁입니다:

• 환경 설정: karpathy/autoresearch 저장소를 클론합니다. 최신 Python과 이상적으로 LLM 접근 권한(에이전트 자체는 일반적으로 GPT-4 또는 Claude와 같은 사전 훈련된 LLM으로 코드를 편집합니다)이 필요합니다. GPU의 경우, 적절한 CUDA/metal 지원과 함께 PyTorch를 설치합니다. Apple Silicon의 경우, 포크 중 하나(예: MLX) 또는 M1/M2용 PyTorch 빌드를 사용합니다(저장소 문서 참조). 3060 또는 4070이 있는 Windows/Linux에서는 일반 PyTorch CUDA가 작동합니다.

• 소형 GPU를 위한 구성: 기본 오토리서치는 약 5천만 개의 파라미터를 가진 GPT 유사 모델과 1024 길이의 시퀀스를 사용하며 (medium.com), 이는 무거울 수 있습니다. GTX 3060(12GB)의 경우, 모델 크기와 시퀀스 길이를 줄여야 합니다. train.py에서 MAX_SEQ_LEN=512 또는 심지어 256으로 설정합니다. 레이어 수와 너비를 줄입니다(중간 GPT는 약 8개 레이어입니다; 4개 레이어, 256 너비를 시도해보세요). 커뮤니티 지침에서는 “DEPTH”, “WIDTH” 등을 낮추라고 언급합니다. 더 작은 배치 크기(16 또는 8도 가능)를 사용하여 옵티마이저의 메모리를 줄일 수도 있습니다. 에이전트는 여전히 이 파라미터들을 변형할 수 있지만, 더 작은 시작점을 제공하면 실행 시간이 5분 미만으로 유지됩니다. 오토리서치 GitHub README 및 이슈 토론에서는 Mac M1 칩이 제한된 메모리로 인해 더 짧은 시퀀스(예: 256개 토큰)를 처리할 수 있다고 언급하며, 유사한 스케일링이 모든 GPU에 적용됩니다.

• 녹내장 데이터 준비: 각 작업의 데이터는 로드되고 분할되어야 합니다. 공개 녹내장 데이터셋에는 다음이 포함됩니다:

  • 안저 데이터셋: ORIGA(-light) (650개의 레이블링된 이미지 (pubmed.ncbi.nlm.nih.gov)), RIM-ONE DL (컵/원반 분할이 포함된 485개 이미지 (github.com)), REFUGE (훈련/테스트 분할이 포함된 1200개 이상의 이미지 (refuge.grand-challenge.org)), 약 1200개의 안저 이미지와 고품질 레이블을 포함하는 새로운 Hillel Yaffe 녹내장 데이터셋(HYGD) (physionet.org). EyePACS/AIROGS (수만 개의 망막 이미지)도 등록을 통해 공개적으로 접근 가능합니다 (예: Kaggle).
  • OCT 데이터셋: SYN-OCT (RNFL 마스크가 포함된 20만 개의 합성 B-스캔 (www.nature.com) (www.nature.com)), OCTDL (다양한 망막 질환의 2064개 이미지 (www.nature.com)), 그리고 다른 공개 챌린지 데이터셋.
  • 시야 데이터: GRAPE (263개 눈의 종단적 VF 및 이미지 (www.nature.com)). UWHVF (28k VF 테스트)는 워싱턴 대학교 저장소에서 다운로드하면 공개됩니다 (www.nature.com). 일부 Kaggle 챌린지에는 VF 데이터가 포함됩니다.
  • 전기생리학: 대규모 공개 녹내장 ERG 데이터셋은 알려져 있지 않지만, 접근 가능한 정상 vs 녹내장 신호 데이터로 시작할 수 있습니다.
  • 화학/유전자 데이터: MoleculeNet (화합물용) 또는 GEO (유전자용)와 같은 표준 데이터셋을 재활용할 수 있습니다. 예를 들어, GSE115404 원시 카운트(GEO 쿼리 (pmc.ncbi.nlm.nih.gov))를 다운로드하여 발현 매트릭스로 전처리합니다.

  각각에 대해, 데이터를 로드하고 train_set, val_set, 그리고 평가 함수를 정의하는 prepare.py가 필요합니다. Karpathy의 템플릿은 prepare.py가 훈련 데이터와 손실 또는 지표를 반환하는 평가 루틴을 출력할 것으로 예상합니다. 예를 들어, RIM-ONE용 prepare.py는 녹내장으로 레이블링된 이미지 및 CC를 로드하고, 훈련/검증 폴더로 분할하고, 검증 AUC를 계산하는 함수를 정의할 수 있습니다. RIM-ONE의 구조에 대해서는 [14†L71-L79]를 참조하십시오.

• 소규모를 위한 데이터 조정: 데이터셋이 큰 경우(EyePACS 또는 SYN-OCT와 같이), 수백 개의 예제로 구성된 “아주 작은” 데이터셋을 만들기 위해 샘플을 추출할 수 있습니다(모델은 작은 말뭉치에서도 여전히 가치 있는 것을 학습할 수 있습니다). 오토리서치 저장소는 “TinyStories” 스타일의 아주 작은 데이터셋을 사용하여 아주 작은 하드웨어에서 실행하는 것을 언급하기도 합니다. 예를 들어, ORIGA에서 500개 이미지(균형 있게), 또는 GRAPE에서 1000개 VF 필드를 선택합니다. 마찬가지로, 언어의 경우, PubMed 녹내장 논문 중 5,000개 초록의 부분 집합을 사용할 수 있습니다. 핵심은 에이전트가 반복적으로 사용하는 고정된 데이터셋입니다. 각 5분 실행이 동일한 훈련/검증 분할을 볼 수 있도록 80/20으로 미리 섞고 분할해야 합니다.

• program.md 전략 작성: 커뮤니티는 다양한 program.md 프롬프트(예: “레시피”)를 버전 관리 시스템에서 공유해야 합니다. 각 파일은 연구 전략을 인코딩할 수 있습니다. 예를 들어, 한 전략은 “깊이가 6보다 작으면 네트워크 깊이를 늘리고, 그렇지 않으면 학습률을 줄인다”고 말할 수 있고, 다른 전략은 “데이터 증강 변경에 집중한다”고 말할 수 있습니다. 시간이 지남에 따라 그룹은 어떤 전략이 순위표에서 더 나은 지표를 산출했는지 비교할 수 있습니다. 좋은 program.md는 목표(예: AUC 최대화 또는 검증 손실 최소화)와 허용 가능한 변형(레이어, 필터, 학습률)에 대한 힌트를 포함합니다. 에이전트의 LLM은 이러한 지침을 사용하여 코드 편집을 제안합니다. 실험을 비교 가능하게 하기 위해 지표를 표준화해야 합니다(예: 녹내장 분류 작업에는 항상 AUC를 보고합니다).

• 커뮤니티 협업: 이 노력을 확장 가능하게 만들려면 시민 과학 커뮤니티가 다음과 같이 조직되어야 합니다:

  • 공유된 실험 로그: 각 실험의 결과(예: “program-v1의 27번째 실행은 너비=4, 깊이=3으로 Val AUC=0.82를 달성했습니다”)를 게시합니다.
  • 표준화된 지표: 각 작업에 대한 지표를 정의합니다: 예: “OCT 녹내장 AUC”, “VF 진행 AUC”, “특성 AUC” 등. 공유된 순위표(오토리서치의 val_bpb와 유사)는 최고 점수를 추적할 수 있습니다. 예를 들어, Slack 또는 GitHub Actions는 각 에이전트의 주간 최고 AUC를 수집할 수 있습니다.
  • 버전 관리 program.md: 모든 program.md를 GitHub 저장소에 호스팅합니다. 멤버들은 포크하여 새로운 전략을 제안(풀 리퀘스트를 통해)하면서 이전 버전을 유지할 수 있습니다. 이러한 방식으로 여러 접근 방식이 병렬로 테스트될 수 있습니다(예: “program_word2vec.md” vs “program_transformer.md”).
  • 데이터 및 코드 공유: 데이터 준비 스크립트에는 공개 저장소 또는 노트북을 사용하고, 에이전트가 찾은 train.py 수정 사항을 공유합니다(표준 ML 프레임워크에서 재현하기 위해). 원본 데이터셋 출처(Kaggle, PhysioNet, Zenodo)에 연결하면 다른 사람들이 동일한 데이터를 다운로드할 수 있습니다.

기술적 장벽을 낮추고(에이전트가 코드를 편집하고, 사용자는 마크다운으로 지침을 편집) 노력(공유된 로그, 순위표)을 조정함으로써 시민 과학자들은 이러한 녹내장 ML 문제에 대한 하이퍼파라미터/모델 선택을 집합적으로 탐색할 수 있습니다. 본질적으로, 그들은 목표 정의에 인간의 창의성을 투자하고, 에이전트가 목표당 밤새도록 100가지 실험을 수행하게 합니다 (medium.com) (www.theneuron.ai).

4. 시력 회복에 특화된 내용

시력 회복, 즉 손상 후 시력을 되찾는 것은 AI 기반 최적화를 위한 특히 흥미로운 목표입니다. 현재 AI 보조 시력 회복 연구에는 망막 임플란트, 피질 보철, 광유전학이 포함됩니다. 오토리서치 루프가 어떻게 적용될 수 있는지 살펴보겠습니다:

• 시각 보철 인코딩 최적화: 현대 보철물(망막 임플란트 또는 전극 배열에 연결된 카메라)은 카메라 이미지를 뇌가 시력으로 해석하는 전기 자극 패턴으로 변환하려고 합니다. 문제는 전극의 “대역폭”이 매우 제한적이라는 것입니다(종종 수십에서 수백 점에 불과함) (pmc.ncbi.nlm.nih.gov). ML 모델(작은 CNN 또는 트랜스포머)은 입력 이미지를 이상적인 자극 맵으로 매핑하도록 훈련될 수 있지만, 이 변환에 가장 적합한 하이퍼파라미터 또는 아키텍처는 알려져 있지 않습니다. 오토리서치 에이전트는 “신경 인코더” 모델의 100가지 변형을 몇 시간 내에 실행할 수 있습니다. 예를 들어, 이미지→자극 쌍(시뮬레이션된 광시증 또는 환자 데이터) 데이터셋을 설정하고 에이전트가 인코더 네트워크를 최적화하여 재구성 손실을 최소화하거나 유용성 지표(대비 무결성, 인식 정확도)를 최대화하도록 할 수 있습니다. 에이전트는 어텐션 레이어를 추가하거나, 컨볼루션 크기를 변경하거나, 학습률을 조정할 수 있습니다. 여러 번의 실행을 통해 더 현저한 보철 출력을 제공하는 작은 네트워크를 찾을 수 있습니다. 일부 최근 연구는 이미 AI를 사용하여 보철물의 시각적 현저성을 추출합니다 (pmc.ncbi.nlm.nih.gov); 오토리서치는 이러한 파이프라인의 튜닝을 자동화할 수 있습니다.

• 광유전학 자극 패턴: 광유전학 치료에서는 RGC 또는 다른 망막 세포의 생존자를 빛에 민감하게 만듭니다(도입된 유전자를 통해). 그런 다음 카메라의 입력은 빛 펄스로 인코딩되어야 합니다. 여기서도 ML 모델이 패턴을 제어할 수 있습니다. 장난감 작업을 구성할 수 있습니다: 작은 네트워크가 카메라 이미지를 광 강도 맵(세포와 동일한 차원)으로 변환합니다. 에이전트의 목표는 효과적인 자극의 일부 지표를 최대화하는 것일 수 있습니다(예: 시뮬레이션된 망막에서 대상 세포의 활성화를 최대화). 각 시험은 응답의 빠른 시뮬레이션을 실행할 수 있습니다. 반복을 통해 에이전트는 펄스 지속 시간 또는 공간 필터를 탐색할 수 있습니다. 예를 들어, 카메라 입력에 대한 고역 통과 필터의 강도를 조정하는 것이 일부 패턴에 유익할 수 있습니다. 요점은 많은 아날로그 파라미터(필터 커널, 비선형성, 시간 펄스 코딩)를 자동으로 스위프할 수 있다는 것입니다.

• 펄스 패턴 최적화 (TES 및 임플란트): 비머신러닝 도메인조차도 빠른 탐색의 혜택을 볼 수 있습니다. 예를 들어, 최근 연구(Xie et al. 2025)에 따르면 더 짧은 펄스 지속 시간과 상간 간격 삽입이 망막 임플란트의 피질 활성화를 크게 개선했습니다 (pmc.ncbi.nlm.nih.gov). 이는 전기 자극의 파라미터 공간이 강력하고 비직관적인 효과를 가지고 있음을 시사합니다. 오토리서치 에이전트는 자극 프로토콜 파라미터(상 지속 시간, 주파수, 간격)를 “네트워크 파라미터”로 취급하고 많은 소규모 실험(각각 시뮬레이션 또는 경험적)을 실행하여 피질 반응을 최대화할 수 있습니다. 예를 들어, prepare.py에 단순화된 전기 모델을 설정하고(또는 기록된 유발 전위 데이터를 사용) 에이전트가 train.py 파라미터(예: 펄스 타이밍)를 조정하여 정의된 응답 진폭을 최대화하도록 할 수 있습니다. 이는 숙련된 신경 과학자들이 수동으로 하는 작업을 자동화하는 것과 유사합니다.

• 바이러스 벡터 설계 및 스캐폴드 형상: 더 탐구적인 치료법 개발에서, 에이전트의 루핑 접근 방식은 생의학적 최적화도 다룰 수 있습니다. 예를 들어, RGC를 표적으로 하는 AAV 바이러스 캡시드 또는 프로모터의 설계는 작은 예측 모델(예: 서열 특성에 대한 로지스틱 회귀)에 의해 안내될 수 있습니다. 오토리서치는 감염성 또는 발현을 예측하는 모델(예: 작은 바이러스 라이브러리에서 훈련됨)을 반복적으로 수정하여 해당 예측을 개선하려고 시도할 수 있습니다. 유사하게, 누군가가 신경 스캐폴드(시신경 복구용)에서 성장을 위한 시뮬레이션 코드를 가지고 있다면, 에이전트는 축삭 확장을 최대화하기 위해 기하학적 파라미터를 조정할 수 있습니다. 이러한 것들은 고급 개념이지만 개념적으로 적합합니다 – “실험자로서의 에이전트”는 개선된 결과를 위해 모델 또는 시뮬레이션 파라미터를 조정할 수 있습니다.

요약하자면, 파라미터화된 알고리즘에 의존하는 시각 보철 또는 회복의 어떤 측면이든 빠른 반복을 통해 개선될 수 있습니다. 중요하게도, 이러한 작업 중 다수에 대해서는 일반적으로 시뮬레이션 데이터만 있다는 한계가 있습니다. 수백 가지 변형에 대한 실제 환자 테스트는 불가능합니다. 그러나 오토리서치는 컴퓨터 시뮬레이션으로 작동하여 나중에 임상 테스트를 위한 최상의 후보를 제안할 수 있습니다. 보철 검토 보고서에서 언급했듯이, “광시증이 정확한 위치에서 안정적으로 생성되도록 보장하는 것은… 중요한 과제”이며 “AI 기반 모델이 이 분야에서 잠재력을 보여주었다”고 합니다 (pmc.ncbi.nlm.nih.gov). 오토리서치는 이러한 AI 모델의 최상의 구성을 찾는 것을 크게 가속화할 수 있습니다.

5. 임상적 영향으로 연결

계산 결과는 궁극적으로 실제 녹내장 연구 및 치료와 연결되어야 합니다. 환자 주도 오토리서치에 의해 생성된 아이디어는 어떻게 검증되고 발전될 수 있을까요?

• 연구 그룹과의 협력: 시민 과학자들은 기존 녹내장 연구 컨소시엄에 연락해야 합니다. 예를 들어, 유전 및 임상 데이터를 통합하는 국제 녹내장 유전학 컨소시엄(IGGC) 및 NEIGHBORHOOD 컨소시엄이 있습니다 (pubmed.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov). 오토리서치에서 얻은 결과(예: 새로운 후보 유전자 또는 약물 재활용 가설)는 실험적 후속 조치를 위해 이러한 그룹과 공유될 수 있습니다. 조직 배양 연구실(예: 주요 대학) 또는 수면 연구자들은 RGC 생존에 대한 화합물을 테스트할 수 있습니다. 학술 임상의는 IRB(기관생명윤리위원회)의 승인 하에 모든 바이오마커 또는 이미지 분류기를 환자 데이터와 연관시킬 수 있습니다. 해커톤 스타일 그룹과 공식 연구실 간의 대화를 시작하는 것이 중요합니다.

• 환자 옹호 단체 참여: 녹내장 연구 재단 또는 큐어 녹내장 재단과 같은 단체는 종종 환자 중심 혁신에 자금을 지원합니다. 이들은 오토리서치를 활용한 개념 증명 프로젝트 또는 시민 대회를 후원할 수 있습니다. 이러한 조직은 임상의 네트워크를 보유하고 있으며 유망한 모델 결과를 임상에 전달하는 데 도움을 줄 수 있습니다. 예를 들어, 에이전트가 기존 FDA 승인 약물을 신경 보호제로 표시하는 경우, 옹호 단체는 적절한 프로토콜에 따라 소규모 임상 시험을 설정하는 데 도움을 줄 수 있습니다. 성공 사례를 강조하려면 결과를 가설(의학적 조언 아님)로 구성하고 투명성을 보장해야 합니다.

• 윤리 및 안전 가이드라인: 시민 과학자는 익명화된 공개 데이터 또는 완전히 합성된 데이터만 사용해야 합니다. 실제 환자 기록을 사용하는 경우에는 IRB 승인 프로토콜(및 아마도 환자 동의)이 필요합니다. 오토리서치 루프의 결과물은 가설 생성으로 명확하게 레이블링되어야 합니다. 예를 들어, “이 모델은 약물 X가 RGC를 보호할 수 있음을 시사합니다 – 실험적 검증이 필요합니다.” 중요한 의료 결정은 의사에게 달려 있어야 합니다. 위험에는 개인 결과(녹내장 진행)를 예측하는 모델을 의도치 않게 배포하는 것이 포함됩니다 – 이를 진단 도구로 취급하지 않도록 명시적인 면책 조항이 필요합니다. 데이터 프라이버시 모범 사례(예: 집계되거나 익명화된 필드 사용)는 필수입니다.

• 시민 과학의 선례: 아마추어가 의료/신경과학 연구에 기여하는 것은 전례가 없는 일이 아닙니다. 아이와이어(Eyewire) 프로젝트(MIT의 크라우드소싱 신경 지도 제작 게임)는 자원봉사자들을 동원하여 망막 신경 회로를 재구성했습니다 (www.citizenscience.gov). 안과 분야에서는 비전문가들이 OpenAI가 후원하는 챌린지에서 이미지 주석을 돕는 데 기여했습니다(예: 안구 질환용 레이블링된 데이터셋). 안과 외부에서는 폴드잇(Foldit)(단백질 접힘 퍼즐) 및 갤럭시 주(Galaxy Zoo)(은하 분류)와 같은 게임이 시민 참여가 어려운 과학 문제를 해결할 수 있음을 보여줍니다. 이러한 성공 사례는 많은 사람들(그리고 이제 AI)이 복잡한 연구를 실제로 도울 수 있다는 생각을 고무합니다. 오토리서치 접근 방식은 각 사람에게 AI 기반 실험실 조수를 제공하는 것과 같습니다: 이전의 크라우드소싱 노력은 고정된 작업을 분석하기 위해 인간만을 사용했지만, 여기서는 인간이 목표를 설정하고 AI가 반복 작업을 수행합니다.

투명하고, 신중하며, 협력적인 자세를 취함으로써 시민 과학 오토리서치 이니셔티브는 신뢰를 얻을 수 있습니다. 이는 “처방이 아닌 실마리 생성”을 강조해야 합니다. 커뮤니티가 방법을 문서화하고 코드를 공개적으로 공유한다면, 전문 연구자들은 결과를 재현할 수 있습니다. 예를 들어, 누군가 RGC 보호 인자의 새로운 조합을 발견하면, 이를 사전 인쇄물로 출판하거나 연구실에 알릴 수 있습니다. 인용 스타일 참조(여기서 우리가 하는 것처럼)는 연결하는 데 도움이 됩니다: 예: “우리는 알려진 경로의 맥락에서 귀하의 후보 약물 목록을 처리했습니다 (pmc.ncbi.nlm.nih.gov).” 궁극적으로, 이것은 환자 주도적이면서도 과학적으로 엄격한 오픈 사이언스의 한 형태입니다. 윤리적 기준이 유지된다면, 이러한 풀뿌리 혁신은 새로운 협력을 촉발하고 궁극적으로 동료 검토를 거친 안과 연구에 기여할 엄청난 잠재력을 가지고 있습니다.

6. 구체적인 90일 로드맵

집중적이고 시간 제한적인 계획은 10~50명(각각 최소 하나의 GPU 또는 Apple Silicon 보유)으로 구성된 커뮤니티를 결집하여 녹내장 오토리서치 노력을 시작할 수 있습니다. 다음은 제안된 단계별 계획입니다:

• 1-2주 차: 형성 및 설정

  • 모집 및 시작: 프로젝트를 위한 통신 채널(예: Slack 또는 Discord)과 GitHub 저장소를 만듭니다. 녹내장 환자 포럼, 바이오해커 그룹, AI 모임에 홍보합니다.
  • 하드웨어 확인: 모든 사람이 PyTorch를 설치하고 Karpathy의 저장소(또는 Maple 포크)를 클론할 수 있는지 확인합니다. 각 멤버가 장난감 데이터셋(예: CIFAR-10 부분 집합)에서 샘플 오토리서치 루프를 실행하여 환경을 확인하는 설정 세션을 개최합니다.
  • 데이터셋 선택: 1~3개의 초기 작업(예: OCT 분류, VF 진행)을 결정합니다. 각 작업에 대해 소규모 팀을 지정하여 데이터를 준비합니다: 예를 들어, 한 팀은 RIM-ONE 이미지 (github.com)를 다운로드하고, 다른 팀은 GRAPE 필드 (www.nature.com)를 검색하고, 다른 팀은 문헌 초록을 수집합니다. 팀은 데이터를 80/20으로 분할하고 prepare.py 스텁을 생성해야 합니다.
  • 기준 모델: 각 작업에 대해 간단한 train.py를 확정합니다: 예를 들어, RIM-ONE용 작은 CNN, VF용 MLP. 평가 지표(AUC, Dice, MSE)를 선택합니다.
  • 초기 program.md 초안 작성: 각 팀은 목표와 허용되는 변경 사항을 명시한 초기 지침 파일(program.md)을 작성합니다. 예를 들어, RIM-ONE의 경우: “녹내장 감지 AUC 최대화”, GRAPE의 경우: “VF MSE 최소화”.

• 3-6주 차: 첫 실험 주기

  • 오토리서치 루프 실행: 각 하위 그룹은 밤새도록(대략 5분 실행 100회) 해당 작업에 에이전트를 실행합니다. 단일 program.md로 시작한 다음, 참가자들이 변형을 추가하도록 합니다(예: “program_temp1.md”).
  • 결과 수집: 매일 아침, 팀은 로그(저장소는 각 실행을 자동 로깅함)를 검토합니다. 달성된 최상의 지표, 당시의 모델 파라미터, 에이전트가 찾은 주목할 만한 변경 사항을 기록합니다. 투명성을 위해 이 결과를 공유 GitHub(아마도 CSV 또는 JSON 형식)에 푸시합니다.
  • 반복 및 피드백: 실행을 비교합니다. 어떤 전략이 기준선을 크게 능가했습니까? 하위 팀이 진전이 거의 없다고 판단하면 program.md를 수정해야 합니다(예: 학습률 변경에 더 공격적으로). 매주 주말, 커뮤니티 회의에서 발견 사항을 종합합니다.
  • 도구: program.md 및 코드 템플릿에 대한 버전 제어를 위해 Git을 사용합니다. 순위표를 위해 공유 Google Sheet 또는 위키 테이블을 고려합니다(예: “OCT-AUC: Alice가 0.85로 최고; VF-RMSE: Bob이 2.1로 최고”). 이는 건전한 경쟁과 투명성을 촉진합니다.

• 7-12주 차: 정제 및 홍보

  • 실험 정제: 초기 결과를 바탕으로 유망한 작업을 정제합니다. 예를 들어, RIM-ONE 분류기가 0.90 AUC를 넘어섰다면, 이제 데이터 증강 또는 약간 더 깊은 네트워크를 추가해 봅니다. 분기(branching)를 장려합니다: 일부는 다른 아키텍처(예: CNN 대신 Vision Transformer tiny)를 시도할 수 있습니다. 에이전트는 여러 program.md 변형을 병렬로 실행할 수 있습니다.
  • 결과 종합: 각 도메인(OCT, VF 등)에 대한 짧은 보고서를 작성하여 작동한 내용을 요약합니다. 예를 들어, “ReLU에서 GELU 활성화로 전환함으로써 GCC 분할 Dice 점수를 0.60에서 0.75로 개선했습니다.” 비전문가도 이해할 수 있도록 평이한 언어를 사용합니다(ML 용어 용어집).
  • 커뮤니티 발표: 10주 차까지, 현재까지의 이니셔티브를 요약하는 블로그 게시물 또는 슬라이드 덱을 작성합니다. 중요하지 않은 발견(심지어 “null” 결과도 공유하는 데 유용합니다)을 강조합니다. 온라인 포럼에서 피드백을 요청하고, 어쩌면 연구자에게 연락하여 의견을 묻습니다(“우리는 X 신경망 조정이 초기 녹내장을 분류하는 데 도움이 된다는 것을 발견했습니다 – 이것이 생리학과 일치하는지에 대한 아이디어가 있습니까?”).
  • 홍보 계획: 협력에 관심 있는 한두 곳의 안과 연구실 또는 임상의를 식별합니다. 초기 결과를 가지고 연락합니다. 예를 들어, HYGD 데이터셋 또는 GRAPE 팀의 저자들과 Twitter/LinkedIn에서 연결하고, 시민 과학자로서의 발견 사항을 언급합니다. 공동 검증 가능성을 탐색합니다(예: 훈련된 모델 가중치를 그들의 데이터에 테스트하도록 보냅니다).

• 12주 이후: 다음 단계

  • 가장 유망한 작업과 새로운 작업에 대한 루프를 계속 진행합니다. 예를 들어, RIM-ONE에서 좋은 결과가 나오면 다음으로 REFUGE에 도전합니다. 복합 모델(CNN 앙상블)을 구축할 수도 있습니다.
  • 이러한 노력을 설명하는 공식 프로젝트 페이지 또는 사전 인쇄물을 만듭니다.
  • 녹내장 자선 단체와 협력하여 더 많은 인재를 모으기 위한 해커톤 개최를 고려합니다.

7. 위험, 한계 및 솔직한 평가

녹내장을 위한 오토리서치 아이디어는 야심차기 때문에 잠재적 함정에 대한 솔직함이 필요합니다:

• 과적합 및 허위 패턴의 위험: 작고 노이즈가 많은 데이터셋의 작은 모델은 종종 우연한 일치에 집착합니다. 에이전트가 단순히 특이점에 과적합하여 검증 AUC를 개선하는 조정을 찾을 수 있습니다. 예를 들어, 이미지 부분 집합에 미묘한 주석 표시가 있었다면, 네트워크는 실제 녹내장 특징 대신 이를 사용할 수 있습니다. 이는 “경사 하강법 속임수”로 이어집니다. 완화하려면:

  • 최종 평가에는 항상 보류된 테스트 세트(어떤 튜닝과도 완전히 분리된)를 사용합니다.
  • 복잡성 제한: 모델을 적당하게 유지하고, 에이전트가 네트워크를 지나치게 깊거나 넓게 확장하는지 주시합니다.
  • 모델이 너무 빨리 거의 완벽한 점수를 달성하면 의문을 제기합니다.
  • 정합성 검사 사용: 예를 들어, 레이블을 섞어서 AUC가 무작위로 떨어지는지 확인합니다(그렇지 않다면 데이터 유출이 있습니다).

• 편향 및 데이터 품질: 공개 녹내장 데이터셋은 종종 좁은 인구 집단에서 나옵니다(예: 싱가포르의 ORIGA) (pubmed.ncbi.nlm.nih.gov). 이러한 데이터에 맞춰 튜닝된 모델은 일반화되지 않을 수 있습니다. 시민 실험은 이 한계를 인지해야 합니다. 이상적으로는 여러 데이터셋(다른 코호트에서)을 사용하여 발견 사항이 견고한지 확인합니다.

• 잘못된 단서 (“연구 극장”): 수많은 실험을 실행하는 것은 생산적으로 느껴지지만, 모든 개선이 합성 또는 사소한 데이터셋에서만 이루어진다면 환자에게 이롭지 않을 수 있습니다. 이를 피하려면:

  • 임상적 관련성이 있는 작업에 집중합니다(예: 일상적인 OCT를 통한 조기 감지).
  • 가능한 경우 결과를 실제 측정치에 연결합니다(예: 진행에 대한 AUC, 작은 손실 델타만이 아님).
  • 해석 가능성을 우선시합니다: 에이전트가 새로운 바이오마커를 “발견”했다면, 그것이 타당한지 확인하려고 노력합니다(예: 알려진 해부학적 변화에 집중하고 있습니까?).

• 임상적 보장 없음: 명확히 해야 합니다: 이러한 루프의 결과물은 가설 생성이며 의학적 조언이 아닙니다. 새로운 약물을 제안하는 모델은 환자에게 사용되기 전에 실험실에서 검증되어야 합니다. 과장된 주장은 위험합니다. 모든 공유 결과에 면책 조항을 표시합니다: “이것은 AI 탐사이며 동료 검토된 발견이 아닙니다.”

• “소규모 모델”의 한계: 매우 작은 네트워크는 용량이 제한적입니다. 복잡한 패턴을 놓칠 수 있습니다. 대조적으로, 대규모 모델은 종종 혁신을 보지만 방대한 데이터를 필요로 합니다. 여기서 우리는 제한된 범위를 수용합니다: 작은 개선이라도 연구를 안내할 수 있기를 희망합니다. 그러나 우리는 이러한 모델이 대규모 데이터에 대한 딥러닝을 대체할 것이라고 기대해서는 안 됩니다. 이들은 명백한 아이디어를 빠르게 시도하는 데 가장 적합합니다.

• 에이전트의 신뢰성: 에이전트(예: GPT-4)는 환각을 일으키거나 이탈할 수 있습니다. 결과가 재현 가능해야 하는 것이 중요합니다: 에이전트 실행 후, 인간은 어떤 변경 사항이 유지되었는지 확인하고 훈련을 다시 실행하여 지표를 확인해야 합니다. “평가 지표의 실제 개선 사항만 수용”과 같은 문장을 program.md에 포함하여 에이전트의 정직성을 유지해야 합니다.

이러한 도전에도 불구하고, 핵심 안전 장치는 투명성과 비판적인 후속 조치입니다. 모든 것을 문서화하십시오. 모델이 패턴을 보이면, 이를 검증하십시오. 많은 시민 과학자들이 동일한 이상(예: OCT 작업에 대한 모든 높은 AUC 모델이 비측 망막 영역을 강조함)을 본다면, 그 주장은 더욱 강화됩니다. 목표는 아이디어 생성 단계를 가속화하는 것이며, 그 후의 신중한 과학을 회피하는 것이 아닙니다.

결론

녹내장은 뉴런 보호부터 시력 회복에 이르기까지 많은 미충족 연구 요구가 있는 복잡하고 소리 없는 실명 질환입니다. 동시에 AI는 실험을 민주화했습니다: GPU와 약간의 결단력을 가진 한 사람이 수동으로 팀이 몇 주가 걸릴 하이퍼파라미터 검색을 자동화하여 실행할 수 있습니다. Karpathy의 오토리서치 프레임워크는 본질적으로 각 시민에게 AI 실험실 조수를 제공합니다. 마크다운으로 명확한 상위 수준 목표를 작성함으로써 커뮤니티 연구자들은 에이전트가 제품을 처리하고 유망한 단서로 바로 넘어갈 수 있도록 할 수 있습니다.

우리는 이것이 실제로 어떻게 수행될 수 있는지 설명했습니다: 녹내장 ML 작업 식별, 데이터 선택(안저 및 OCT 이미지, 시야, 분자 데이터셋), 모델 및 지표 정의, 그리고 프로그램 지침을 사용하여 탐색을 안내하는 것입니다. 우리는 90일 커뮤니티 로드맵을 스케치하고 귀중한 결과물이 실제 녹내장 과학에 정보를 제공할 수 있도록 임상의와의 연결점을 언급했습니다. 이 접근 방식은 “시민 과학”과 매우 유사합니다: 과학적 발견 도구를 접근 가능한 방식으로 개방하면서도, 중요한 부분에서는 전문가의 감독에 의존합니다.

인용: 우리는 녹내장 연구와 AI 분야의 최신 자료를 참조했습니다. 주요 사실(질병 유병률, 절반 미진단 (physionet.org)), 유망한 치료법(CNTF 임플란트 (pmc.ncbi.nlm.nih.gov), 유전자 편집 (pmc.ncbi.nlm.nih.gov)), 그리고 불분명한 함정(영상 분야 AI (pmc.ncbi.nlm.nih.gov))은 현재 문헌에 근거하고 있습니다. 오토리서치 자체는 Karpathy의 상세 설명 (medium.com) 및 검토 보고서 (www.theneuron.ai)에 설명되어 있습니다. 이들은 여기서 설명된 비전에 신뢰성을 부여할 것입니다.

이 모든 것을 마치면서, 독자 여러분이 힘을 얻기를 바랍니다: 만약 여러분이 환자, 간병인, 또는 열정적인 아마추어라면, 녹내장 연구를 발전시키는 데 참여할 수 있습니다. 도구와 데이터는 존재하고, 문제는 명확하며, 조정과 AI 에이전트를 통해 학습을 가속화할 수 있습니다. 모든 연구와 마찬가지로, 이 여정에는 잘못된 시작이 있겠지만, 실패조차도 우리에게 무언가를 가르쳐주며 – 종종 인간의 마음을 올바른 접근 방식으로 이끌어줍니다. 가능성과 함정 모두에 활짝 눈을 뜨고, 시민 주도 오토리서치는 전통적인 녹내장 과학에 강력한 보완책이 될 수 있습니다.

여기서 시작하십시오

오늘 녹내장 오토리서치를 시작하는 가장 쉬운 방법: ORIGA 안저 이미지에 대한 작은 분류를 실행하세요.

1. 데이터 확보: ORIGA-light 데이터셋(650개의 망막 안저 이미지, 정상 vs 녹내장 레이블링)을 다운로드합니다 (pubmed.ncbi.nlm.nih.gov). 약 80%를 훈련 세트로, 20%를 검증 세트로 분할합니다.

2. 초기 모델: 이미지 분류를 위해 [karpathy/autoresearch]의 샘플 스크립트를 사용하거나 조정합니다. 예를 들어, ORIGA 이미지를 로드하고 작은 CNN(2-3개의 컨볼루션 레이어)을 훈련하여 녹내장과 건강한 것을 구별하는 코드를 작성합니다.

3. program.md 작성: 텍스트로 목표를 *“녹내장 감지를 위한 검증 AUC 최대화”*로 설정하고, 에이전트에게 모델 깊이, 학습률 등을 조정하도록 지시합니다. 예를 들면 다음과 같습니다:

   Goal: Maximize AUC on glaucoma vs normal for ORIGA dataset.

   The agent should try adjusting convolutional layer sizes, number of filters, and learning rate. Each trial is 5 minutes of training. If the validation AUC improves, keep the change. Repeat.

4. 루프 실행: 오토리서치를 시작합니다(여러분의 prepare.py, train.py, program.md를 가리키도록). RTX 3060에서 몇 시간 또는 밤새도록 실행하게 합니다. 약 100개의 실험이 자동으로 수행될 것입니다.

5. 결과 확인: 콘솔 또는 로그를 검사하여 달성된 최상의 검증 AUC를 확인합니다(모든 것이 잘 되었다면 0.8 이상이어야 합니다). 이제 AI 에이전트가 개선한 모델과 훈련 스크립트를 갖게 됩니다.

이 간단한 주말 실험만으로도 새로운 코드를 직접 작성하지 않고 ML 파이프라인을 구축하는 직접적인 경험을 할 수 있습니다. 시도한 내용을 문서화하고 program.md와 결과를 커뮤니티와 공유하십시오. 각 작은 성공(AUC 증가, 흥미로운 네트워크 변경)은 하나의 구성 요소입니다. 여러분은 말 그대로 AI에게 선택한 녹내장 문제에 대해 연구하도록 지시하고 있으며 – 그렇게 함으로써 녹내장 데이터 과학을 배우고 시력 손실을 이해하거나 치료하는 데 변화를 가져올 희망을 가질 수 있습니다.

행운을 빕니다! 질문과 발견 사항을 오픈 소스로 유지하고 기억하십시오: 이것은 연구용 도구이지 의료 조언이 아닙니다. 실행을 신중하게 확인하고 발견의 과정을 즐기세요.