의료 인공지능

AI, 의료를 다시 설계하다
고령화, 의료 인력 부족, 의료비 증가 등 모든 문제의 해법으로 떠오른 의료 인공지능. 인공지능 기술이 병원 현장에서 어떻게 작동하고, 어떤 방식으로 진단과 치료의 정확도를 높이며, 의료의 형평성과 접근성을 개선하는지 입체적으로 조명한다. 고위험 환자 예측, 영상 판독, 유전자 분석부터 AI 챗봇, 맞춤형 치료까지, 기술이 인간 의료진의 한계를 어떻게 보완하고 있는지 구체적인 사례와 함께 소개한다.
의료 인공지능은 이제 ‘디지털 동료’이자 ‘슈퍼 보조자’로 자리매김하고 있다. AI가 의사를 대체하는 것이 아니라, AI를 잘 활용하는 의사가 더 나은 의료를 이끄는 시대가 왔다. 기술과 인간이 협력하는 의료의 미래, 그 핵심을 확인할 수 있다.

인공지능은 이제 의사를 돕는 ‘디지털 동료’로 진화하고 있다. 진단, 치료, 돌봄에 이르기까지 AI가 의료 현장을 어떻게 바꾸고 있는지 살핀다. 인공지능총서. aiseries.oopy.io에서 필요한 인공지능 지식을 찾을 수 있다.

윤규백
이화여자대학교 인공지능대학 인공지능소프트웨어학부에서 연구교수로 재직 중이다. 의료 인공지능 기술 개발을 중심으로 활발한 연구 활동을 이어가고 있다. 연세대학교 기계공학과에서 박사 학위를 취득하며 다이내믹스(Dynamics) 및 컨트롤(Control) 분야의 연구 성과를 인정받아 대한기계학회에서 매년 단 한 차례 수여하는 우수박사학위논문상을 수상했다. 주요 연구 분야는 의료 영상 기반 인공지능 기술로, 다양한 의료영상을 활용한 질병 진단 및 예후 예측에 초점을 맞추고 있다. SCI 상위 5% 이내의 다수 논문 게재를 포함해 미국기계학회(ASME) 초청 세션, Global Dental AI Symposium, Harvard University에서의 강연 등으로 국제적으로 큰 주목을 받고 있다.

의료와 인공지능의 융합

01 의료 인공지능의 기원
02 데이터 전처리와 통합
03 인공지능 모델 설계와 최적화
04 인공지능 모델 검증과 임상 적용성 평가
05 AI를 통한 의료 진단 혁신
06 임상 AI 시스템의 설계
07 인공지능의 한계와 가능성
08 의료 AI의 실질적 활용
09 규제와 표준화
10 의료 AI의 미래

또한 의료 AI 발전에서 전문가 시스템이라는 개념이 핵심적이었다. 전문가 시스템은 사람 전문가의 지식을 규칙(rule) 형태로 명확히 저장해 컴퓨터가 문제를 해결하도록 하는 기술이다. 예를 들어 마이신(MYCIN)이라는 시스템은 약 600개의 ‘만약-그러면(if-then)’ 규칙을 이용해 감염 환자의 원인균을 추론하고 적절한 치료법을 추천했다. 이후 마이신의 추론 방식은 일반화되어 이마이신(EMYCIN)으로 발전했고, INTERNIST-1 시스템은 방대한 의학 지식을 체계적으로 정리해 나중에 QMR(Quick Medical Reference)이라는 실용적 진단 보조 도구로 발전했다.
－01_“의료 인공지능의 기원” 중에서

CNN의 원리를 간단히 설명하면 다음과 같다. 예를 들어, 흉부 엑스선 사진에서 폐에 작은 종양(결절)이 있는지 찾는 상황을 생각해 보자. CNN은 먼저 이미지에서 선이나 가장자리 같은 기본적인 특징을 찾아낸다. 그다음 층에서는 이런 특징들이 모여 원이나 덩어리 같은 더 복잡한 모양을 만든다. 이렇게 층이 깊어질수록 더 복잡한 패턴을 인식할 수 있게 되어, 결국 폐의 종양 같은 특징적 형태까지 구별하게 된다. CNN은 이러한 과정을 수많은 의료 영상 데이터를 보며 스스로 학습한다. 즉, 사람이 하나하나 규칙을 입력하지 않아도 데이터를 통해 중요한 패턴을 발견하게 되는 것이다. 이처럼 딥 러닝 기술은 사람도 놓치기 쉬운 미세한 징후를 찾아낼 수 있으며, 이는 적절한 모델 설계와 효율적 학습 방법 덕분에 가능하다.
－03_“인공지능 모델 설계와 최적화” 중에서

AI 모델의 분석 결과는 사람이 이해하기 쉬운 형태로 변환되어 의사에게 제공된다. 예를 들어 “좌측 폐 상AI 모델의 분석 결과는 사람이 이해하기 쉬운 형태로 변환되어 의사에게 제공된다. 예를 들어 “좌측 폐 상부에 폐렴 소견이 의심됩니다”같이 자연어 보고서로 출력하거나, 영상에서는 이상 부위에 표식을 해주는 방식이다. 또한 확률 점수나 위험 등급으로 결과를 나타내기도 한다. 이때 시스템은 결과만 보여 주는 것이 아니라 근거가 된 영상의 위치 표시나 관련 설명을 함께 제공해 의사가 결과를 해석하고 신뢰할 수 있도록 돕는다. 이러한 일련의 과정은 AI 모델을 개발할 때뿐만 아니라 실제 사용 시에도 기본적인 틀은 비슷하다. 다만 모델 개발 단계에서는 대량의 예시 데이터를 모아 AI를 학습시키는 과정이 추가된다. 개발 시에는 수천수만 건의 훈련 데이터에 대해 전문가가 질병 유무 등의 정답 레이블을 달아 AI를 학습(training)시키고, 이후 별도의 검증 데이터로 성능을 시험해 조정한다. 한편 운영 단계에서는 이미 학습된 모델을 이용해 새 환자 데이터에 대해 실시간으로 결과를 제공한다.
－06_“임상 AI 시스템의 설계” 중에서

AI가 내린 결정의 이유를 의료진과 환자가 이해할 수 있도록 설명하는 것이 중요하다. 특히 딥 러닝 기술은 작동 과정이 복잡해 이해하기 어렵기 때문에, AI가 왜 특정 질병을 예측했는지 그 근거를 제공해야 한다. 예를 들어 의료 영상에서 AI가 특정 부위를 보고 질병이라고 판단했다면, 해당 부위를 시각적으로 표시해 주는 방법(히트맵)이 사용될 수 있다. 현재 EU나 미국 FDA 같은 기관은 고위험 의료 AI에 대해 결정 과정을 설명하도록 요구하고 있으며, 개발자는 모델의 구조, 데이터 사용 방법, 성능 한계 등을 철저히 문서화해 투명하게 공개할 준비를 해야 한다. 이렇게 투명성을 갖춘 AI는 규제 기관의 신뢰뿐 아니라 의료진과 환자의 신뢰를 얻는 데에도 필수적이다.
－09_“규제와 표준화” 중에서