[큰글자책] 의료 인공지능

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