의료 인공지능의 활용 분야 및 기술 동향

 의료 인공지능은 다양한 의료 활동을 목적으로 머신러닝, 딥러닝 기반의 AI 모델 및 기타 AI 요소기술을 의료산업에 적용하여 예측, 진단, 치료 등 의료 절차를 효율적으로 지원 및 개선하고, 의료 서비스 사용자를 대상으로 다양한 디지털트랜스포메이션 경험을 제공하고자하는 개념이자 기술이다. 의료 인공지능 기술은 디지털트랜스포메이션의 핵심인 산업 및 서비스 혁신을 위해 ‘의료 생태계 AI 혁신 및 의료 산업 AI 첨단화’의 핵심 기술이다. 다른 산업에서와 마찬가지로 향후 의료 산업 및 시장을 혁신할 수 있는 핵심 기술로 받아들여지고 있으며, 미국, 유럽 등의 해외 기업 등을 중심으로 헬스케어, 의료장비 등의 다양한 의료 시장에서 활발한 기술 개발과 투자가 이루어지고 있다.
 MarketsAndMarkets는 [그림 1]과 같이 현재 헬스케어 시장 내 인공지능 서비스의 세계 시장규모가 2022년 99억 달러에서 연평균 45.8% 이상으로 빠르게 성장할 것으로 전망했다[1]. 따라서, 정부에서도 ‘뉴욕구상’(2022.9), ‘대한민국 디지털 전략’(2022.9), ‘파리 이니셔티브’(2023.6) 등을 통해 모범적인 디지털 강국 실현을 하고자 다양한 정책을 추진 및 본격화하고 있고, 의료 산업 분야에서 인공지능 서비스가 의료업무의 품질에 초점을 맞춰 생산성ㆍ효율성 제고의 대상으로 빠르게 확산되고 있다. 또한, 클라우드 기반의 플랫폼 서비스, 시스템 간 응용 서비스 등을 통해 의료 분야 신규 서비스가 출시되면서 의료 인공지능 서비스 대중화에 속도를 올리고 있는 상황이다. 국내의 경우, 특히(의료ㆍ보건) 중증질환ㆍ소아희귀질환ㆍ자폐증진단ㆍ관리를 위한 의료 인공지능을 개발하고, 공공병원(2024년 8개) 등을 대상으로 진료보조 인공지능 서비스를 확산 중이며, 다양한 서비스 제공을 위해 2025년부터 건강정보 마이데이터 활용제도가 본격 시행 예정이다.

<자료> MarketsAndMarkets, Artificial Intelligence in Healthcare Market, 2021.

[그림 1] 전세계 의료 AI 시장규모 전망

 본 고에서는 다양한 의료 서비스 영역 중, 의료 서비스 프로세스인 질병 예방 및 질병 예측, 진단, 치료 및 처방과 의료 상담 분야 기술에 대해 살펴보고자 한다. 특히, 최근 들어 의료 데이터를 활용한 서비스가 증대되고 있는 만큼 정형, 비정형 데이터를 활용한 의료 서비스가 다양한 측면에서 각광 받고 있다. 따라서, 먼저 II장에서 빅데이터 분석 및 활용 기술의 원리 및 최근의 연구 동향을 살펴본 다음, III 장에서는 비전 AI 분야인 영상분석 및 판독 기술의 원리 및 최근의 연구 동향을 중심으로 살펴본다. 끝으로 IV장에서 결론에 대해 말씀드리고자 한다.

 “빅데이터”란 일반적으로 기존 데이터 처리 및 분석 방법으로는 이해하기 복잡한 대량의 정형 및 비정형 데이터를 의미한다. 이러한 대규모의 다양한 데이터를 효과적으로 수집, 저장, 가공 및 정제, 분석 등의 과정을 거쳐서 대상 데이터의 일정한 패턴을 추출하고 기업, 연구 기관, 정부 등 다양한 분야에서 의사 결정을 위한 인사이트를 제공하며 혁신을 이끌어내는 데 활용되는 것이 “빅데이터 분석”의 목표이다.

[표 1] 의료 분야 데이터의 유형과 특징

<자료> 코난테크놀로지 자체 작성

 의료 분야에서는 의료 및 건강 관련 데이터를 수집, 저장, 분석하여 진단, 치료, 의료 연구, 건강 관리, 의료 시스템 운영 등 다양한 목적으로 활용하게 되는데 데이터들의 유형 및 주요 특징은 [표 1]과 같다.
 의료 데이터는 안전하게 저장되어야 하며, [표 2]와 같은 원리가 적용된다.

[표 2] 의료 데이터 저장 원리

<자료> PPhealthcaresolutions, News & Blog ‘How to store medical records safely’, 2021.

 이러한 의료 데이터의 수집 및 안전한 저장 이후에는 양질의 데이터셋 구축이 필요하다. 아무리 우수한 인공지능 알고리즘이 개발되더라도 양질의 학습용 데이터가 없으면 우수한 인공지능 성능을 기대하기 어렵다. 이러한 이유로 의료 빅데이터에 대한 주목도가 높아지고 있다는 [그림 2]와 같은 설문조사 내용도 있다[8].
 양질의 학습 데이터셋 구축을 위해서는 의료 분야 전문 용어 등 맞춤 지식 기반 정제 작업과 학습용 데이터 체계화 및 표준화 작업이 수반된다. [그림 3]과 같이 다양한 의료 현장에서 수집되는 이질적 특성을 보유한 데이터를 목적에 맞도록 효율적으로 수집하고, 개인정보의 경우 비식별 및 가명 처리하여 인공지능 모델로 학습 가능하도록 어노테이션 및 레이블링 과정을 진행하고, 데이터를 선별 및 검증한 후에 의료 인공지능 학습 데이터셋으로 배포하게 된다.
 인공지능의 편향된 추론을 예방하기 위해 단일 기관에서 구축된 학습 모델 및 데이터에 제한을 두지 않고 다양한 기관에서 생성된 학습 모델 및 데이터를 활용하여 학습 및 검증하게 된다.
 다음으로 빅데이터 분석에 사용되는 주요 기술과 알고리즘을 소개하고자 한다. 대표적으로 자연어 이해 및 처리(Natural Language Understanding/Processing: NLU/NLP)와 기계 학습(Machine Learning: ML) 기술을 이용한다.
 자연어 이해 및 처리 기술은 컴퓨터가 사람의 언어를 이해하고 처리하는 기술이다. 예를 들어, “오늘 날씨에 어울리는 음악이 뭐야?”라는 질문을 인공지능에게 던졌을 때, 인공지능이 이 질문의 의미를 파악하고 적절한 답변을 생성하는 것이 자연어 처리 기술이다.

<자료> Silicon Valley Bank survey of healthtech executives and investors, No.4, 2016.

[그림 2] 의료 분야에서의 중요 기술

<자료> ‘정보와 통신’, 건양대병원 연구팀, ‘의료 인공지능 연구 논문’, 2021.

[그림 3] 의료 인공지능 학습 데이터셋 구축 개념도

 이러한 기술을 의료 분야에 응용하여 의료 기록 및 의료 문헌의 텍스트 데이터를 분석하고 이해하게 되어 의료 정보 검색, 진단 보조, 의료 연구 문헌 탐색 등을 개선할 수 있게 된다. 또한, 의료 인공지능은 사람의 인지와 비슷한 수준으로 다양하고 복잡한 대규모 의료 데이터를 효과적으로 분석하고 패턴을 인식하여 의료진의 진단을 보조하며 휴먼에러를 줄여주고 의료 사고를 방지할 수 있게 된다.
 기계 학습은 데이터를 분석하고 다른 작업의 입력으로 사용할 수 있는 예측을 함으로써 인간의 학습을 모방하는 기술 중 하나이다. 예를 들어, 고양이 사진을 구분하는 기계 학습 모델이 있다고 가정하자. 이 모델은 처음에는 고양이 사진을 보고도 고양이인지 알 수 없다. 하지만 ‘이것은 고양이다’라고 알려주면서 수천 개의 고양이 사진을 보여주면, 모델은 점차 ‘고양이’를 인식하는 방법을 배우게 된다. 이렇게 모델은 데이터와 그에 대한 ‘정답’을 통해 학습하게 되는데 이것이 기계 학습이다.
 기계 학습은 의료 분야에서 가장 중요한 빅데이터 분석 기술 중 하나이다. 사람이 접할 수 있는 데이터보다 많은 양을 학습하게 되는 기계 학습의 인공지능 능력은 사람보다도 정확할 수 있는 수준으로 평가 받고 있으며, 실효성을 인정받은 [표 3]과 같은 알고리즘들도 지속적으로 고도화되어 가고 있다. 이런 기계 학습 분석을 통해 질병 예방, 치료 및 수술 결과 예측, 의료 이미지 및 영상 분류, 모니터링 등 다양한 영역에서 활용된다.
 [표 3]에 설명된 기계 학습과 자연어 처리 기술들을 활용한 사례들을 소개하고자 한다. 지난 2023년 7월에 Amazone Web Service(AWS)는 의료 분야 AI 서비스 ‘AWS Health Scribe’에 [그림 4]를 공개하였는데, 헬스 스크라이브는 의사가 진료 시 환자의 진료 기록을 자동으로 작성해주시는 생성형 AI 서비스이다.

[표 3] 의료 데이터 분석 알고리즘

<자료> TechTarget, “Top AI algorithms for healthcare”, 2019.

<자료> AWS, Introducing AWS HealthScribe, Fig 2: AWS HealthScribe is designed responsibly with each AIgenerated summary sentence linked back to consultation transcript, 2023.

[그림 4] 환자와 임상의의 대화에서 자동으로 임상 노트 생성

 음성 인식 문자 변환(Speech to Text: STT) 기술을 활용해서 의료 서비스 제공자와 사용자의 대화 내용(음성)을 실시간으로 텍스트 요약 및 분석해 주는 기능이 포함되어 있다. 지난 2023년 3월에 Microsoft도 진료 기록 작성 도구인 ‘DAX Express’를 AI자회사를 통해 출시했다. DAX Express의 주요 기능은 오픈 AI의 언어 모델인 GPT-4를 기반으로 진료 기록을 생성한다. 이 도구를 통해 의사는 환자 정보와 진단 및 치료 기록을 신속하게 기록하고, 다양한 질병과 징후를 더욱 빠르게 식별하고 관리할 수 있다. 또한, Microsoft의 인공지능 기술은 NLU/NLP 기술이 적용되어 대량의 의료 기록을 분석하며, 분석된 결과를 통해 의사는 각종 보고서 작성에 활용하거나, 향후 효과적인 치료와 적절한 예방 조치에 대한 계획을 수립하는데 정보로 활용할 수 있다.
 글로벌 기업들의 의료 AI 분야 빅데이터 분석 기술 발전과 함께 대한민국도 빅데이터 분석 생태계 활성화를 위한 움직임들을 보이고 있다. 2023년 9월 20일 보건복지부에서는 개인 의료 데이터 중계 플랫폼 성격의 ‘건강정보 고속도로(마이 헬스웨이)[그림 5]’를 정식 가동한다고 발표하였다[8]. ‘건강정보 고속도로’는 의료 정보를 수집할 수 있는 다양한 의료 기관에 산발적으로 존재하는 개인의 의료 정보를 개인정보 활용 동의를 거쳐 조회, 저장, 배포, 활용할 수 있는 편리한 서비스다. 건강검진, 예방 접종, 병원 진료, 처방전, 진단 검사, 수술 내역, 모니터링 등 다양한 과거 의료 정보를 통합해서 확인할 수 있는 의료 통합 데이터 플랫폼이다.

<자료> 보건복지부, 건강정보 고속도로(마이 헬스웨이) 가동 모형(안), 2023.

[그림 5] 건강정보 마이 헬스웨이

 또한, 지난 2023년 8월에 개인정보보호위원회에서는 마이데이터 생태계 활성화를 위해 [그림 6]과 같이 ‘국가 마이데이터 혁신 추진전략’을 발표하였으며, 2025년 마이데이터 제도 본격 시행을 계획하고 있다[9].
 이와 같이 사회적, 법ㆍ제도적 그리고 기술적 환경들의 완화 및 발전을 통해 빅데이터 분석은 의료 분야의 진단, 치료, 연구, 의료 비용 관리, 환자 참여, 정책 결정 등 다양한 측면에서 환자의 생명을 구하는 데 기여하고 의료 혁신을 이끄는 데 핵심적인 역할을 할 것으로 기대된다.

<자료> 개인정보위원회, 마이데이터 로드맵, 2023.

[그림 6] 마이데이터 로드맵 추진일정

 ‘Vision AI’ 또는 ‘Computer Vision’이라고도 한다. 인공지능이 사람처럼 이미지나 비디오를 보고 이해하는 기술로서 조금 더 풀어 설명하면, 사진이나 비디오에서 객체를 인식하고, 그 객체의 위치나 모양을 파악하며, 객체가 무엇인지 이해할 수 있는 기술이다.
 본 장에서 설명하게 될 의료 영상 데이터는 [표 1]에 설명된 ‘의료 이미지 데이터’, ‘의료 영상 데이터’를 의미하며, [표 2]에 나타난 저장 원리가 동일하게 적용된다.
 의료 분야에서 비전 AI는 의료 영상 분석 및 판독 발전을 선도하는 핵심 기술로 자리 잡고 있으며, 이를 통해 진단의 정확성 향상, 의료 프로세스의 효율화, 신약 개발 지원, 환자 모니터링 및 진단 지원 등을 목표로 하고 있다.
 의료 영상 분석 및 판독 기술은 사전 학습된 인공지능 모델이 의료 영상으로부터 모든 특징들을 추출하고 사전 학습된 지식과 비교해 병변을 구분 및 진단한다. 의료 영상 데이터는 명암, 조도, 길이, 곡률, 주파수 등 영상의 데이터를 통해 정량적으로 나타낼 수 있는 특징을 가지고 있는데, 이 특징을 활용하여 각 병변을 구분하고 진단할 수 있게 된다.
 인공지능 기술로는 딥러닝의 기반의 합성곱 신경망(Convolutional Neural Network: CNN) 모델이 사용된다. 합성곱 신경망 모델은 이미지의 지역적인 패턴을 학습하는 것에 특화되어 있어 [그림 7]과 같이 이미지를 여러 겹의 필터를 통과시키며 점차 추상화된 정보를 추출하는 형태로 동작한다. 이 과정에서 복잡한 이미지 속에서도 중요한 특징들을 학습하게 된다[10].
 딥러닝 학습은 학습하는 과정 중 데이터의 특징을 추출한다. 영상 기기나 질환 부위 등 환경 조건과 상관없이 일관성 있는 특징 추출 기법을 가지고 있다. 이러한 이유로 딥러닝 학습 방식이 머신러닝 학습 방식보다 의료 영상 분석에서 더 많은 수요를 보이는 주요 요인으로 여겨지며, 이미 학습된 모델의 재사용을 통해 전이 학습(transfer learning)이라고 불리는 상이한 데이터 특징에 대해서도 추가로 학습이 가능하다. 이론적으로 새로운 인공지능 모델을 처음부터 학습시키는 것보다는 이미 학습되었고, 진단 및 판독에 있어서 검증된 인공지능 모델에 전이 학습을 진행하는 것이 학습 속도 측면이나, 판독 성능 측면에서 훨씬 더 효율적인 방법이다.
 이와 같은 딥러닝 모델을 활용하여 초음파, X-Ray, CT, MRI 등의 영상 데이터를 분석하고, 신체 부위 위치, 크기, 종류, 병변 등을 식별하고 의료 정보 데이터를 활용해 미래의 발병 위험성을 예측하는 방향으로 연구 개발이 지속적으로 진행되고 있다. [표 4]는 의료 영상 분석 및 판독 알고리즘의 종류 일부이다.

<자료> CNN(Convolutional Neural Network) 개념, Wikipedia, Kernel(image processing), 2023.

[그림 7] 필터의 종류와 기능 예시 및 흐름 개념도

 Google의 딥마인드(deepmind)는 의료 및 헬스케어 분야에서 의료 영상을 자동으로 분석, 처리, 인지하여 다양한 질환 및 종양을 식별하는 솔루션을 개발하고 있다. 딥마인드의 의료 영상 분석 기술은 많은 성과를 보여주고 있다. 예를 들어, 특정 암과 관련된 진단 영상에 인공지능 탐지모델을 적용하여 종양 탐지 정확도를 향상시키는 결과를 보여줬다.

[표 4] 의료 영상 데이터 분석 및 판독 알고리즘

<자료> 건강보험심사평가원, ‘인공지능 의료영상(뇌동맥류) 판독지원 알고리즘 정보 v1, 2019.
건강보험심사평가원, 보건의료빅데이터개방시스템(HIRA), 의료 영상 판독 2023.

 Arterys사는 의료 영상 분석 및 진단에 자체 개발한 의료 영상 AI 플랫폼을 활용한다. 의료 영상을 실시간 분석, 진단 결과, 다양한 의사 결정 지원 기능을 클라우드 기반으로 제공한다. [그림 8]과 같이 Arterys의 AI 솔루션은 실시간으로 의료 영상을 대상으로 폐의 크기, 형태, 밀도 등을 정밀 분석하고, 폐암의 진단과 추적에 도움이 되는 정보와 서비스를 제공한다. 이 과정에서 의사는 빠르고 정확한 의료 영상 분석 및 진단 결과를 얻고, 환자의 처방 및 치료 계획 수립에 대한 빠른 의사 결정을 할 수 있다.
 지난 2022년 12월, 카카오 브레인은 판독이 어려운 흉부 엑스레이에 인공지능 판독 모델을 활용하여 의사들의 판독문을 만드는 작업을 도와주는 ‘AI CAD’ 개발을 소개하였다[16].

<자료> Arterys, Medical Imaging Cloud AI for Radiology, Artificial intelligence Accuracy, 2023.

[그림 8] Arterys, AI 솔루션 화면 예시

 영상 진단 시 초음파, X-Ray, CT, MRI 등 검사로 원천 데이터를 생성한다. 원천 데이터를 가공하여 판독이 가능한 이미지 형태의 데이터를 만든다. 생성된 데이터를 확인해서 길이, 크기, 위치 등 결과 판독문을 영상의학과 의사가 최종 작성하는데, 이러한 전체 업무 과정에 인공지능을 활용하는 개념이다. ‘AI CAD’의 활용으로 의사의 영상 판독 업무 효율이 약 2배 높아졌다는 테스트 결과가 전해졌다.
 이 외에도 루닛(Lunit)과 같이 유방암, 폐암, 두 개체 관절염 등의 질환 조기 탐지 및 분류 솔루션 기업, 뷰노(VUNO)와 같이 종양, 암 및 질환 탐지 AI 솔루션 기업 등 의료 영상 분석 솔루션을 개발하는 기업들의 연구 개발이 활발히 이루어지고 있다.

 의료 서비스와 AI 기술의 발전과 적용을 통해 환자는 조기에 질병을 발견할 수 있게 되었고, 신속하게 진단 및 치료가 가능해졌고, 궁극적으로 질병 예방 관리를 가능하게 한다. 환자의 다양한 개인적 습관과 특징을 인공지능 모델의 데이터 분석을 활용해 최적의 진단, 치료, 예방 효과를 얻을 수 있고, 개인 삶의 질 향상을 위한 건강 상태 점검 및 관리에 많은 지원을 제공하고 있다.
 의사 입장에서는 복잡한 대량의 데이터를 인공지능 서비스에 맡겨, 데이터의 특징과 패턴을 분석하고 일관성 있는 정확한 진단과 예측이 가능한 정보를 제공한다. 이와 같은 부분에서 의사의 최종 판단에 도움이 되는 정보를 지원하며, 식별 및 진단 정확도를 지속적으로 개선하며, 치료 및 예방 효과를 극대화하고, 소견 및 의사 결정에 있어서 효율성과 정확성을 제고할 수 있을 것으로 기대한다.
 연구 개발의 입장에서는 치료제 개발 및 신약 연구 개발의 기간을 단축시키는 효과를 볼 수 있으며, 의료법 및 제도 개선 가이드를 지원할 수 있을 것이다.
 의료 인공지능 적용을 통한 여러 이점들이 확인되고 기대되지만 데이터 품질 및 수량, 데이터 보호 문제, 전문가 지식 부족 및 상호학습 부족으로 인한 신뢰 및 협업의 문제 등 극복해야 하는 과제들이 있다.
 질병 분석, 판독 및 진단을 위해서는 많은 양의 양질의 의료 학습 데이터가 필요하다. 양질의 학습 데이터 구축을 위해서는 산업 및 AI 분야에 대한 이해도가 높아야 하며, 해당 지식 부족은 데이터 해석이나 진단 시 부정확한 결과로 이어져 심각한 문제를 발생시킬 수도 있다. 또한, 의료 데이터에는 다른 데이터보다 개인 식별 정보 및 민감한 정보를 더 많이 포함하고 있기 때문에 데이터 수집 및 처리에 대한 정보보호 및 관리는 굉장히 중요한 부분이다. 또한, 의료 분야 데이터에 대한 전문 용어 또는 지식이 없는 AI 엔지니어 입장에서는 데이터 내 개인정보 보호 및 데이터 처리 방법을 보장하기 어려울 수 있다. 따라서, 이 부분은 정보의 노출, 유실, 침해 등의 위험성을 유발시킬 수 있으며 효과적인 인공지능 서비스 개발이 어려워져 결과의 신뢰성을 저하시킬 수 있다.
 위와 같은 관문을 극복하기 위해 [표 5]에 나타나 있는 다양한 측면과 분야들에 대한 고찰이 필요할 것으로 보인다.

[표 5] 의료 AI 서비스 활용 활성화를 위한 분야별 과제

<자료> 코난테크놀로지 자체 조사