이제 마지막 세 번째 유형의 의료 인공지능에 대해서 알아보자. 바로 생체 신호를 모니터링하고 분석하여 질병을 예측 및 예방하는 인공지능이다. 이 유형의 인공지능에 대한 쉬운 비유는 우리가 ‘디지털 의료는 어떻게 구현되는가’에서 살펴보았던 자동차와 비행기다. 과거에는 자동차 타이어에 펑크가 났는지, 혹은 엔진 오일이 부족하거나 배터리가 부족한지 정기적으로 점검하지 않으면 제때 알기 어려웠다. 내가 어릴 적 아버지는 명절 연휴 장거리 운전을 하시기 전에 타이어를 발로 밟아보거나 차체를 눌러서 타이어 공기압을 가늠하시고, 보닛을 직접 열어서 엔진 오일을 확인하시곤 했다. 하지만 이제 대부분의 자동차에서는 타이어 공기압이 부족하거나, 엔진 오일의 보충이 필요하면 미리 경고등으로 알려준다. 이는 자동차에 내장된 수많은 센서가 주행 중에도 자동차의 상태를 […]
진단의 최종 결정권자, 병리과 영상의학과, 안과, 피부과에 적용되는 의료 인공지능에 이어서, 이번에는 병리과의 의료 인공지능을 알아보려 한다. 여러 진료과 중에서 병리과는 의료 인공지능 연구가 가장 활발한 분야 중의 하나이다. 의료 인공지능의 논문 수를 적용 분야별로 따져보면 병리과가 가장 많다. 일반 환자에게 병리과는 그리 익숙하지 않은 진료과다. 진료를 받으며 직접 의사를 만날 수 있는 내과, 안과, 이비인후과 등과는 달리 병리과 의사들은 직접 환자를 대면하지 않기 때문이다. 의학에서 병리과는 진단을 최종적으로 내리는 중요한 역할을 맡는다. 환자로부터 채취된 조직이나 세포 검체를 분석하여 확진을 내리는 것이다. 예를 들어, 암이 의심되는 환자가 있으면 조직 검사를 하게 된다. 생검(biopsy)을 통해 암세포를 직접 떼어내어 그 조직을
당뇨 합병증을 진단하는 안과 인공지능 이번에는 안과 영역의 의료 영상 데이터 분석으로 넘어가 보자. 일반인에게도 ‘당뇨병 환자가 합병증으로 실명의 위험이 높다’는 사실은 잘 알려져 있을 것이다. 이는 당뇨성 망막병증(diabetic retinopathy)이라는 망막에 생기는 당뇨병 합병증 때문이다. 이러한 당뇨성 망막병증을 딥러닝 기반의 인공지능이 안과 전문의보다 더욱 정확하게 판독할 수 있다는 연구가 2016년 11월 미국의학회지(JAMA)에 발표되었다. 이 연구는 발표되었을 때 의료계에서 여러모로 화제를 불러일으켰다. 특히, JAMA는 의학연구자라면 누구나 아는 세계적으로 저명한 의학 전문 학술지인데, 이 학술지에 연구를 발표한 것이 다름 아닌 구글이었기 때문이다. 세계적 ‘의학’ 저널에 ‘구글’이 ‘인공지능’ 논문을 발표했다는 것은 의료계 연구자들에게 매우 낯선 일이었다. 참고로 이 논문은 인공지능의 실력뿐만이 아니라, 데이터를 학습시키는
두 번째 유형의 의료 인공지능은 바로 ‘이미지로 나타낼 수 있는 의료 데이터를 분석 및 판독하는 인공지능’이다. 최근 이러한 유형의 의료 인공지능의 개발에는 대부분 딥러닝(deep learning)이라는 기술이 활용된다. 아마 인공지능에 관심이 없는 사람이라도 이 딥러닝이라는 기술의 이름 정도는 들어보았을 것이다. 특히 한국인들에게는 알파고의 원리가 되는 기술이기 때문에 귀에 익은 이름이기도 하다. 근래에 인류가 또 한 번 맞이하고 있는 인공지능의 활황기를 이끌고 있는 근본 기술이 바로 이 딥러닝이다. 신경망과 인공신경망 앞서 몇 번 언급한 적이 있지만, 우리는 인공지능을 구현하기 위한 방법 중에서 특히 기계학습(machine learning)을 논의 범위로 하고 있다. 딥러닝은 많은 기계학습 방법 중에서 인공신경망이라는 방법론에서 발전한 기술이다. 또한 딥러닝도 다양한 방식의
우리는 지금 의료 인공지능의 세 가지 유형 중에, 첫번째인 ‘복잡한 의료 데이터를 분석하여 의학적 통찰력을 도출하는 인공지능’을 살펴보고 있다. 대표적인 사례로 최근 많은 주목을 받고 있는 IBM 왓슨 포 온콜로지를 앞서 자세하게 살펴보았으나, 왓슨 이외에도 의료 빅데이터를 기반으로 의학적인 통찰력을 얻으려는 연구는 다양하게 진행되고 있다. 이러한 연구들의 경우, 미래의 질병의 발병을 예측하고, 환자별 맞춤 치료를 실현하거나, 신약 임상 시험 진행의 효율성을 높이고, 재입원율이나 의료 비용을 낮추려는 등의 목적을 가지고 있다. 이러한 연구 중에는 특히 대규모 환자군의 과거 진료 기록을 바탕으로 질병의 발병을 예측하며, 질병 위험군을 분류하며, 퇴원 후 재입원율 등의 치료 결과를 예측하려는 연구가 활발하다 [1, 2, 3, 4, 5]. 데이터 기반의
현재 전 세계적으로 IBM Watson의 도입이 한국만큼 활발한 국가는 아마도 없을 것 같습니다. 2016년 9월에 길병원이 국내 최초로 Watson for Oncology (WFO)을 도입한 이후, 불과 1년도 되지 않는 짧은 기간 내에 총 여섯 개의 병원이 WFO를 도입하기로 결정했습니다. 제가 알기로 단일 국가로는 중국에 이어서 WFO를 가장 많이 도입한 국가가 한국입니다. (중국은 작년에 Hanzhou Cognitive Care 를 통해서 50개 이상의 병원에 도입했습니다.) IBM의 입장에서도 한국은 Watson의 사업에 대해서 현재 가장 중요한 국가 중 하나입니다. 지난 7월 4일 조선대학교병원이 호남권에서는 최초, 국내에서는 여섯번째로 WFO의 도입을 발표했는데요. 같은 날, 한국을 방문한 IBM의 부사장이자, Watson Health의 최고 의료 책임자(Chief Health Officer)인 Kyu Rhee 박사님을
의료 인공지능의 세 가지 유형 그러면 이제 의료 인공지능에 대해서 본격적으로 논의해보도록 하자. 현재 다양한 의료 분야에서 여러 종류의 인공지능이 발전해왔으며, 앞으로도 새로운 인공지능과 연구 결과들은 지속적으로 등장하게 될 것이다. 향후 예상되는 모든 종류의 의료 인공지능을 포괄하여 분류한다는 것은 쉬운 일이 아닐 것이다. 다만 필자는 적어도 현재까지 연구되고 있는 대부분의 의료 인공지능을 다음과 같이 세 가지 정도의 유형으로 분류할 수 있다고 본다. 복잡한 의료 데이터를 분석하여 의학적 통찰력을 도출하는 인공지능 이미지로 나타낼 수 있는 의료 데이터를 분석 및 판독하는 인공지능 연속적인 의료 데이터를 모니터링하여 질병을 예측 및 예방하는 인공지능 첫 번째로 복잡한 의료 데이터를 분석하여 의학적인 통찰력을 도출하는 인공지능이다.
과연 의사는 인공지능으로 대체될 수 있을까. 실리콘밸리의 선각자이자 유명 벤처투자가인 비노드 코슬라(Vinod Khosla)는 몇 년 전 ‘미래에는 80%의 의사가 첨단 기술로 대체될 것’이라고 공개석상에서 주장한 바 있다.[ref 1, 2, 3, 4] 그는 의료의 많은 부분이 여전히 근거에 기반을 둔 과학이라고 보기 어렵다며, 대규모의 데이터에 기반하고 막강한 연산 능력으로 무장한 기계가 평균적인 의사보다 더 저렴하면서도 정확하고 객관적일 수 있다고 언급했다. 그는 ‘닥터 알고리즘(Doctor Algorithm)’의 실력은 갈수록 좋아져서, 어려운 치료 사례에 대해서도 모든 가능성을 고려하여 2차 소견을 제공하면서 진료실에서의 영향력은 더 커질 것이라고 했다. 또한 많은 경우 의사들의 진료에 일관성이 부족하고, 편차가 크다는 점도 지적했다. 또한 오늘날 의사가 환자를 진료하는 방식, 즉 환자가 직접 병원을 방문하고,
웨어러블에 거는 기대는 너무 큰 것이었을까. 최근 웨어러블 디바이스에 대한 회의론이 점차 고개를 들고 있다. 말 그대로 몸에 착용하거나 입는 기기를 의미하는 웨어러블은 스마트폰과 태블릿 컴퓨터의 뒤를 잇는 차세대 기기로 한동안 크게 주목을 받았다. 웨어러블 기기는 사용자와 주변 환경에 대한 데이터를 측정하고, 스마트폰 기존 기기의 활용을 편리하게 해주며, 더 나아가서는 사용자의 능력을 강화해주는 목적으로 활용된다. 현재 웨어러블 홍수의 시대라고 해도 과언이 아닐 정도로 많은 종류의 웨어러블이 시장에 출시되어 있다. 대표적인 시계 형태를 비롯하여 안경, 머리 밴드, 안대, 목걸이, 반지, 벨트, 복대, 양말, 클립, 깔창, 셔츠, 브래지어, 문신, 반창고, 알약 등등 우리가 상상할 수 있는 거의 모든 형태의 웨어러블이 존재한다. 특히
최근 개인 유전 정보 분석 서비스(Personal Genome Service) 분야에서 오랜만에 희소식이 들려왔습니다. 지난 2017년 4월 6일 FDA가 23andMe의 질병 위험도 예측 서비스의 DTC (Direct-to-Consumer) 판매를 허가한 것입니다. 파킨슨병과 알츠하이머를 포함한 총 10가지 질병에 관한 인허가인데요. 이렇게 질병 위험도 예측 서비스가 의료기관을 거치지 않고 직접 고객에게 판매하는 DTC 형태로 허가받은 것은 미국에서도 이번이 처음입니다. FDA의 이러한 결정은 향후 개인 유전 정보 시장의 판도 및 규제 프로세스에도 영향을 줄 것으로 예상됩니다. 23andMe 연대기 제가 블로그에서 많은 지속적으로 팔로업 해드린 바 있듯이, 실리콘밸리 스타트업 23andMe는 2006년 창업 후에 많은 우여곡절을 겪으면서 개인 고객들에게 직접 유전 정보 분석 서비스를 제공해왔습니다. 창업 당시 구글
이번에는 데이터를 해석하기 위한 또 다른 방법에 대해서 알아보자. 데이터를 인간이 직접 해석하는 것이 한 가지 방식이었다면, 남은 한 가지 방식은 바로 인공지능의 힘을 빌리는 것이다. 최근 국내외를 막론하고 신기술 분야를 통틀어 가장 이슈가 되고 있는 주제를 하나만 고르라면 아마도 인공지능이 될 것이다. 인공지능은 몇 년 전만 하더라도 한국에서는 크게 관심을 받지 못했지만, 2016년 3월 알파고 사태 이후로 돌연 국가적인 관심사로 떠올랐다. 정부 부처별로 인공지능 관련 컨트롤 타워를 만들겠다고 나서고 있으며, 각종 도서, 학회, 강의에는 소위 ‘제 4차 산업 혁명’ 이야기가 가득하다. (참고로, 이 ‘4차 산업 혁명’이라는 용어는 ‘스마트 헬스케어’, ‘유 헬스케어’처럼 한국에서만 주로 사용되는 용어로, 필자는 되도록이면 사용하지 않는다) 이러한 인공지능
최근 인도의 마니팔 병원(Manipal Hospital)은 1,000명의 암 환자에 대한 IBM Watson의 진료 성적을 공개했습니다. 지난 3년간 치료 받은 유방암, 대장암, 직장암, 폐암 등 4가지 암종의 환자 1,000명에 대해서 의사의 판단과 Watson의 판단이 얼마나 일치했는지를 본 것입니다. 최근 길병원과 부산대병원에도 도입되면서 국내에도 잘 알려진 왓슨 포 온콜로지(Watson for Oncology)는 뉴욕의 메모리얼 슬론 캐터링 암센터(MSKCC)와 IBM이 함께 개발한 암환자 진료 보조 인공지능입니다. 실제 환자를 대상으로 왓슨 포 온콜로지의 진료 성적이 공개된 것은 실질적으로 이번이 처음입니다. Watson의 실력은 검증되었나 제가 여러 포스팅과 강의에서 강조드리고 있지만, 그 유명세에 비해서 IBM Watson의 암환자 진료 정확성은 검증되지 않았습니다. MSKCC 라는 세계 최대의 암 병원에서 훈련을 받았으니,
2017년 2월 삼성서울병원 디지털 헬스케어 포럼에서 ‘인공지능은 의료를 어떻게 혁신할 것인가’ 를 주제로 발표한 자료입니다. 아래와 같은 내용들이 포함되어 있습니다. (예전 자료에서 조금 업데이트 되었습니다.) 인공지능의 의료 활용 유형 복잡한 데이터의 분석 및 권고안 도출 영상 의료/병리 데이터의 분석 및 판독 연속 데이터의 모니터링 및 예측 인공지능으로 인한 새로운 이슈 의사의 대체 가능 여부 결과의 책임 소재 근거 창출의 필요성과 어려움 관련 포스팅 [칼럼] AI가 대체할 수 없는 인간적인 의사의 역할 [칼럼] ‘닥터 알파고’ 의 세 가지 역할 인공지능에 맞서 ‘인간’ 의사는 어떻게 대처해야 하는가 IBM Watson의 CTO, Rob High와의 대화 MD앤더슨과 MSK 암센터, IBM Watson의 진료 정확도를 공개하다
스탠퍼드 대학교의 연구진이 피부암을 피부과 전문의 수준으로 진단할 수 있는 딥 러닝(deep learning) 기반의 인공지능을 개발했다. 2017년 2월 네이쳐 지에 발표된 이 논문에서 인공지능은 피부 병변 사진의 판독에 대해서 피부과 전문의보다 더 나은 실력을 보였다. 최근 블로그에서 소개했던, 구글의 당뇨성 망막 병증 판독 딥러닝과 마찬가지로 인간 전문의와의 실력 비교에서 우월한 정확성을 보인 것이다. 관련 포스팅: 구글, 안과 전문의 수준의 의료 인공지능 발표 왜 피부암인가 피부암은 매년 미국에서만 540만 명의 신규 환자가 발생할 정도로 빈번한 질병이다. 특히, 피부암은 조기 발견이 중요하다. 피부암 중에서 가장 악성이며 예후가 좋지 않은 흑색종(melanoma)의 경우 조기에 발견하면 5년 생존율이 97%로 양호하지만, 말기에 발견하면 14%로 매우 낮기 때문이다. 하지만
이제는 ‘디지털 의료의 3단계’에서 세 번째 단계에 해당하는 데이터의 분석에 대해서 알아보려 한다. 1단계인 ‘측정’에서 우리는 많은 종류의 헬스케어 데이터가 다양한 방식을 통해서 측정될 수 있다는 것을 알아보았으며, 2단계 ‘통합’에서는 이 다양하고 방대한 데이터를 통합하기 위한 플랫폼에 대해서도 살펴보았다. 이제는 이렇게 측정하고 통합한 데이터를 어떻게 분석하고 해석할 것인지에 대해서 알아볼 차례다. 아무리 중요한 정보가 담긴 데이터를 다양하고 폭넓게 측정하고 통합해놓았다고 할지라도, 그 데이터 속에 담긴 의미를 제대로 파악하지 못한다면 아무런 쓸모가 없을 것이다. 질병을 예방하고 치료, 관리하며 건강을 유지하기 위해서는 우리가 끊임없이 만들어내는 데이터를 효과적으로 해석할 필요가 있다. “디지털 의료는 어떻게 구현되는가” 시리즈 보기 변혁의 쓰나미 앞에서 누가 디지털
* 본 칼럼은 제가 매일경제에 기고한 것입니다. 분량 제한 때문에 실리지 못했던 원문을 올려드립니다. 매경의 칼럼은 여기에서 보실 수 있습니다. “1,000달러 게놈”이라는 캐치프레이즈를 들어본 적이 있는가. 1,000달러만으로 한 사람의 유전 정보 전체를 분석하는 것은 과학계의 오랜 숙원이었다. 그도 그럴 것이, 인류 최초로 한 사람의 유전체을 분석했던 휴먼 게놈 프로젝트는 27억 불이나 필요했기 때문이다. 많은 사람들이 기술 발전의 혜택을 보기 위해서는 저렴한 가격이 필수다. 스티브 잡스는 질병 치료를 위해 유전체 분석을 했던 최초의 사람 중 한 명이다. 2011년 그는 10만 불을 들여서 췌장암 치료법을 찾으려 했다. 27억불 보다는 낮은 가격이지만, 일반인들에게 10만 불은 여전히 부담스럽다. 그러던 지난 2014년 미국에서 희소식이 들려왔다.