서울의대 의예과 2학년 ‘의학 연구의 이해’ 수업에서 의료 인공지능을 주제로 강의한 영상입니다. 플립 러닝 (flipped learning) 방식으로 제가 촬영한 영상을 학생들이 시청하고 수업에 들어와서, 토론 수업을 진행하는 방식으로 진행했습니다. 수업 담당 교수님이신, 최형진 교수님께서 허락해주셔서 유튜브에도 공유합니다. [youtube id=”dl1smoj78kc” width=”620″ height=”360″]
의료 인공지능 스타트업 VUNO와 메디플렉스 세종병원의 공동연구로 이번 달에 출판된 논문에 대한 간단한 리뷰. 뷰노에서는 이예하 의장님을 비롯한 연구원 분들, 세종병원에서는 권준명 과장님, 전기현 과장님 등께서 연구를 주도하셨다. Critical Care Medicine 이라는 IF=8 정도의 저널에 출판. (e-pub는 2월에 되었는데, 저널에는 이번 달에 출판되었다. sci-hub에 PDF가 늦게 올라오는 바람에 이제야 확인함) 딥러닝 기반으로 원내에서 발생하는 심정지를 예측하는 인공지능이 실제 의료 현장에서 어느 정도의 정확성을 보여주는지에 대해서 증명한 논문이다. 연구진은 기존에 이런 기능을 하는 딥러닝 기반의 인공지능 “DEWS”를 개발해서, 2018년 JAHA에 출판한 논문을 통해 정확성 및 퍼포먼스를 보여준 바 있다. EMR에 입력되는 체온, 수축기 혈압, 호흡수, 심박수의 4가지 데이터를 RNN으로 학습하여, 심정지를
지난 포스팅에 이어서, 신종 코로나 바이러스의 창궐에 대응하여, 디지털 헬스케어 분야의 기술이나 서비스 중에 무엇을 활용할 수 있을지에 대해서 더 이야기 해보려고 한다. 첫 번째 글에서는 코로나19 검사의 필요성 여부를 선별해주는 문진 솔루션 (앱, 웹페이지, 챗봇, 인공지능 스피커), 그리고 원격진료와 원격 환자 모니터링에 대해서 다루었다. 이번에는 웨어러블, IoT 센서 등으로 측정한 헬스케어 빅데이터를 기반으로 감염 추이를 인구 수준에서 지역별, 실시간으로 파악하거나, 감염의 조기 진단을 시도하는 사례들을 소개하려 한다. 미국 질병관리본부(CDC)는 인플루엔자 등의 감염 질환에 대해서는 지속적인 모니터링을 통해서 매주 트렌드를 발표하고 있다. 하지만 이는 감염의 전파 추이를 실시간으로 파악하지는 못한다. 병원의 데이터를 취합하는 등 오프라인에 기반한 방법을 활용하므로 일반적으로 실제
인공지능으로 개발한 신약 후보 물질이 ‘첫번째’ 인간 대상의 임상시험에 들어갔다고 BBC 등은 며칠 전 보고했습니다. 영국의 인공지능 신약개발 스타트업 Exscientia 이라는 곳이 일본의 대형 제약사 Sumitomo 와 함께 강박장애 (OCD)의 치료를 위해서 개발하고 있는 DSP-1181 이라는 화합물입니다. 뉴스에서는 보통 신약 후보 물질이 임상에 들어가기까지는 수년이 걸리지만, 인공지능을 이용한 덕분에 1년 정도로 시간을 줄일 수 있었다고 언급하고 있습니다. Exscientia 라는 스타트업은 저는 처음 듣습니다만, 홈페이지에 보면 2012년에 창업했고, 매년 20개의 프로젝트(파이프라인?)을 새로 내어놓는다고 합니다. 여러 다국적 제약사에 의해서 플랫폼이 ‘validation 되었다’고 적어놨는데, 협업하는 회사들을 보면 GSK, Roche, Bayer, Celgene, Sanofi 그리고, 이번에 기사가 난 Sumitomo Dainippon 도 포함되어 있습니다. 이런 소위
제가 최근에 한국경제신문에 기고한 칼럼입니다. 글자수 제한 때문에 축약해서 기고했던 글의 원문을 올려드립니다. 제 칼럼은 여기에서 보실 수 있습니다. “의사를 능가하는 인공지능이 개발되었다” 최근 언론 기사에서 심심치 않게 볼 수 있는 제목이다. 정말 의사보다 실력이 좋은 인공지능이 개발된 것이라면, 왜 당장 병원에서 인공지능 의사를 고용해서 환자를 진료하지 않을까. 2019년까지 미국 FDA에서 의료기기로 인허가 받은 인공지능은 30개가 넘었고, 국내에서도 식약처가 15개 이상의 인공지능을 인허가했다. 최근 국내에서는 상장한 기업도 나왔다. 하지만 아직 일반 대중이나 환자의 입장에서는 이 변화가 피부에 와닿지는 않을 것이다. 과연 실력있는 의료 인공지능이란 과연 무엇인지, 그 정확성과 효용을 어떻게 판단해야 할지 이야기해보려 한다. 인공지능을 개발하고, 실력을 검증하기 위해서는 결국
최근 JAMA의 Viewpoint 에 흥미로운 아티클이 실렸습니다. 바로 의료 인공지능과 관련하여 가장 어려운 문제이기도 한, 책임 소재 문제입니다. 만약에 인공지능을 사용하여 진료하다가, 환자의 치료 성과가 좋지 않다면 이는 누구의 책임인가 하는 이슈입니다. 저자는 의사는 아니고, 의료법을 하시는 JD 분들이신데 2장 분량의 짧은 아티클에서, 상당히 중요한 질문을 많이 던져주고 있습니다. 기본적으로는 제가 강의에서 말씀드리거나, 제 졸저 ‘의료 인공지능’에서 언급했던 바와 일치합니다. (그래서 좀 기쁘기도..) 의료 사고 발생 시의 책임 소재(liability) 문제는 이미 ‘기존에도’ 아주 복잡한 문제입니다. 기존에도 의료 사고가 발생한 경우, 책임 소재를 가리기 위해서 법정 공방을 벌이기도 합니다. 만약 여기에 인공지능이라는 변수가 ‘추가적으로’ 개입되면 문제는 더욱 복잡해집니다. 특히, 미국에서도 관련한
This is the slide that I presented in the President Invited Lecture of Asian Society of Gynecologic Oncology (ASGO) 2019. I briefly overviewed the current status of artificial intelligence in medicine, especially oncology. ASGO 2019 의 Plenary Session 에서 President Invited Lecture 로 제가 발표한 자료입니다. 제가 공유한 슬라이드 중에 영어로 된 건 처음인 것 같네요. 부인과 종양학회인지라, 의료 인공지능 중에서 종양학(oncology)과 관련된 연구들을 중심으로 말씀드렸습니다.
딥러닝으로 신약 후보 물질을 짧은 기간 내에 디자인할 수 있다는 것을 증명한 논문이 최근 화제가 되었습니다. 이번 달 Nature Biotechnology에 실린 논문인데요. DDR1이라는 fibrosis (섬유증)에 관여하는 receptor tyrosine kinase를 저해할 수 있는 저분자 화합물을 디자인하는 연구였습니다. 특히 이런 분야의 논문으로는 극히 드물게도, 이 기술로 만들어낸 신약 후보 물질로 cell-based assay에서 inhibition 효과가 실제로 있음을 보여줬으며, rodent model 에서 pharmacokinetics 까지 보여주었습니다. 이 연구는 인공지능 신약 개발 스타트업 중에서는 꽤 이름이 알려진 Insilico Medicine의 연구자들이 주도하였습니다. 기본적으로 딥러닝의 일종인 강화학습(reinforced learning)을 사용한 GENTRL 이라 이름 붙인, deep generative model을 만들었습니다. 이 모델에는 DDR1과 기존에 알려진 저분자 화합물 DB 등을 학습시켰는데, 이를
2019년 9월 20일 대한우울조울병학회에서 제가 70분 동안 특강한 자료입니다. 정신건강의학 분야의 디지털 헬스케어에 대해서 정리해보았습니다.
2019년 9월 2일 스마트 헬스케어 컨퍼런스와 함께 열린 대한의료인공지능학회의 추계학술대회 때 “글로벌 의료 인공지능 산업 및 규제 동향”에 대해서 발표한 자료입니다. 의료 인공지능 및 디지털 치료제 등 SaMD 의 개념과 중요성, Pre-Cert 를 중심으로 한 FDA의 규제 혁신 동향, 그리고 국내 식약처와 심평원의 의료 인공지능 및 SaMD 분야 가이드라인, 수가 정책 등의 동향에 대해서 다뤘습니다. 발표 영상 [youtube id=”QkYS48YM2B8″ width=”620″ height=”360″] 발표 슬라이드
2019년 8월 27일 식약처 행사에서 발표할 자료입니다. SaMD를 중심으로 디지털 헬스케어 분야가 어떻게 바뀌고 있는지, 특히 의료 인공지능과 디지털 치료제(digital therapeutics)를 중심으로 설명하였습니다. 이에 따라 FDA가 규제를 어떻게 혁신하고 있는지를 Digital Health Unit과 Pre-Cert 를 예시로 살펴보았습니다. 더 나아가, 이러한 글로벌 트렌드에 맞춰 한국의 헬스케어 분야 규제가 어떻게 개선되어야 할 것인지에 대한 제언도 제시하고 있습니다. 현장에서는 발표 시간이 20분으로 넉넉하지 않기 때문에, 이 자료의 요약본으로 발표하게 될 것 같습니다.
지난 주에 SNS의 타임라인을 나름(?) 떠들썩하게 했던, 스마트폰 셀카 동영상으로 혈압을 측정할 수 있다는 가능성을 보여준 연구를 소개해드리려 합니다. 캐나다 토론토 대학의 중국계 연구자들이 진행한 연구로, Circulation: Cardiovascular Imaging 이라는 IF 5~6의 나쁘지 않은 저널에 출판되었습니다. 사실 혈압과 관련해서는 제가 깊이 알지는 못하고, 기술도 생소해서 제가 이해한 수준에서 정리해보겠습니다. 연구의 개요는 간단합니다. 1,328명의 ‘정상’ 혈압 환자를 모아서 아이폰으로 찍은 얼굴 영상을 input data로, 기존 방식으로 측정한 혈압을 정답으로 하여, 머신러닝(multilayer perceptron)으로 분석해서 예측 모델을 만들었다는 것입니다. 1,328명 중 training/validation/test는 70:15:15 로 나누었습니다. 테스트 결과 수축기 혈압, 이완기 혈압, 맥압 모두 95% 내외의 높은 정확도를 보여줬습니다. Abstract에 나오는 다음의 문장으로 정리되어 있습니다.
이번에 안과 관련 컨퍼런스에서 의료 인공지능을 주제로 세미나를 해야 해서, 안과와 관련된 인공지능 연구 결과들을 오랜만에 정리해보았습니다. 특히 구글은 지난 2016년 JAMA에 발표했던 중요한 연구 이후로도 흥미로운 연구들을 몇가지 발표했습니다. 많은 분들이 이미 아시겠습니다만, 2016년 JAMA 논문은 구글의 연구자들이 딥러닝을 이용하여 안저 사진에서 당뇨성 망막병증(DR)을 판독하는 인공지능을 개발하였으며, 이 인공지능의 정확도가 안과전문의들보다 더 정확하였음을 보여준 연구입니다. 이 연구에 대해서는 제 졸저에도 상세하게 소개되어 있고, 아래의 포스팅에도 소개되어 있습니다. 구글, 안과 전문의 수준의 의료 인공지능 발표 구글은 2018년과 올해 2019년에 이 논문의 후속 논문을 출판했습니다. 이 연구들은 제1저자, 제2저자는 다르지만, 교신저자는 동일하므로 같은 연구팀에서 진행한 것으로 봐도 무방합니다. 2018년에는 grader variability를 밝히고
제가 2019년 7월 식약처 첨단의료기기과 전문가 협의체에서 발표한 자료입니다. FDA가 지난 4월에 발표한, 인허가 이후에 계속 변화하는 인공지능을 어떻게 규제할지에 대한 discussion paper 인 “Proposed Regulatory Framework for Modifications to Artificial Intelligence Machine Learning (AI/ML)-Based Software as a Medical Device (SaMD): Discussion Paper and Request for Feedback” (링크)을 정리한 자료입니다. 지금까지 FDA든 식약처이든 인공지능은 인허가 이후에는 변화가 허용되지 않는 locked algorithm을 전제로 인허가 받았는데요. 인공지능의 근본적인 속성인 “Iterative, autonomous, adaptive nature”를 어떻게 최대한 활용하면서, 또 한 편으로는 의료기기로서의 안전성과 유효성은 보장할 수 있을지에 대한 규제기관의 고민이 담겨 있습니다. 관련 포스팅: 지속적으로 바뀌는 의료 인공지능을 어떻게 규제할 것인가
의료 인공지능에 대한 제 강의 슬라이드의 2019년 7월 최신 버전입니다. 총 380장 정도의 분량으로, 대부분의 강의에서는 시간상 이 자료의 일부분만 말씀드리게 됩니다. (상) (하)
얼마 전 외국 언론에 ‘MIT의 인공지능이 유방암 발병을 5년 미리 예측한다 (MIT CSAIL’s AI can predict the onset of breast cancer 5 years in advance)’ 라는 제목의 연구가 소개되어, 원문을 찾아보았다. 이번 달 Radiology에 실린 논문으로 MIT와 MGH의 공동연구로 진행되었다. 언론의 제목이 맞기는 하지만, 더 정확하게는 ‘mammography (엑스레이 유방촬영술) 이미지에 기반한 딥러닝이 (기존의 risk factor 에 기반한 유방암 발병 예측 모델보다) 상대적으로 5년 발병 여부를 더 정확하게 예측했다’는 것이 주제인 논문이다. 기존의 유방암 발병 위험도 평가 모델 Tyrer-Cuzick (TC) 모델에는 유방암 발병에 관여한다고 알려진 다양한 인자가 고려된다. 나이, 체중, 키, 초경 나이, 폐경여부, 유방암/난소암 가족력, BRCA 변이, atypical hyperplasia 히스토리, 유방