구글은 전자의무기록에 저장된 환자의 진료 기록을 딥러닝으로 분석하여 입원한 환자의 치료 결과를 정확히 예측하는 인공지능을 2018년 1월 발표했다. 이 딥러닝을 이용하면 환자가 입원 중에 사망할 것인지, 장기간 입원할 것인지, 혹은 퇴원 후에 30일 내에 재입원할 것인지, 그리고 퇴원 시의 진단명은 어떻게 될 것인지까지도 높은 정확도로, 조기에 예측할 수 있다. 병원의 전자의무기록(EHR)은 그야말로 의료 데이터의 보고라고 해도 과언이 아니다. 해당 병원에서 환자가 진료받은 모든 검사 결과, 진료 기록, 처방 내역 등이 포함되어 있기 때문이다. 특히 과거에는 종이 차트에 이를 기록하였으나, 미국에서 오바마케어 이후로 진료 기록을 디지털 데이터로 저장하는 EHR의 도입이 증가하면서 예측 모델을 만드는 것도 보다 용이해졌다. 이를 기반으로 환자의 치료 […]
자. 지금까지 인공지능이 혁신할 의료의 미래에 대해서 방대하고도 다양한 측면을 살펴보았다. 인공지능 기술은 하루가 다르게 발전하고 있지만, 의료 인공지능에서 주요하게 논의되는 이슈들은 대부분 다뤄보려고 노력했다. (이 시리즈를 연재하는데 10개월 남짓 걸렸는데, 그 동안에도 사실 많은 변화들이 있었다.) 의료 인공지능이라는 주제를 과연 어떠한 관점으로 접근해야 할지로 시작해서, 세 가지 대표적인 유형의 의료 인공지능으로 나눠서 IBM 왓슨 포 온콜로지의 현재와 한계 및 향후 숙제, 딥러닝의 기술적인 배경과 의료 분야에서 주요한 성과들을 살펴보았다. 특히 딥러닝 기술의 발전은 영상의학과, 안과, 피부과, 병리과 등의 영상 의료 데이터를 해당 분야 전문의와 동등하거나 심지어 능가하는 성과를 보이기도 했고, 부정맥, 심정지, 당뇨, 패혈증과 같은 질환과 관계된 연속적인 의료 데이터를 모니터링하여 예방
만약 인공지능을 이용해서 진료하다가 의료 사고가 발생한다면 누가 책임을 져야 할까? 이번에는 의료 인공지능을 활용하는 과정에서 과실이 발생하거나, 치료 효과가 좋지 않은 등 부정적 효과가 발생할 경우에 대해서 논의해보려고 한다. 의료는 인간의 생명과 건강을 다루는 분야이기 때문에 안전성을 유지하는 것이 매우 중요하다. 하지만 인공지능은 절대 완벽하지 않을뿐더러, 의사도 인간인 이상 완벽한 존재라고 할 수는 없다. 그렇기 때문에 의료 인공지능에 어떠한 한계와 문제점이 있는지를 이해하고, 이러한 이슈를 어떻게 극복할 것인지 고민이 필요하다. 책임은 누구에게 있는가 먼저 책임은 누구에게 있는지를 살펴보자. 인공지능을 활용한 의료 행위에는 여러 주체가 직간접적으로 관여한다. 의사가 있고, 의료 인공지능을 개발한 개발사, 치료를 받는 환자, 진료 환경을 제공한 병원, 의료
딥러닝 기술을 신약개발에 활용할 수 있을까요? 딥러닝 기술이 의료 분야에서 여러 목적으로 연구되고 있지만, 대부분은 의료 영상의 분석에 관한 것입니다. 신약 개발에 딥러닝을 이용하는 것은 아직 상대적으로 마이너한 분야라고 할 수 있습니다. 하지만 의료 영상 판독 분야 못지않게 큰 (혹은 더 큰) 시장이 있는 곳이 바로 제약사의 신약 개발 분야입니다. 제약사는 신약을 개발하기 위해서 연구와 임상시험에 막대한 자금과 10년 이상의 긴 시간을 투자합니다. 특히 최근 데이터를 보면 제약사들은 갈수록 더 많은 R&D 비용을 더 많이 투자하고 있지만, 새롭게 인허가받는 약의 수는 줄어들고 있습니다. 이는 결국 제약사의 수익성 하락을 뜻합니다. 때문에 제약사의 고민은 깊어질 수밖에 없습니다. 제약사가 더 큰 비용을 R&D에
인공지능이 임상적으로 유용할까 이제 의료 인공지능의 도입에 따른 의사의 역할 변화 중, 이제는 새롭게 생겨날 역할에 관해서 이야기해보자. 새로운 역할 중 가장 대표적인 것은 역시 인공지능을 진료에 활용하는 것이다. 앞으로 의사들은 인공지능을 어떻게 활용하여 환자를 진료하고, 임상적인 결정을 내릴지를 연구하고, 또 배워야 할 것이다. 그런데 인공지능을 어떻게 진료에 이용할지를 결정하기 위해서는, 먼저 인공지능이 임상적으로 얼마나 유용한지를 증명하는 것이 필요하다. 아직 대부분의 의료 인공지능은 한창 개발 중인 기술로, FDA나 식약처의 인허가를 받거나 병원에 도입된 기술은 그리 많지 않다. 다만 선도적으로 개발된 몇몇 기술들의 임상시험이 진행 중이므로, 사업화 및 병원 도입이 추진되는 인공지능은 점차 증가할 것이다. 또한, 이런 선도 기업이 의료기기
이제는 인공지능에 의한 의사의 역할 변화 중, 앞으로도 유지되고 더 강조될 역할, 그리고 더 나아가서는 새로운 역할에 대해서도 알아볼 차례다. 최근의 의료 인공지능 관련 논의에서는 의사의 ‘사라질 역할’에 너무 치중한 나머지, 유지될 역할과 새롭게 생겨날 역할에 대한 고민은 부족한 경우가 많다. 하지만 의사가 인공지능이 도입된 미래를 살아가고 발 빠르게 진화하기 위해서는 이 부분에 대한 더 많은 고민이 필요할 것이다. 의학적 최종 의사 결정권자 인공지능의 도입에도 불구하고 앞으로도 계속 유지될 인간 의사의 역할은 바로 최종 의사 결정권자의 역할이다. 현재의 의료와 규제 패러다임 하에서는 의료 행위에서 의사의 판단과 의사결정을 완전히 배제하는 것은 어려울 것으로 보인다. 아무리 성능이 우수한 인공지능이라고 할지라도 오류의 가능성을
앞서 언급된 학과들과는 달리 정신의학과와 외과는 인공지능의 영향에서 다소 자유로운 것으로 여겨지기도 한다. 하지만 알고 보면 이러한 정신의학과 외과에서도 인공지능의 발전은 빠르게 일어나고 있다. 이 분야의 경우 아직 전문의와 비슷한 수준에 도달한 것은 아니지만, 상당히 흥미로운 발전들이 일어나고 있다. 인공지능으로 인해 앞으로 약해지는 인간 의사의 역할을 살펴보는 김에 두 학과에 관련된 기술 발전도 간략하게 짚고 넘어가도록 하자. 정신과는 인공지능에서 자유로운가 먼저 정신의학과의 영역을 살펴보자. 정신과의 경우, 사람이 사람의 심리와 정신 건강을 다루기 때문에 인공지능이 쉽게 접근하기 어려운 영역으로 꼽히기도 한다. 그만큼 환자의 상태에 대한 정량적 데이터를 얻기 어렵고, 진단과 치료를 표준화하기도 상대적으로 쉽지 않다. 특히, 사람과 사람, 즉 의사와 환자
우리는 지금까지 다양한 의료 인공지능에 대해서 자세히 살펴보았다. 그중에는 아직 검증이 덜 되었거나 여전히 개발 중인 것도 있지만, 때로는 인간 전문의 수준과 동등하거나 일부 측면에서는 더 나은 것도 있었다. 한 가지 확실한 것은 의료 인공지능이 앞으로 더욱 발전할 것이며, 발전의 속도는 갈수록 더욱 빨라질 것이라는 점이다. 이렇게 발전하는 의료 인공지능은 이미 의료계 내외에서 복잡한 이슈를 낳으며 주목받고 있다. 가장 대표적인 것이 인공지능이 의사를 대체할 수 있는지에 관한 논쟁이다. 또한, 인공지능이 의료사고를 내면 그 책임은 누가 져야 하는지, 혹은 의료 인공지능의 정확성과 효능, 안전성을 어떻게 검증할 것인지에 대해서도 많은 의견이 있다. 이러한 이슈들은 의료계뿐만이 아니라, 규제기관, 법조계, 교육계, 심지어 철학계에서도 관심을
한국은 현재 IBM 왓슨 포 온콜로지 (Watson for Oncology, 이하 WFO)를 전세계에서 가장 활발하게 도입한 나라 중 하나다. 지금까지 총 8개 병원이 WFO를 도입한 것으로 보인다. 이는 미국과 중국을 제외하면 세계적으로 가장 많은 숫자인 것 같다. 중국은 2016년 가을에 항저우 코그니티브 케어(Hangzhou Cognitive Care)를 통해서 50개 이상의 병원에 도입되었으며, 미국은 다수의 병원에 서비스를 제공하는 2차 소견 전문 기업 베스트닥터(Best Doctor)가 WFO 및 Watson Genomics 등을 채택함으로써 실질적으로 중국보다 더 많은 수의 병원에서 접근 가능한 것으로 알고 있다. 한국에서는 WFO의 도입은 소위 빅5 병원으로의 환자 쏠림에 대비하기 위한 지방 병원들의 고육지책의 일환으로 보는 것이 일반적이었다. 대다수의 암 환자가 수도권으로 몰리는 현실에서 지방
인공지능이나 로봇의 의료 적용을 논할 때 흔히 외과의사는 그 영향권에서 멀리 벗어나 있는 것으로 간주된다. 수술에는 외과 의사의 섬세한 술기가 요구되는데, 많은 경우 이는 아직 로봇이 도달하기는 어렵다고 여겨지기 때문이다. 소위 다빈치와 같은 ‘로봇 수술’의 경우에도 로봇이 자동으로 수술하는 것이 아니라, 외과 의사가 3D 고해상도 카메라를 보면서 사람의 손목처럼 관절이 있는 소형 기구를 손으로 직접 조작하는 방식으로 이뤄진다. 의사보다 봉합을 더 잘하는 로봇 하지만 자율주행차와 마찬가지로 자동 수술 로봇을 개발하기 위한 연구도 계속되고 있다. 관련하여 작년에 소개한 흥미로운 연구가 바로, 미국의 Children’s National Health System에서 개발한 STAR(Smart Tissue Autonomous Robot)이었다. 이 로봇은 인간의 손을 완전히 배제하고, 동물의 연부 조직(soft
부정맥을 한 시간 전에 예측하기 이번에는 환자의 부정맥, 심정지와 같은 심혈관계 질환이 발생하기 전에 예측하는 인공지능들을 살펴보자. 먼저 서울아산병원의 연구이다. 연구진은 심장내과 중환자실에 입원한 백여 명의 환자를 모니터링한 데이터를 바탕으로 부정맥의 일종인 심실빈맥(ventricular tachycardia)을 발생하기 한 시간 전에 높은 정확도로 예측하는 인공지능을 발표했다. 부정맥은 심장박동이 불규칙한 상태를 의미하는데, 심장박동이 갑자기 멈추는 돌연심장사의 원인 중 80%가 심실부정맥 때문이다. 치명적인 심실부정맥의 가장 큰 원인 중 하나가 바로 심실빈맥으로, 심실에서 이상이 발생하여 심장이 비정상적으로 빨리 뛰는 상태다. 이러한 심실빈맥을 사전에 예측할 수 있다면, 적절한 사전 조치를 통해 부정맥 발생을 예방하거나, 발생 후에도 빠르게 대처하여 환자의 생존율을 높일 수 있을 것이다. 서울아산병원의 연구진은
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